Publications by the same author
plus in the repository
plus in Google Scholar

Bibliografische Daten exportieren
 

Ein Process Mining-Rahmenwerk für agile, personenbezogene Prozesse

URN to cite this document: urn:nbn:de:bvb:703-epub-2542-2

Title data

Schönig, Stefan:
Ein Process Mining-Rahmenwerk für agile, personenbezogene Prozesse.
Bayreuth , 2015 . - XIX, 207 P.
( Doctoral thesis, 2015 , University of Bayreuth, Faculty of Mathematics, Physics and Computer Sciences)

[thumbnail of Dissertation.pdf]
Format: PDF
Name: Dissertation.pdf
Version: Published Version
Available under License Creative Commons BY 3.0: Attribution
Download (19MB)

Abstract

Prozessmanagement gilt als Ansatz, durch Modellierung und Unterstützung von Prozessen in Organisationen, Dienstleistungen effektiv zu gestalten. Es existieren verschiedene Arten von Prozessen: Strikte Prozesse, deren wiederkehrende Abläufe bereits zur Entwurfszeit festgelegt werden können und agile, personenbezogene Prozesse, deren Verhalten sich nicht vollständig im Voraus festlegen lässt und die auf menschlichen Entscheidungen basieren. Diese Art von Prozessen findet sich in allen Bereichen der Gesellschaft wieder, beispielsweise in Forschungs- und Entwicklungsprozessen oder im Gesundheitswesen. Zur Modellierung von Prozessen existieren zwei Ansätze: Prozedurale und regelbasierte Modellierungssprachen. Während die prozedurale Modellierung eher für strikte Prozesse geeignet ist, können agile, personenbezogene Prozesse besser durch regelbasierte Modelle beschrieben werden. Ein regelbasiertes Prozessmodell umfasst die Definition beteiligter Entitäten und eine Menge von Regeln. Abläufe müssen nicht explizit modelliert werden, sondern ergeben sich automatisch durch Berücksichtigung der Regeln. Process Discovery bezeichnet das Sammeln von Informationen über einen Prozess und deren strukturierte Abbildung in einem Prozessmodell. Die Akquisition des Prozesswissens ist ein aufwändiges Unterfangen. Ein Ansatz zur Unterstützung und (Teil-)Automatisierung von Process Discovery ist Process Mining. Process Mining-Techniken verwenden Ausführungsinformationen, welche digital in Datenbanken oder Dateien vorliegen, um daraus automatisiert Prozessmodelle abzuleiten. Klassische Process Mining-Techniken erzeugen Prozessmodelle in prozeduralen Modellierungssprachen, die für agile Prozesse eher ungeeignet sind. In den letzten Jahren wurden einige Techniken zur Ableitung von regelbasierten Prozessmodellen aus Ereignisprotokollen vorgeschlagen. Der Fokus all dieser Arbeiten liegt auf der Analyse der Ausführungsreihenfolge von Aktivitäten, mit einigen Erweiterungen für Daten. Prozessausführende Akteure und deren tiefgreifender Einfluss auf den Prozessablauf werden in all diesen Arbeiten nicht betrachtet. Ansätze, welche diese organisatorische Perspektive von Prozessen analysieren, wurden bislang nicht in regelbasierte Mining-Verfahren integriert und sind daher für agile Prozesse ungeeignet. Die Forschung dieser Dissertation vereinigt diese beiden Strömungen und beschreibt ein Process Mining-Verfahren zur Ableitung von regelbasierten, perspektivenübergreifenden Prozessmodellen. Die abgeleiteten Modelle beschreiben nicht nur komplexe organisatorische Zuweisungsregeln sondern geben außerdem Einblick in den tiefgreifenden Einfluss von Personen auf die Ausführungsreihenfolge von Aktivitäten. Durch Anwendung des vorgestellten Ansatzes auf Ereignisprotokolle agiler, personenbezogener Prozesse, werden sowohl Funktionalität als auch Anwendbarkeit und Effizienz des Verfahrens belegt.

Abstract in another language

The success of an organisation primarily depends upon its ability to accomplish its tasks in a structured and reliable manner. A well accepted method for structuring the activities carried out in an organisation is business process management (BPM). BPM usually involves modelling, executing and analysing processes. In this context, two different types of processes can be distinguished: well-structured routine processes with exactly predescribed control flow and agile processes with control flow that evolves at run time without being fully predefined a priori. Agile processes are common in healthcare where, e.g., patient diagnosis and treatment processes require flexibility to cope with unanticipated circumstances. In a similar way, two different representational paradigms can be distinguished: procedural models describe which activities can be executed next and declarative models define execution constraints that the process has to satisfy. The more constraints are added to the model, the less possible execution alternatives remain. As agile processes may not be completely known a priori, they can often be captured more easily using a declarative rather than a procedural modelling approach. For purposes of compliance and process improvement, organisations are interested in the way their processes are actually executed. Since process execution is often supported by information systems, process events such as starts and completions of activities are recorded in so-called event logs. Process mining aims at discovering processes by extracting knowledge from event logs, e.g., by generating a process model reflecting the behaviour recorded in the logs. Declarative languages like Declare or DPIL can be used to represent these models, and tools like the DeclareMiner or MINERful to generate them, often with a focus on control flow. Agile processes, however, need to explicitly integrate the organisational perspective due to the importance of human decision-making. Recent research has identified the potential of process mining of the organisational perspective. However, these results have not yet been integrated with declarative process models and are therefore not suitable in agile environments. This thesis fills this research gap by proposing a process mining approach to discover rule-based process models that comprise complex organizational patterns. In particular, we are able to extract complex allocation rules, such as binding of duties between activities, as well as cross-perspective rules involving the control-flow and the organisational perspectives together. The latter consider the influence of resource allocation on the control flow of the process, e.g., an activity can only be executed by a specific role if a specific activity was performed previously. The expressiveness of the extracted rules has been evaluated using theWorkflow Resource Patterns. The applicability of the approach has been validated with real-world event logs from different domains.

Further data

Item Type: Doctoral thesis (No information)
Keywords: Process Management; Process Mining
DDC Subjects: 000 Computer Science, information, general works > 004 Computer science
Institutions of the University: Faculties
Faculties > Faculty of Mathematics, Physics und Computer Science
Faculties > Faculty of Mathematics, Physics und Computer Science > Department of Computer Science
Faculties > Faculty of Mathematics, Physics und Computer Science > Department of Computer Science > Chair Applied Computer Science IV
Faculties > Faculty of Mathematics, Physics und Computer Science > Department of Computer Science > Chair Applied Computer Science IV > Chair Applied Computer Science IV - Univ.-Prof. Dr.-Ing. Stefan Jablonski
Graduate Schools
Graduate Schools > University of Bayreuth Graduate School
Language: German
Originates at UBT: Yes
URN: urn:nbn:de:bvb:703-epub-2542-2
Date Deposited: 27 Nov 2015 10:27
Last Modified: 27 Nov 2015 10:27
URI: https://epub.uni-bayreuth.de/id/eprint/2542

Downloads

Downloads per month over past year