Suche nach Personen

plus im Publikationsserver
plus bei Google Scholar

Bibliografische Daten exportieren
 

Machine Learning in Business Process Monitoring : A Comparison of Deep Learning and Classical Approaches Used for Outcome Prediction

DOI zum Zitieren der Version auf EPub Bayreuth: https://doi.org/10.15495/EPub_UBT_00005095
URN zum Zitieren der Version auf EPub Bayreuth: urn:nbn:de:bvb:703-epub-5095-9

Titelangaben

Kratsch, Wolfgang ; Manderscheid, Jonas ; Röglinger, Maximilian ; Seyfried, Johannes:
Machine Learning in Business Process Monitoring : A Comparison of Deep Learning and Classical Approaches Used for Outcome Prediction.
In: Business & Information Systems Engineering. (2020) .
ISSN 1867-0202
DOI der Verlagsversion: https://doi.org/10.1007/s12599-020-00645-0

Volltext

[thumbnail of Kratsch2020_Article_MachineLearningInBusinessProce.pdf]
Format: PDF
Name: Kratsch2020_Article_MachineLearningInBusinessProce.pdf
Version: Veröffentlichte Version
Verfügbar mit der Lizenz Creative Commons BY 4.0: Namensnennung
Download (676kB)

Abstract

Predictive process monitoring aims at forecasting the behavior, performance, and outcomes of business processes at runtime. It helps identify problems before they occur and re-allocate resources before they are wasted. Although deep learning (DL) has yielded breakthroughs, most existing approaches build on classical machine learning (ML) techniques, particularly when it comes to outcome-oriented predictive process monitoring. This circumstance reflects a lack of understanding about which event log properties facilitate the use of DL techniques. To address this gap, the authors compared the performance of DL (i.e., simple feedforward Deep Neural Networks and Long Short Term Memory Networks) and ML tech-niques (i.e., Random Forests and Support Vector Machines) based on five publicly available event logs. It could be observed that DL generally outperforms classical ML techniques. Moreover, three specific propositions could be inferred from further observations: First, the outperformance of DL techniques is particularly strong for logs with a high variant-to-instance ratio (i.e., many non-standard cases). Sec-ond, DL techniques perform more stably in case of imbalanced target variables, especially for logs with a high event-to-activity ratio (i.e., many loops in the control flow). Third, logs with a high activity-to-instance payload ratio (i.e., input data is predominantly generated at runtime) call for the application of Long Short Term Memory Networks. Due to the purposive sampling of event logs and techniques, these findings also hold for logs outside this study.

Weitere Angaben

Publikationsform: Artikel in einer Zeitschrift
Keywords: Predictive process monitoring; business process management; outcome prediction; deep learning; machine learning
Themengebiete aus DDC: 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik
300 Sozialwissenschaften > 330 Wirtschaft
Institutionen der Universität: Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Professur Wirtschaftsinformatik und digitales Energiemanagement
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Betriebswirtschaftslehre XVII - Wirtschaftsinformatik und Wertorientiertes Prozessmanagement
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Betriebswirtschaftslehre XVII - Wirtschaftsinformatik und Wertorientiertes Prozessmanagement > Lehrstuhl Wirtschaftsinformatik und Wertorientiertes Prozessmanagement - Univ.-Prof. Dr. Maximilian Röglinger
Forschungseinrichtungen
Forschungseinrichtungen > Institute in Verbindung mit der Universität
Forschungseinrichtungen > Institute in Verbindung mit der Universität > Institutsteil Wirtschaftsinformatik des Fraunhofer FIT
Forschungseinrichtungen > Institute in Verbindung mit der Universität > FIM Forschungsinstitut für Informationsmanagement
Fakultäten
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät
Sprache: Englisch
Titel an der UBT entstanden: Ja
URN: urn:nbn:de:bvb:703-epub-5095-9
Eingestellt am: 23 Sep 2020 08:21
Letzte Änderung: 23 Sep 2020 08:21
URI: https://epub.uni-bayreuth.de/id/eprint/5095

Downloads

Downloads pro Monat im letzten Jahr