Погано розроблені моделі бізнес-процесів є джерелом помилок і подальших витрат, пов’язаних з цими помилками, таких як грошові витрати, втрачений час або навіть певний шкідливий вплив на людей або навколишнє середовище, якщо помилкові моделі бізнес-процесів пов’язані з критично важливими галузями. Життєвий цикл BPM (Business Process Management) зазвичай складається з проєктування, впровадження, моніторингу та контролю виконання бізнес-процесів, але йому бракує безперервного контролю якості створених моделей BPMN (Business Process Model and Notation). Таким чином, у даній роботі розглядається задача класифікації моделей бізнес-процесів на основі їх коректності, вирішення якої забезпечить контроль якості розроблених моделей бізнес-процесів. Таким чином, метою даного дослідження є підвищення якості моделей бізнес-процесів шляхом розробки програмного рішення для класифікації моделей бізнес-процесів на основі їх коректності. Об’єктом дослідження є процес класифікації моделей бізнес-процесів на основі їх коректності, який використовує показники якості та порогові значення, як правило, показники складності. Предметом дослідження є програмне рішення для класифікації моделей бізнес-процесів на основі їх коректності. Отже, у даній роботі запропоновано алгоритм розв’язання задачі класифікації моделей BPMN з використанням логістичної регресії, показників складності інтерфейсу та модульності, визначено вимоги до програмного забезпечення, обрано засоби розробки програмного забезпечення, спроєктовано програмне забезпечення для класифікації моделей бізнес-процесів на основі їх коректності, розроблено відповідні програмні компоненти, продемонстровано використання програмного рішення для розв’язання задачі класифікації моделей бізнес-процесів на основі їх коректності, а також проаналізовано та обговорено отримані результати. Розроблене програмне забезпечення демонструє високу ефективність класифікації моделей BPMN на основі їх коректності, досягаючи високих показників точності (99,14 %), влучності (99,88 %), повноти (99,23 %) та F-міри (99,56 %), що підкреслює високу ефективність виявлення помилок моделювання.

Poorly designed business process models are a source of errors and the subsequent costs associated with these errors, such as monetary costs, lost time, or even some harmful impact on people or the environment if the erroneous business process models are associated with critical industries. The BPM (Business Process Management) lifecycle usually consists of designing, implementing, monitoring, and controlling the business process execution, but it lacks continuous quality control of the created BPMN (Business Process Model and Notation) models. Thus, this paper considers the problem of business process models classification based on their correctness, which solution will ensure quality control of the designed business process models. Thus, this study aims to improve the quality of business process models by developing a software solution for business process models classification based on their correctness. The subject of the study is the process of business process models classification based on their correctness, which uses quality measures and thresholds, usually, complexity measures. The subject of the study is a software solution for business process models classification based on their correctness. Therefore, in this study, the algorithm to solve the problem of BPMN models classification using logistic regression, interface complexity, and modularity measures is proposed, the software requirements are determined, the software development tools are selected, the software for business process models classification based on their correctness is designed, the corresponding software components are developed, the use of a software solution for solving the problem of business process models classification based on their correctness is demonstrated, the obtained results are analyzed and discussed. The developed software indicates high performance of BPMN models classification based on their correctness, achieving high accuracy (99.14 %), precision (99.88 %), recall (99.23 %), and F-score (99.56 %), highlighting the high performance of modeling errors detection.