Na busca por eficiência e competitividade, organizações precisam monitorar e avaliar constantemente os processos que são vitais para atingir seus objetivos. A mineração de processos busca apoiar essas iniciativas, provendo novas formas de descoberta, monitoramento e análise dos processos de negócio. Em particular, o monitoramento preditivo de processos propõe mecanismos que permitem antecipar e prevenir situações não desejadas, sendo uma das aplicações de maior interesse a predição do tempo de resolução de um caso em execução. Apesar de muitos estudos terem mostrado resultados promissores nessa linha, um problema que ainda não foi atacado diretamente é o impacto de casos que não estão no modelo, ou casos non-fitting. Este trabalho propõe o uso de técnicas de busca por similaridade para tratar casos non-fitting em um método de predição de tempo de resolução de incidentes, baseado em mineração de processos. Partindo de um método existente e usando um conjunto de dados extraído de um cenário real de mercado, o estudo inicialmente avaliou o impacto dos casos non-fitting sobre a assertividade do preditor em cenários em que múltiplos atributos são usados na geração do modelo. Posteriormente, o mesmo conjunto de dados foi submetido ao método alterado com a inclusão das técnicas de busca por similaridade, comprovado pelo desempenho do preditor. Também foram incorporadas algumas melhorias adicionais ao método final: a normalização do conjunto de dados; a geração de atributos de contexto a partir de atributos temporais, visando incluir a perspectiva de sazonalidade ao modelo; e, por último, uma adaptação da fase de validação para utilizar a técnica de holdout

In the pursuit of efficiency and competitiveness, organizations must constantly monitor and improve internal processes that are critical for their business objectives. The process mining discipline may be very useful by bringing new ways for process discovery and monitoring. Specifically, the so-called Predictive Process Monitoring (PPM) proposes mechanisms to anticipate and prevent undesirable situations. Remaining time prediction is undoubtedly one of the most promising fields for PPM and many recent studies have shown valuable results in this area. However, only a fraction of them has looked deeply at the impact of non-fitting cases. The present work proposes the use of similarity search techniques to tackle non-fitting cases in a process-aware remaining time prediction method that uses an annotated transition system (ATS). Preliminary results showed that the occurrence of non-fitting cases is heavily increased as new descriptive attributes are added to the ATS, aiming to make it more precise. The improved method was applied to a real-world dataset and the results showed a significative improvement to the overall assertiveness. Another contribution was the generation of categorical attributes from date-time variables, bringing a seasonality perspective to the model. In more practical terms, this work has also performed a normalization over the dataset attributes and used a more reliable approach to validate the results with a holdout strategy. Finally, it has also added the RMSPE as an error metric besides the MAPE, allowing for further comparisons with other methods