Die Verknüpfung operativer Prozesse mit unterstützenden Informationssystemen nimmt in der heutigen Unternehmenswelt mehr und mehr zu. Das Process Mining verfolgt das Ziel, aus diesen Daten einen Nutzen zu generieren und möglichst viele Informationen über Prozesse zu extrahieren. Dies geschieht, indem das aufgezeichnete Verhalten zu Prozessmodellen zusammengefasst und für vielseitige Analysen und schließlich zur Optimierung der Geschäftsabläufe genutzt werden kann.
Ziel dieser Arbeit ist es, ein vorhandenes Beispielset an Ereignis-Logdaten eines Workflowmanagementsystems für die Bearbeitung von Krediten mit Hilfe des Process Mining zu untersuchen. Dabei beschränkt sich diese Untersuchung auf die Prozesserkennung (Discovery) aus der Prozessperspektive. In der Unternehmenswelt stellt der entdeckte Prozess den Startpunkt für weitere Analysen dar, wie beispielsweise Vergleiche zu bereits bestehenden Prozessmodellen und Finden von Abweichungen (Conformance Checking), Erkennung von Engpässen, Reduzierung von unerwünschten Abweichungspotenzialen, Optimierung von Ressourcenallokationen, Zeitprognosen und Aussprache von Empfehlungen sowie Verbesserung der Prozessabläufe (Enhancement).
Ob ein entdecktes Prozessmodell zweckmäßig ist oder nicht, hängt schlussendlich von der Fragestellung ab, unter welcher das Modell untersucht wird. Das Modell aus der Prozessperspektive möglichst genau zu durchleuchten und ein umfangreiches Spektrum als Grundlage für weitere Analysen zu bieten, stellt für diese Untersuchung somit das Ziel dar. Im Zuge dessen werden Analysen zu Durchlaufzeiten, der Verteilung der Arbeit und der grundlegenden Prozessperformance durchgeführt und darüber hinaus ein Clustering angewendet, um typische Auftragsmuster erkennen zu können.
Inhaltsverzeichnis
1 Einleitung
2 Grundlagen des Process Mining
3 Process Mining aus der Prozessperspektive zur Erstellung des Prozessmodells
3.1 Anwendung des Heuristics Miners in ProM
3.2 Anwendung des Fuzzy Miners in ProM
4 Clustering in Process Mining
4.1 Sequence Clustering
4.2 Sequence Clustering in ProM
4.3 Anwendung Sequence Clustering in ProM
5 Prozessanalyse
6 Schlussfolgerungen
6.1 Limitationen
6.2 Implikationen für die Forschung
Zielsetzung & Themen der Arbeit
Das Hauptziel dieser Arbeit besteht darin, ein vorhandenes Ereignis-Log-Datenset eines Workflowmanagementsystems zur Kreditbearbeitung mithilfe von Process-Mining-Techniken zu untersuchen, um Erkenntnisse über Prozessabläufe, Performance-Engpässe und Kundenauftragsmuster zu gewinnen.
- Analyse und Erstellung von Prozessmodellen mithilfe der Software ProM und Disco.
- Einsatz und Vergleich verschiedener Mining-Algorithmen wie Heuristics Miner und Fuzzy Miner.
- Anwendung von Sequence Clustering zur Identifikation spezifischer Kundenauftragsmuster.
- Untersuchung der Prozessperformance, insbesondere von Durchlaufzeiten und Wartezeiten zwischen Aktivitäten.
- Validierung der Prozessmodelle durch den Conformance Checker zur Identifikation von Abweichungen.
Auszug aus dem Buch
3 Process Mining aus der Prozessperspektive zur Erstellung des Prozessmodells
Um einen Überblick über die Komplexität des Prozesses gewinnen zu können, ist es sinnvoll, sich zu Beginn verschiedene Statistiken über die aufgezeichneten Informationen vor Auge zu führen. Die Ereignis-Logdatei weist 442 Prozessinstanzen, 9.164 Ereignisse (gleichverteilt in Start- und Endereignisse) und 28 verschiedene Aktivitäten auf [Disco: Statistics - Overview; ProM: Log Summary].
Für die Erstellung eines Prozessmodells können mithilfe verschiedener Algorithmen kausale Abhängigkeiten zwischen den einzelnen Aktivitäten in den vorhandenen Ereignis-Logdaten erforscht werden. Jedoch gibt es zwei Schwierigkeiten, die diese Systematik erschweren. Zum einen kann nicht davon ausgegangen werden, dass eine Logdatei alle möglichen Abläufe des Geschäftsprozesses abbildet (Unvollständigkeit der Logdaten bzw. Completeness) (van der Aalst et al., 2007, S. 721). Zum anderen können selten auftretende Abfolgen von Ereignissen in der Ereignis-Logdatei vorkommen. Hierbei kann es sich um von der Norm abweichende Ausnahmen handeln, es können aber auch inkorrekte oder unvollständige Einträge sein (Rauschen bzw. Noise) (de Medeiros, Weijters & van der Aalst, 2007, S. 6).
