Towards Process Excellence : Advancing Data-Driven Process Improvement, Innovation, and Monitoring

Titelangaben

Moder, Linda:
Towards Process Excellence : Advancing Data-Driven Process Improvement, Innovation, and Monitoring.
Bayreuth , 2024 . - 74 S.
( Dissertation, 2024 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)

Volltext

	Format: PDF Name: Dissertation_LindaModer.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Deutsches Urheberrechtsgesetz. Das Dokument darf zum eigenen Gebrauch kostenfrei genutzt werden. Darüber hinaus bedürfen die Vervielfältigung, Bearbeitung, Verbreitung und jede Art der Verwertung der schriftlichen Zustimmung des jeweiligen Rechteinhabers.
	Download (2MB)

Abstract

Organizations depend on their ability to rapidly adapt their business processes, through both process improvement and innovation at design time and process monitoring at run time. Technological progress provides means to overcome the challenges involved, leading to a paradigm shift towards data-driven business process management (BPM). To harness the potential of available data and processing algorithms, research must overcome several challenges: First, process data quality is often severely lacking, and process analysis is complicated through the complexity of process data. Second, there is a lack of guidance to develop computational support for process improvement and innovation at design time, so-called process improvement and innovation systems, which support human process designers by (semi-)automating the (re-)design of processes. Third, process monitoring is restricted as prescriptive approaches do not comprehensively consider performance dimensions and are mostly limited to only one organization’s process data. Hence, this thesis addresses the research question of how to advance data-driven process improvement, innovation, and monitoring. To that end, it comprises seven research articles, following the design science research paradigm with a focus on predominantly technical research outcomes: It is dedicated to the design, development, and evaluation of specific data-driven approaches to computationally foster process excellence in three focal areas. First, the thesis extends research on prerequisites. Research Paper 1 proposes a method for automatically repairing identical timestamp errors in event logs using Generative Adversarial Networks to increase data quality. To address the lack of further tool support for interactive process exploration, Research Paper 2 presents an approach for group-based process analysis based on visual analytics. Second, this thesis targets the design and development of process improvement and innovation systems. Research Paper 3 proposes a method to support the creation of process improvement ideas based on Generative Adversarial Networks. Research Paper 4 presents a taxonomy of how process improvement and innovation systems create improved process designs and describes corresponding archetypes based on a state-of-the-art analysis. Research Paper 5 proposes a set of general design principles for process improvement and innovation systems. Third, this thesis focuses on advancements in prescriptive process monitoring. Research Paper 6 presents a method for prescriptive process monitoring in the context of energy flexibility. Research Paper 7 investigates how barriers to sharing process insights can be reduced by proposing a data-sovereign method for interorganizational prescriptive process monitoring based on federated learning. In summary, this thesis contributes to design knowledge in three important research areas in data-driven BPM on a technical level, both descriptively and prescriptively. The included research artifacts provide concrete solutions for establishing prerequisites and computationally fostering process excellence through data-driven process improvement, innovation, and monitoring. The contributions not only advance the theoretical understanding, facilitating future research, but also offer tangible benefits for organizations seeking to leverage process data and automation for competitive advantage.

Abstract in weiterer Sprache

Unternehmen sind auf die Fähigkeit angewiesen, ihre Geschäftsprozesse schnell anzupassen, und zwar sowohl durch Prozessverbesserung und -innovation während des Prozessdesigns als auch durch Prozessüberwachung zur Prozesslaufzeit. Der technologische Fortschritt bietet Mittel zur Bewältigung der damit verbundenen Herausforderungen und führt zu einem Paradigmenwechsel hin zum datengetriebenen Geschäftsprozessmanagement . Um das Potenzial verfügbarer Daten und Verarbeitungsalgorithmen nutzen zu können, muss die Forschung mehrere Herausforderungen bewältigen: Erstens ist die Qualität der Prozessdaten oft sehr mangelhaft und die Prozessanalyse wird durch die Komplexität der Prozessdaten erschwert. Zweitens fehlt es an Wissen zur Entwicklung technischer Systeme für Prozessverbesserung und -innovation, sogenannte Prozessverbesserungs- und -innovationssysteme, die menschliche Prozessdesigner durch (semi-)automatisiertes (Re-)Design von Prozessen unterstützen. Drittens ist das Prozessmonitoring eingeschränkt, da präskriptive Ansätze verschiedene Performance-Dimensionen nicht umfassend berücksichtigen und meist nur auf die Prozessdaten einer Organisation beschränkt sind. Die vorliegende Arbeit befasst sich daher mit der Frage, wie datengetriebene Prozessverbesserung, -innovation und -monitoring gefördert werden können. Zu diesem Zweck umfasst sie sieben Forschungsartikel, die dem gestaltungsorientierten Forschungsparadigma folgen, wobei der Schwerpunkt auf vorwiegend technischen Forschungsergebnissen liegt: Die Arbeit widmet sich dem Design, der Entwicklung und der Evaluierung spezifischer datengetriebener Ansätze zur technischen Unterstützung von Prozessexzellenz in drei Schwerpunktbereichen. Erstens erweitert die Arbeit die Forschung zu notwendigen Voraussetzungen. Forschungspapier 1 schlägt eine Methode zur automatischen Reparatur von Zeitstempelfehlern in Eventlogs unter Verwendung von Generative Adversarial Networks vor, um die Datenqualität zu erhöhen. Um den Mangel an weiterer Unterstützung für die interaktive Prozessexploration zu beheben, stellt Forschungspapier 2 einen Ansatz für die prozessgruppenbasierte Prozessanalyse auf der Grundlage von Visual Analytics vor. Zweitens zielt diese Arbeit auf Design und Entwicklung von Prozessverbesserungs- und -innovationssystemen ab. Forschungspapier 3 schlägt eine technische Methode zur Entwicklung von Prozessverbesserungsideen auf der Basis von Generative Adversarial Networks vor. Forschungspapier 4 stellt eine Taxonomie vor, wie Prozessverbesserungs- und -innovationssysteme verbesserte Prozessdesigns schaffen und beschreibt entsprechende Archetypen auf der Grundlage einer State-of-the-Art-Analyse. In Forschungspapier 5 wird eine Reihe allgemeiner Gestaltungsprinzipien für Prozessverbesserungs- und -innovationssysteme vorgeschlagen. Drittens befasst sich diese Arbeit mit Fortschritten bei präskriptivem Prozessmonitoring. In Forschungspapier 6 wird eine Methode zur präskriptiven Prozessüberwachung im Kontext der Energieflexibilität vorgestellt. Forschungspapier 7 untersucht, wie Barrieren für die gemeinsame Nutzung von Prozessdaten abgebaut werden können, indem eine datensouveräne Methode für die interorganisationales, präskriptives Prozessmonitoring auf der Grundlage von Federated Learning vorgeschlagen wird. Zusammenfassend trägt die vorliegende Arbeit in drei wichtigen Forschungsbereichen des datengetriebenen Prozessmanagements auf technischer Ebene sowohl deskriptiv als auch präskriptiv zum Designwissen beiträgt. Die enthaltenen Forschungsartefakte bieten konkrete Lösungen für die Schaffung notwendiger Voraussetzungen und die technische Unterstützung von Prozessexzellenz durch datengetriebene Prozessverbesserung, -innovation und -monitoring. Die Beiträge fördern nicht nur das theoretische Verständnis und erleichtern künftige Forschung, sondern bieten auch greifbare Vorteile für Unternehmen, die Prozessdaten und Automatisierung als Wettbewerbsvorteil nutzen wollen.