Digital twins for operational risk: regime-aware routing in financial workflows
R. K. Thatikonda, S. Donepudi
a Independent Researcher and Analytics and Business Transformation leader, Operations and Information Management (OPIM) Department, University of Connecticut, Storrs, CT, USA;
b Independent Researcher and Vice President of Finance, Risk, and Asset Liability Management (ALM), Information Systems Department, Point Park University, Pittsburgh, PA, USA
以人为中心的金融服务流程具有状态切换特征，通常包括常规处理与异常高风险模式。仅基于平均状态构建的数字孪生难以准确预测拥堵和风险。本文构建了一种闭环随机组织数字孪生模型，通过高斯混合模型识别双峰服务时间分布，并提出状态感知动态路由方法，实现异常任务隔离与流程优化。基于真实业务流程日志和仿真实验结果表明，该方法显著提升风险预测准确性，有效降低业务积压，为高可靠组织数字孪生提供支撑。
数字孪生正从物理系统扩展至组织数字孪生（ODT），用于金融等以人为中心的工作流决策支持。然而，常规案例与异常案例构成的双峰服务时间分布导致单峰校准模型虽能拟合均值，却严重低估尾部拥堵风险。本文提出结合过程结构、混合高斯模型时序推断与机制感知动态路由（RADR）的闭环ODT框架，通过严格分布验证和排队仿真证明机制感知建模对操作韧性的关键作用。
本章从三个交叉领域展开综述。首先，过程挖掘为数字孪生提供了从事件日志中发现过程结构、检验一致性和增强模拟的基础方法，其中随机过程模型强调控制流、时序、资源分配和工作负载等多个维度的动态性。其次，随机校准方面，标准单峰时序模型在存在多机制时会压缩尾部分布，而混合模型是表达多机制的有效工具，但需防止过拟合，因此本文采用贝叶斯信息准则（BIC）选择最优组分个数。第三，在运营控制与路由策略上，队列感知分析和资源调度已被用于解释延迟和拥塞，而监管要求也越发强调对极端事件的压力测试。与已有工作相比，本文聚焦于单峰校准在机制切换下的结构性失败，并通过定量验证和主动控制予以克服。
本章介绍了面向金融业务流程的随机组织数字孪生（ODT）的流程建模与数据生成方法。研究以承保业务流程为对象，构建包含数据录入、信息验证、承保评估、异常处理和流程完成等环节的流程结构，并将其作为数字孪生模型的基础框架，用于定义状态转移关系和动态路由干预位置。
为模拟真实金融系统中的业务异质性，研究设计了包含信用等级、业务渠道、债务收入比和文档完整性等属性的事件日志。由于真实金融数据涉及隐私和商业敏感信息，本文采用经过实证校准的隐私保护型合成数据生成器，使生成数据能够保持真实业务流程中的结构特征，包括异常状态比例、变量变化规律以及服务时间分布特征。
进一步地，研究发现业务处理时间呈现明显的双峰分布特征，分别对应高效的常规处理模式和具有长尾特征的异常处理模式。因此，本文采用双状态混合模型刻画不同业务状态，并通过固定训练集与测试集划分验证模型有效性，为后续风险感知动态路由策略的评估提供可靠的数据基础。
本章介绍了组织数字孪生（ODT）中的随机服务时间建模方法，重点解决金融业务流程中不同运行状态导致的时间分布偏差问题。研究首先选取正态分布、对数正态分布和伽马分布等传统单峰模型作为基准，同时引入非参数经验采样方法进行对比。
核心模型是应用于对数变换服务时间的混合高斯模型，该变换将人为返工和升级周期的乘性复合转化为加性尺度。对组分个数K从1到4进行拟合，并使用BIC严格选择最优K，结果全局最小值在K=2处，即双组分混合是最佳简约模型，这从定量上确认了数据中存在的双峰结构。
本章进一步验证不同时间模型对业务流程动态特征的刻画能力。研究采用Kolmogorov–Smirnov（KS）统计量，在独立测试数据上评价模型生成时间分布与真实分布之间的一致性，而非仅关注训练数据上的拟合效果。
