ЛЕГКОВЕСНЫЙ МОДЕЛЬНО-ОРИЕНТИРОВАННЫЙ ПОДХОД К АВТОМАТИЗАЦИИ БИЗНЕС-ПРОЦЕССОВ МАЛЫХ ТОРГОВЫХ ПРЕДПРИЯТИЙ: СКВОЗНАЯ ТРАНСФОРМАЦИЯ IDEF0 → BPMN → DFD → UML → КОД NESTJS

Аннотация. Представлена легковесная методология автоматизации бизнес-процессов малого торгового предприятия, основанная на последовательном применении нотаций IDEF0, BPMN, DFD и UML с последующей прямой трансформацией BPMN-моделей в сервисный код NestJS. Отказ от внешних BPMN-движков достигается за счёт формальных правил отображения элементов процесса в конструкции TypeScript. Предложен многокритериальный алгоритм резервирования запасов с коэффициентом приоритета αⱼ. Имитационное моделирование показывает преимущество алгоритма перед стратегиями FIFO и приоритетом по маржинальности. Нагрузочные испытания демонстрируют, что ручная трансформация обеспечивает выигрыш в пропускной способности в 2,8 раза и снижение потребления памяти в 3,4 раза по сравнению с эквивалентной реализацией на Camunda BPMN.

Ключевые слова: IDEF0, BPMN, DFD, UML, NestJS, модельно-ориентированная разработка, автоматизация бизнес-процессов, резервирование запасов, многокритериальный алгоритм, легковесный workflow.

Введение

Малые и средние торговые предприятия сталкиваются с фрагментацией информации, нечётким распределением ответственности и отсутствием оперативного мониторинга. Внедрение полнофункциональных ERP-систем для них часто экономически неоправданно. Модельно-ориентированная разработка (MDE) позволяет сократить разрыв между бизнес-требованиями и программным кодом [1, 3], однако типичные MDE-решения опираются на тяжелые BPMN-движки (Camunda, Activiti), избыточные для прототипов и небольших проектов [6, 4]. Цель данной работы разработать и экспериментально проверить легковесную методологию сквозной трансформации моделей бизнес-процессов в исполняемый код NestJS, обеспечивающую отказ от использования внешних BPMN-движков на этапе прототипирования для малых предприятий. 

2. Концептуальная модель сквозной трансформации Предложенная методология состоит из пяти шагов:

1. IDEF0 функциональная декомпозиция процесса «Order‑to‑Cash» на три подфункции: приём и проверка заказа, обработка заказа, выполнение заказа.
2. BPMN 2.0  детальное моделирование процесса с 21 задачей, 7 шлюзами и 4 дорожками. Все исключительные потоки явно отражены.
3. DFD моделирование потоков данных, определяющее хранилища и внешние сущности.
4. UML построение диаграмм классов, прецедентов и последовательностей. Установлено формальное отображение элементов BPMN в артефакты UML: дорожка → актор, группа задач → прецедент, хронологический поток → диаграмма последовательности.
5. Прямая трансформация BPMN → код NestJS по формальным правилам (таблица 1). Аналогичные подходы рассматривались в [7, 8].

Таблица 1.

Правила трансформации BPMN → NestJS/TypeScript

Данные правила позволяют вручную, но систематически переносить логику процесса в код без привлечения стороннего workflow-движка.

3. Многокритериальный алгоритм резервирования запасов

При дефиците запасов для каждого заказа j вычисляется коэффициент приоритета:

αⱼ = (mⱼ · pⱼ) / (1 + β · tⱼ),

где mⱼ – ожидаемая маржа, pⱼ – вероятность оплаты (0–1), tⱼ – время ожидания (дни), β – настраиваемый коэффициент. Заказы сортируются по убыванию αⱼ, доступные запасы распределяются соответственно. Это позволяет в одной целевой функции сбалансировать прибыльность, надёжность оплаты и время ожидания клиента. Подход развивает идеи классических работ по BPM [9, 2].

4. Имитационное моделирование алгоритма резервирования

Дискретно-событийное моделирование выполнено на Python. Параметры: 10 видов товаров, начальный запас 50 ед., пуассоновский поток заказов λ=20/день, пополнение каждые 3 дня, горизонт 30 дней. Сравнивались три стратегии (по 100 прогонов каждая). Методика расчёта показателей: общая прибыль — сумма маржи выполненных заказов; уровень выполнения — доля полностью выполненных заказов; среднее ожидание — среднее арифметическое времени от поступления заказа до полного резервирования. Результаты приведены в таблице 2.

Таблица 2.

Результаты имитационного моделирования

Многокритериальный алгоритм увеличил общую прибыль примерно на 9,5 % по сравнению с FIFO, повысил уровень выполнения с 78,3 % до 82,5 % и сократил среднее время ожидания с 2,1 до 1,7 дня.

5. Сравнительные нагрузочные испытания

Один и тот же процесс «Приём и обработка заказа» реализован двумя способами на идентичных входных данных и одинаковой конфигурации СУБД (PostgreSQL 15), предлагаемая ручная трансформация в NestJS и с использованием движка Camunda BPMN 7.20. Измерения проводились на виртуальной машине Ubuntu 22.04 (4 vCPU, 8 ГБ RAM) с помощью инструмента k6 [5]. Результаты представлены в таблице 3.

Таблица 3.

Результаты нагрузочного тестирования (500 одновременных пользователей)

Ручной подход в 2,8 раза быстрее и потребляет в 3,4 раза меньше памяти. Это объясняется тем, что Camunda сохраняет состояние каждого экземпляра процесса в базе данных, тогда как ручная трансформация удерживает всю логику в оперативной памяти. Полученные результаты согласуются с выводами работ [7, 8].

6. Статистическая проверка

К данным о времени обработки заказов применён U-тест Манна‑Уитни. Полученное значение p < 0,001 подтверждает статистическую значимость различий.

7. Расширения с помощью искусственного интеллекта

Архитектура допускает интеграцию XGBoost (прогноз спроса) и Isolation Forest (аномалии) через REST API [5]. Оба микросервиса взаимодействуют с NestJS через REST API, сохраняя модульную структуру.

Заключение

Исследование демонстрирует полный легковесный конвейер от моделирования бизнес-функций до исполняемого кода без тяжелых BPMN-движков. Формальные правила трансформации обеспечивают прозрачность и проверяемость. Предложенный алгоритм резервирования превосходит традиционные стратегии при имитационном моделировании, а ручная кодовая трансформация показывает значительные преимущества в производительности перед Camunda. Методология непосредственно применима к малым предприятиям и может быть расширена компонентами искусственного интеллекта.