La detección de anomalías en los procesos de los sistemas de servicios financieros es crucial para el cumplimiento operativo y la gestión de riesgos. Sin embargo, las técnicas tradicionales de minería de procesos a menudo descuidan la detección de anormalidades significativas de baja frecuencia debido a su dependencia de la frecuencia y la inadecuada incorporación de conocimientos específicos del dominio. Por lo tanto, desarrollamos un algoritmo de minería de procesos mejorado al incorporar una matriz de relaciones de seguimiento específica del dominio derivada de los procedimientos operativos estándar (SOP). Evaluamos empíricamente la efectividad del algoritmo propuesto basado en registros de eventos del mundo real de un proceso de apertura de cuentas corporativas realizado de enero a diciembre de 2022 en un banco comercial chino. Además, empleamos modelos de lenguaje grandes (LLMs) para el análisis de causas raíz y recomendaciones de optimización de procesos. Los resultados empíricos demuestran que el E-Heuristic Miner supera significativamente a los métodos tradicionales de aprendizaje automático y a los algoritmos de minería de procesos en la detección de anomalías en los procesos. Además, la integración de LLMs proporciona capacidades prometedoras en razonamiento semántico y ofrece sugerencias de optimización explicables, mejorando el apoyo a la toma de decisiones en escenarios financieros complejos. Nuestro estudio mejora significativamente la precisión de la detección de anomalías en los procesos en contextos financieros al incorporar conocimientos específicos del dominio bancario en los algoritmos de minería de procesos. Mientras tanto, amplía los límites teóricos y la aplicabilidad práctica de la minería de procesos en la gestión de servicios financieros inteligentes y conscientes semánticamente.