URN to cite this document: urn:nbn:de:bvb:703-epub-6418-4
Title data
van Dun, Christopher:
Data-Driven Business Process Management: Advancing Process Data Quality and Process Improvement.
Bayreuth
,
2022
. - 59 P.
(
Doctoral thesis,
2022
, University of Bayreuth, Faculty of Law, Business and Economics)
|
|||||||||
Download (1MB)
|
Abstract
Business processes are at the core of every organisation’s effort to deliver services and products to customers and, thus, achieve the organisation’s goals. The discipline that deals with the design, analysis, execution, and improvement of such business processes is called business process management (BPM). Over the years, the BPM research discipline has created a large number of methods and tools to support practitioners in managing and improving their business processes. In recent years, the increasing abundance of process data available in organisational information systems and simultaneous progress in computational performance have paved the way for a new class of so-called data-driven BPM methods and tools, the most prominent of them being process mining. This cumulative doctoral thesis concentrates on two challenges related to data-driven BPM methods and tools that impede faster and more widespread adoption. First, while data-driven methods and tools have found quick adoption in BPM lifecycle phases such as process discovery and process monitoring, the lifecycle phase of process improvement has so far been neglected. However, process improvement is considered to be the most value-adding BPM lifecycle phase since it is the necessary step to address existing issues in as-is processes or to adapt these processes to constantly changing environments and customer needs and expectations. Process improvement is often expensive, time-consuming, and labour-intensive, which is why there is a particular need to support process stakeholders in redesigning their processes. Second, there is a need for high-quality process data in all phases of the BPM lifecycle. In practice, process data, e.g., in the form of event logs for process mining, is often far from the desired quality and process analysts spend the majority of their time on identifying, assessing, and remedying data quality issues. Thus, in the BPM community, the interest in exploring the roots of data quality problems and the related assurance of high-quality process data is rising. Hence, it is essential to have a means for detecting and quantifying process data quality. Against this backdrop, this cumulative doctoral thesis comprises five research articles that present advances in process data quality management on the one hand and data-driven process improvement on the other hand. Taking on a design-oriented research paradigm and applying different qualitative and quantitative research methods, this thesis proposes several IT-enabled artifacts that support stakeholders in managing process data quality and improving business processes. The insights contained in this thesis are relevant for academia and practice as they provide both scientific perspectives and practical guidance. Concerning process data quality management, research article #1 presents an approach for (semi-) automated and quality-informed event log extraction from process-agnostic relational databases. It applies metrics for data quality dimensions that are relevant to process mining in order to quantify the data quality of the source data in selected database tables and simultaneously allows users to extract event logs in XES format from the database tables. Research article #2 presents an approach for detecting and quantifying timestamp data quality issues in events logs already present in XES format. The approach applies metrics for identifying timestamp imperfection patterns and allows users to interactively filter, repair, and annotate the event log. Furthermore, this thesis provides several concrete approaches to data-driven business process improvement. First, it focuses on process improvement in itself and aims to create artifacts for supporting process improvement initiatives. Therefore, research article #3 provides a model based on generative adversarial networks to create new process designs. Specifically, it uses event logs and annotated information on process variants and process deviance to generate a new process model which provides suggestions for process improvement to the user. Second, this thesis targets data-driven decision support in business processes. In particular, research article #4 uses multi-criteria decision analysis to extend traditional vehicle routing problems in last-mile delivery with a customer-centric perspective. The customer-centric vehicle routing uses process and customer data and the concept of customer lifetime values to predict customer satisfaction and, thus, optimise delivery routes. Finally, research article #5 presents a modelling approach for IT availability risks in smart factory networks based on Petri nets. The modelling approach uses modular components of information systems and production machines to model, simulate, and analyse production processes. The thesis concludes by pointing to limitations of the presented research articles as well as directions for future research. Overall, this thesis contributes to several important research streams in BPM while applying a broad range of qualitative and quantitative research methods such as simulation, normative analytical modelling, multi-criteria decision analysis, and interview studies within an overarching design science research paradigm. It builds upon and extends existing research on process data quality management and business process improvement.