Wenige Entdeckungs-Algorithmen sind in der Lage, mit diesen Schwierigkeiten umzugehen. Zu ihnen zählen Heuristic Mining, Fuzzy Mining und Genetic Process Mining (van der Aalst, 2011, S. 187). Für die folgende Untersuchung ist diese Fähigkeit jedoch von entscheidendem Interesse, da die bereitgestellte Ereignis-Logdatei vor dem Mining keiner eingehenden Nachprüfung unterzogen wurde und eine Rücksprache mit Beteiligten des Prozesses nicht möglich ist.
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung führt in die Relevanz von Process Mining zur Optimierung von Geschäftsabläufen ein und definiert das Ziel, Krediterfassungsprozesse aus Logdaten zu analysieren.
2 Grundlagen des Process Mining: Dieses Kapitel erläutert die Funktionsweise von Process Mining und stellt die verwendeten Softwarewerkzeuge ProM und Disco vor.
3 Process Mining aus der Prozessperspektive zur Erstellung des Prozessmodells: Hier werden der Heuristics Miner und der Fuzzy Miner angewendet, um Prozessmodelle aus Logdaten zu generieren und ihre Komplexität zu bewerten.
4 Clustering in Process Mining: Das Kapitel befasst sich mit der methodischen Gruppierung von Prozessdaten mittels Sequence Clustering, um Muster in unübersichtlichen Prozessen zu identifizieren.
5 Prozessanalyse: In diesem Teil erfolgt die praktische Analyse der Prozessperformance, insbesondere der Durchlaufzeiten und der Identifikation von Engpässen innerhalb der Kreditbearbeitung.
6 Schlussfolgerungen: Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse, einer Diskussion der methodischen Limitationen und Implikationen für zukünftige Forschungsansätze.
Schlüsselwörter
Process Mining, Disco, ProM, Kreditbearbeitung, Prozessmodellierung, Heuristics Miner, Fuzzy Miner, Sequence Clustering, Prozessperformance, Durchlaufzeiten, Conformance Checking, Prozessoptimierung, Ereignis-Logdaten, Spaghetti-Modell, Geschäftsabläufe.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Anwendung von Process-Mining-Techniken auf reale Logdaten eines Kreditbearbeitungsprozesses, um Geschäftsabläufe transparent zu machen und zu optimieren.
Was sind die zentralen Themenfelder der Arbeit?
Die Schwerpunkte liegen auf der algorithmischen Prozesserkennung (Discovery), der Validierung mittels Konformitätsprüfungen und der Performance-Analyse von Prozessinstanzen.
Was ist das primäre Ziel oder die Forschungsfrage?
Ziel ist es, ein vorhandenes Set an Ereignis-Logdaten zu untersuchen, um Prozessmodelle zu erstellen, Engpässe zu identifizieren und typische Auftragsmuster innerhalb der Kreditbearbeitung aufzudecken.
Welche wissenschaftlichen Methoden werden verwendet?
Zum Einsatz kommen Algorithmen wie der Heuristics Miner, der Fuzzy Miner sowie Verfahren des Sequence Clustering, ergänzt durch Conformance-Checker-Analysen zur Validierung.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil umfasst die detaillierte Modellierung der Prozesse, die Anwendung von Filtern, die Gruppierung von Prozessvarianten und die Analyse von Warte- und Durchlaufzeiten in den betroffenen Abteilungen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich primär über Begriffe wie Process Mining, Workflowmanagement, Sequence Clustering, Prozessperformance und Softwaretools wie ProM und Disco definieren.
Warum wird in dieser Arbeit der Heuristics Miner bevorzugt eingesetzt?
Der Heuristics Miner wird gewählt, da er robust gegenüber unvollständigen Logdaten und Rauschen ist und im Gegensatz zu deterministischen Algorithmen auch Häufigkeiten von Pfaden einbezieht.
Welche Rolle spielt die Abbildung der Prozessvarianten in der Analyse?
Die Abbildung der Varianten ermöglicht es, die häufigsten Abläufe von Sonderfällen zu unterscheiden und gezielt jene Abschnitte zu finden, die den Gesamtprozess durch Wartezeiten verlangsamen.
- Quote paper
- Claudia Hamann (Author), Jelena Marczinzik (Author), 2013, Unterstützenden Informationssystemen in operativen Prozessen. Process Mining mit Disco und ProM, Munich, GRIN Verlag, https://www.grin.com/document/302614