实验结果表明，双组分高斯混合模型能够有效捕捉常规任务和异常任务两类运行状态。在合成业务环境中，该模型获得KS统计量0.0038，与测试数据分布高度一致，相比最佳单峰模型（对数正态分布，KS=0.1498）降低97.5%的分布误差。进一步基于真实金融业务流程数据集BPI Challenge 2017的验证显示，双组分混合模型将KS误差由0.1347降低至0.0585，减少56.55%。
研究发现，传统单峰模型虽然能够描述平均处理时间，但容易忽略异常任务带来的长尾效应，从而低估潜在运营风险。相比之下，双状态建模能够更准确地反映金融业务流程中的异常波动，为数字孪生实现可靠风险预测提供支撑。
基于前文建立的高保真时间模型，本章提出状态感知动态路由策略（Regime-Aware Dynamic Routing, RADR），进一步将数字孪生从被动预测工具扩展为主动优化系统。
研究将金融业务流程建模为多服务器排队系统。在传统被动路由模式下，常规任务与异常任务共享同一处理队列，异常任务较长的处理时间容易造成资源占用和拥堵扩散。针对这一问题，RADR利用混合高斯模型计算任务属于异常状态的概率，并将业务流程划分为常规处理通道和异常处理通道，在不增加总资源的情况下，通过动态任务分流降低不同运行状态之间的相互影响。
该策略结合异常识别阈值、资源容量限制和防拥堵回退机制，实现透明、可解释的动态控制。相比复杂黑箱优化方法，RADR具有规则简单、易于审计和便于实际部署的特点，可为金融业务流程的风险隔离和运营韧性提升提供有效方案。
本章通过离散事件排队仿真评估状态感知动态路由策略（RADR）的实际运营效果。研究基于构建的组织数字孪生环境，对传统被动路由和RADR主动控制两种模式进行比较，重点分析业务积压峰值、在制流程数量（WIP）以及任务重新路由频率等关键指标。
实验结果显示，RADR能够显著降低异常任务对整体流程的影响。在传统路由模式下，系统峰值积压达到约42,207个案例，而采用RADR后降低至12,526个，减少约70%；峰值WIP也由42,212降低至12,532。同时，平均重路由率仅为0.378次/小时，表明该策略能够以较低干预成本实现有效风险控制。
研究进一步表明，时间模型的准确性与运营优化效果密切相关。只有准确刻画异常状态及其长尾特征，数字孪生才能生成符合现实的压力场景，并通过主动控制策略有效缓解突发拥堵，实现从“预测风险”到“管理风险”的转变。
本章介绍研究实验流程和可复现机制。研究采用双流水线实验架构，将真实业务数据验证与隐私保护型合成环境仿真相结合：一方面利用BPI Challenge 2017真实事件日志验证金融业务流程中的双峰时间特征；另一方面通过校准后的合成数据开展动态路由控制实验。
实验流程覆盖事件日志处理、时间模型训练、模型验证、排队仿真以及运营指标分析等环节，并固定随机种子、训练测试数据划分和评价指标，以保证实验结果的可靠性和可重复性。
该研究框架在兼顾数据隐私保护的同时，为组织数字孪生模型的开发、验证和实际部署提供了标准化实验流程。
本章进一步分析研究对组织数字孪生设计和金融业务风险管理的启示。研究指出，仅依赖平均处理时间的传统建模方法容易忽略异常任务形成的长尾风险，导致数字孪生低估潜在拥堵和运营压力。通过状态感知动态路由（RADR）实现异常任务隔离，可以有效降低不同运行状态之间的相互影响，提升系统韧性。同时，研究强调组织数字孪生需要关注尾部风险验证、模型可解释性以及持续风险监控，在满足金融行业监管要求的基础上，实现可靠的智能决策支持。
本章总结了研究方法的适用范围和潜在限制。虽然真实BPI Challenge 2017数据验证了金融业务流程中双峰时间特征的存在，但动态路由策略主要在经过校准的合成环境中进行评估，未来仍需在真实企业流程中开展验证。此外，当前研究采用固定实验配置，未来可进一步结合多场景仿真、不确定性分析和更复杂控制策略，以提升方法在实际运营环境中的适应能力。
本文提出了一种面向金融业务流程风险管理的随机组织数字孪生方法，通过双组分高斯混合模型准确刻画常规与异常两类运行状态，并结合状态感知动态路由策略实现主动风险控制。
实验结果表明，该方法显著提升了时间分布建模精度，并大幅降低业务流程中的峰值积压和在制任务数量。研究表明，数字孪生只有显式建模异常状态及其长尾影响，才能真正具备预测和管理复杂业务运营风险的能力。未来研究将进一步探索真实环境部署、大规模不确定性分析以及更先进的动态优化方法。