Abstract in another language
Geschäftsprozesse stehen im Mittelpunkt der Bemühungen eines jeden Unternehmens, seinen Kunden Dienstleistungen und Produkte zu liefern und damit die Ziele des Unternehmens zu erreichen. Die Disziplin, die sich mit der Gestaltung, Analyse, Ausführung und Verbesserung solcher Geschäftsprozesse befasst, wird als Business Process Management (BPM) bezeichnet. Im Laufe der Jahre hat die BPM-Forschung eine Vielzahl von Methoden und Werkzeugen entwickelt, die Praktiker bei der Verwaltung und Verbesserung ihrer Geschäftsprozesse unterstützen. In den letzten Jahren haben die zunehmende Fülle von Prozessdaten, die in organisatorischen Informationssystemen verfügbar sind, und die gleichzeitigen Fortschritte in der Rechenleistung den Weg für eine neue Klasse von sogenannten datengetriebenen BPM-Methoden und -Werkzeugen geebnet, von denen das Process Mining das bekannteste ist. Diese kumulative Dissertation konzentriert sich auf zwei Herausforderungen im Zusammenhang mit datengetriebenen BPM-Methoden und -Werkzeugen, die einer schnelleren und breiteren Einführung in der Praxis bisher im Wege stehen. Erstens haben sich datengetriebene Methoden und Werkzeuge in den BPM-Lebenszyklusphasen, wie z.B. Process Discovery und Process Monitoring, schnell durchgesetzt, während die Lebenszyklusphase der Prozessverbesserung bisher vernachlässigt wurde. Die Prozessverbesserung gilt jedoch als die wertschöpfendste Phase im BPM-Lebenszyklus, da sie der notwendige Schritt ist, um bestehende Probleme in Ist-Prozessen zu beheben oder diese Prozesse an sich ständig ändernde Kundenbedürfnisse und -erwartungen anzupassen. Prozessverbesserungen sind oft teuer, zeitaufwändig und arbeitsintensiv, weshalb es besonders wichtig ist, die Prozessverantwortlichen bei der Neugestaltung ihrer Prozesse zu unterstützen. Zweitens besteht ein Bedarf an qualitativ hochwertigen Prozessdaten in allen Phasen des BPM-Lebenszyklus. In der Praxis sind Prozessdaten, z. B. in Form von Ereignisprotokollen für das Process Mining, oft weit von der gewünschten Qualität entfernt, und Prozessanalysten verbringen den Großteil ihrer Zeit damit, Datenqualitätsprobleme zu identifizieren, zu bewerten und zu beheben. In der BPM-Forschung steigt daher das Interesse an der Erforschung der Ursachen von Datenqualitätsproblemen und der damit verbundenen Sicherstellung hochwertiger Prozessdaten. Unter anderem ist es unabdingbar, über Mittel und Wege zur Erkennung und Quantifizierung von Prozessdatenqualität zu verfügen. Vor diesem Hintergrund umfasst diese kumulative Dissertation fünf Forschungsartikel, die Fortschritte im Prozessdatenqualitätsmanagement einerseits und in der datengetriebenen Prozessverbesserung andererseits vorstellen. Ausgehend von einem designorientierten Forschungsparadigma und unter Anwendung verschiedener qualitativer und quantitativer Forschungsmethoden werden in dieser Arbeit mehrere IT-gestützte Artefakte vorgeschlagen, die Praktiker beim Management der Prozessdatenqualität und bei der Verbesserung von Geschäftsprozessen unterstützen. Die in dieser Arbeit gewonnenen Erkenntnisse sind sowohl für die Wissenschaft als auch für die Praxis relevant, da sie sowohl wissenschaftliche Perspektiven als auch praktische Anleitungen bieten. Im Hinblick auf das Qualitätsmanagement von Prozessdaten wird in Forschungsartikel #1 ein Ansatz für die (halb-)automatisierte und qualitätsbezogene Extraktion von Ereignisprotokollen aus prozessagnostischen relationalen Datenbanken vorgestellt. Der Ansatz wendet Metriken für Datenqualitätsdimensionen an, die für das Process Mining relevant sind, um die Datenqualität der Quelldaten in ausgewählten Datenbanktabellen zu quantifizieren, und ermöglicht dem Benutzer gleichzeitig, Ereignisprotokolle im XES-Format aus den Datenbanktabellen zu extrahieren. Forschungsartikel #2 stellt einen Ansatz zur Erkennung und Quantifizierung von Zeitstempel-Datenqualitätsproblemen in Ereignisprotokollen vor, die bereits im XES-Format vorliegen. Der Ansatz wendet Metriken zur Identifizierung von Zeitstempel-Qualitätsproblemen an und ermöglicht es den Benutzern, die Ereignisprotokolle interaktiv zu filtern, zu reparieren und mit Anmerkungen zu versehen. Darüber hinaus bietet diese Arbeit mehrere konkrete Ansätze zur datengetriebenen Verbesserung von Geschäftsprozessen. Erstens konzentriert sie sich auf die Prozessverbesserung an sich und zielt darauf ab, Artefakte zur Unterstützung von Prozessverbesserungsinitiativen zu schaffen. Daher bietet Forschungsartikel #3 ein Modell, das auf sogenannten Generative Adversarial Networks basiert, um neue Prozessdesigns zu erstellen. Konkret werden Ereignisprotokolle und annotierte Informationen über Prozessvarianten und Prozessabweichungen verwendet, um ein neues Prozessmodell zu erstellen, das dem Benutzer als Inspiration für Prozessverbesserungen dient. Zweitens zielt diese Arbeit auf die datengetriebene Entscheidungsunterstützung in Geschäftsprozessen ab. Forschungsartikel #4 nutzt multikriterielle Entscheidungsanalyse, um traditionelle Vehicle Routing Problems bei der Zustellung auf der letzten Meile um eine kundenzentrierte Perspektive zu erweitern. Das kundenzentrierte Vehicle Routing nutzt Prozess- und Kundendaten sowie das Konzept des Customer Lifetime Value, um die Kundenzufriedenheit vorherzusagen und so die Lieferrouten zu optimieren. Forschungsbeitrag #5 schließlich stellt einen Modellierungsansatz für IT-Verfügbarkeitsrisiken in intelligenten Fabriknetzwerken auf der Grundlage von Petri-Netzen vor. Der Modellierungsansatz nutzt modulare Komponenten von Informationssystemen und Produktionsmaschinen zur Modellierung, Simulation und Analyse von Produktionsprozessen. Die Dissertation schließt mit Hinweisen auf die Grenzen der vorgestellten Forschungsartikel sowie auf zukünftige Forschungsrichtungen. Insgesamt leistet diese Arbeit einen Beitrag zu mehreren wichtigen Forschungsrichtungen im Bereich BPM und wendet dabei ein breites Spektrum an qualitativen und quantitativen Forschungsmethoden wie Simulation, normative analytische Modellierung, multikriterielle Entscheidungsanalyse und Interviewstudien innerhalb des übergreifenden Forschungsparadigmas Design Science Research an. Die Arbeit baut auf bestehenden Forschungsarbeiten zum Qualitätsmanagement von Prozessdaten und zur Verbesserung von Geschäftsprozessen auf und erweitert diese.