Data-driven Management of Interconnected Business Processes : Contributions to Predictive and Prescriptive Process Mining

Titelangaben

Kratsch, Wolfgang:
Data-driven Management of Interconnected Business Processes : Contributions to Predictive and Prescriptive Process Mining.
Bayreuth , 2021 . - 45 S.
( Dissertation, 2020 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)

Volltext

	Format: PDF Name: Dissertation_WK_VeröffentlichteVersion_proof5.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Creative Commons BY 4.0: Namensnennung
	Download (1MB)

Abstract

Business process management (BPM) is an accepted paradigm of organizational design to orchestrate distributed work involving various activities, resources, and actors, connecting the physical and digital world. While traditional research in BPM focused on process models and model-based information systems (e.g., workflow management systems), the focus has recently shifted toward data-driven methods such as process mining. Process mining strives to discover, monitor, and improve business processes by extracting knowledge from process (or event) logs. As process mining has evolved into one of the most active streams in BPM, numerous approaches have been proposed in the last decade, and various commercial vendors transferred these methods into practice, substantially facilitating event data analysis. However, there are still manifold unsolved challenges that hinder the adoption and usage of process mining at the enterprise level. First, finding, extracting, and preprocessing relevant event data remains challenging. Second, most process mining approaches operate on a single-process level, making it hard to apply process mining multiple interconnected processes. Third, process managers strongly require forward-directed operational support, but most process mining approaches provide only descriptive ex-post insights. Driven by these challenges, this thesis contributes to the existing body of knowledge related to data-driven management of interconnected business processes. By proposing methods that enhance and automate the extraction of event logs from typical sources (research paper #1) and exploiting novel sources containing process-relevant information (research papers #2 and #3), this thesis contributes to the first challenge of finding, extracting, and preprocessing relevant event data. Regarding the second challenge to apply process mining to a multi-process perspective, this thesis proposes approaches for log-driven prioritization of interconnected business processes (research papers #4 and #5). As the proposed process prioritization methods build on predicting processes’ future performance, they also contribute to the third challenge of providing forward-directed operational support for process managers. Providing accurate predictions leveraging the increasing volume of available data is key to develop predictive and prescriptive process mining approaches. Consequently, the thesis also elaborates on how predictive process monitoring can benefit from the promising trend of deep learning (research paper #6).

Abstract in weiterer Sprache

Geschäftsprozessmanagement (BPM) ist ein akzeptiertes Paradigma der Organisationsgestaltung zur Orchestrierung verteilter Arbeit, die verschiedene Aktivitäten, Ressourcen und Akteure umfasst und somit die physische mit der digitalen Welt verbindet. Während das wissenschaftliche Hauptinteresse im Bereich BPM für eine lange Zeit auf Prozessmodellen und modellbasierten Informationssystemen (z.B. Workflow-Management-Systeme) lag, hat sich der Fokus in letzter Zeit zunehmend auf datengestützte Methoden, wie z.B. das Process Mining verlagert. Process Mining zielt darauf ab, Geschäftsprozesse zu entdecken, zu überwachen und zu verbessern, indem Wissen aus Prozess- (oder Event-) Logs extrahiert wird. Da sich Process Mining zu einer der aktivsten Strömungen im BPM entwickelt hat, wurden in den letzten zehn Jahren zahlreiche Ansätze vorgeschlagen und verschiedene kommerzielle Anbieter haben diese Methoden in die Praxis umgesetzt, was die Analyse von Ereignisdaten erheblich erleichtert. Allerdings gibt es immer noch vielfältige ungelöste Herausforderungen, die die Einführung und Nutzung von Process Mining auf Unternehmensebene behindern. Erstens ist es nach wie vor schwierig, relevante Ereignisdaten zu finden, zu extrahieren und vorzuverarbeiten. Zweitens fokussieren sich die meisten Process-Mining-Ansätze auf einzelne Prozesse, was es schwierig macht, Process Mining auf mehrere miteinander verbundenen Prozesse anzuwenden. Drittens benötigen Prozessmanager dringend vorausschauende, operative Unterstützung, aber die meisten Process-Mining-Ansätze liefern nur beschreibende ex-post Erkenntnisse. Angetrieben durch diese drei Herausforderungen, trägt diese Arbeit zur Forschung in Bezug auf datengetriebenes Management von vernetzten Geschäftsprozessen bei. Durch die Entwicklung von Ansätzen, die die Extraktion von Event Logs aus typischen Quellen verbessern und automatisieren (Forschungsbeitrag #1) sowie neuartige Quellen, die prozessrelevante Informationen enthalten, erschließen (Forschungbeitrag #2 und #3), trägt diese Arbeit zur ersten Herausforderung bei, relevante Ereignisdaten zu finden, zu extrahieren und vorzuverarbeiten. In Bezug auf die zweite Herausforderung, Process Mining auf eine Multiprozess-Perspektive anzuwenden, stellt diese Arbeit Ansätze für eine log-gesteuerte Priorisierung von miteinander verbundenen Geschäftsprozessen vor (Forschungsbeiträge #4 und #5). Da die vorgestellten Methoden zur Prozesspriorisierung auf Vorhersagen der zukünftigen Performancekennzahlen von Prozessen aufbauen, tragen sie auch zur dritten Herausforderung bei, der Bereitstellung zukunftsorientierter, operativer Unterstützung für Prozessmanager. Dabei sind genaue Vorhersagen basierend auf einer zunehmenden Menge an verfügbaren Daten der Schlüssel zur Entwicklung von prädiktiven und präskriptiven Process Mining-Ansätzen. Daher wird in dieser Arbeit abschließend betrachtet, wie die prädiktive Prozessmonitoring vom vielversprechenden Trend des Deep Learning profitieren kann (Forschungbeitrag #6).