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
Zielsetzung und Themenschwerpunkte
Diese Arbeit untersucht ein Ereignis-Logdatenset eines Workflowmanagementsystems zur Kreditbearbeitung mittels Process Mining. Der Fokus liegt auf der Prozesserkennung (Discovery) aus Prozessperspektive, um ein umfassendes Modell für weitere Analysen (z.B. Conformance Checking, Engpassanalyse, Optimierung) zu erstellen. Analysen zu Durchlaufzeiten, Arbeitsverteilung und Prozessperformance werden durchgeführt, inklusive eines Clusterings zur Identifizierung typischer Auftragsmuster.
- Anwendung von Process Mining zur Analyse von Geschäftsprozessen
- Vergleich verschiedener Process Mining Algorithmen (Heuristics Miner, Alpha-Algorithmus)
- Bewertung der Prozessmodellqualität anhand von Kriterien wie Fitness und Precision
- Herausforderungen bei der Prozessmodellierung aufgrund unvollständiger und verrauschter Daten
- Analyse von Durchlaufzeiten, Arbeitsverteilung und Prozessperformance
Zusammenfassung der Kapitel
1 Einleitung: Dieses einleitende Kapitel beschreibt den Kontext des Process Mining und die zunehmende Verknüpfung operativer Prozesse mit Informationssystemen. Es wird das Ziel der Arbeit definiert: die Untersuchung eines Ereignis-Logdatensets zur Kreditbearbeitung mittels Process Mining, fokussiert auf die Prozesserkennung. Die Bedeutung des daraus resultierenden Prozessmodells als Grundlage für weitere Analysen wie Conformance Checking und Prozessoptimierung wird hervorgehoben. Die Zielsetzung ist die Erstellung eines detaillierten Prozessmodells, das ein umfassendes Spektrum an Informationen für weitere Analysen bietet.
2 Grundlagen des Process Mining: Dieses Kapitel erläutert die grundlegenden Prinzipien des Process Mining. Es beschreibt den Prozess der Erstellung von Prozessmodellen aus prozessbezogenen Ereignis-Logdaten, die von Informationssystemen aufgezeichnet werden. Die Software ProM und Disco werden als Werkzeuge vorgestellt, wobei der Fokus auf der Prozessperspektive liegt, die den Kontrollfluss und die Ordnung der Aktivitäten im Prozess betrachtet. Das Kapitel betont den deskriptiven Charakter der erzeugten Prozessmodelle, welche die Realität abbilden.
3 Process Mining aus der Prozessperspektive zur Erstellung des Prozessmodells: Dieses Kapitel beschreibt den praktischen Einsatz von Process Mining zur Erstellung eines Prozessmodells für die Kreditbearbeitung. Es werden zunächst statistische Kennzahlen des Ereignis-Logs präsentiert (Anzahl der Prozessinstanzen, Ereignisse und Aktivitäten). Die Herausforderungen durch unvollständige (Completeness) und verrauschte (Noise) Daten werden angesprochen. Der Heuristics Miner wird als geeigneter Algorithmus ausgewählt, da er robuster gegenüber diesen Problemen ist als deterministische Ansätze wie der Alpha-Algorithmus. Die Anwendung des Heuristics Miners in ProM, inklusive der Anwendung von Filtern, wird detailliert beschrieben. Die Ergebnisse werden mittels des Conformance Checkers validiert und anhand verschiedener Qualitätskriterien (Fitness, Precision, Simplicity, Generalization) bewertet. Die Wahl der optimalen Parametereinstellungen des Heuristics Miners zur Erzeugung eines detaillierten und aussagekräftigen Prozessmodells wird begründet und die Gründe für eine nicht 100%ige Fitness erklärt.
Schlüsselwörter
Process Mining, Ereignis-Logdaten, Prozessmodellierung, ProM, Disco, Heuristics Miner, Prozessperspektive, Fitness, Precision, Kreditbearbeitung, Workflowmanagement, Datenqualität, Algorithmenvergleich, Prozessoptimierung.
Häufig gestellte Fragen (FAQ) zur Arbeit: Process Mining in der Kreditbearbeitung
Was ist der Gegenstand dieser Arbeit?
Diese Arbeit untersucht die Anwendung von Process Mining zur Analyse eines Ereignis-Logdatensets aus einem Workflowmanagementsystem zur Kreditbearbeitung. Der Fokus liegt dabei auf der Erstellung eines umfassenden Prozessmodells aus Prozessperspektive, um weitere Analysen wie Conformance Checking, Engpassanalyse und Optimierung zu ermöglichen.
Welche Methoden wurden angewendet?
Die Arbeit verwendet Process Mining-Techniken, insbesondere den Heuristics Miner in der Software ProM. Es wird ein Vergleich mit deterministischen Ansätzen wie dem Alpha-Algorithmus angedeutet, wobei der Heuristics Miner aufgrund seiner Robustheit gegenüber unvollständigen und verrauschten Daten bevorzugt wird. Zusätzlich werden statistische Kennzahlen des Ereignis-Logs ausgewertet und die Prozessmodellqualität anhand von Kriterien wie Fitness und Precision bewertet.
Welche Ziele wurden verfolgt?
Die Hauptziele der Arbeit sind die Erstellung eines detaillierten Prozessmodells der Kreditbearbeitung auf Basis von Ereignis-Logdaten, die Analyse von Durchlaufzeiten, Arbeitsverteilung und Prozessperformance, sowie die Identifizierung typischer Auftragsmuster mittels Clustering. Die Arbeit untersucht auch die Herausforderungen bei der Prozessmodellierung aufgrund von unvollständigen und verrauschten Daten.
Welche Software wurde verwendet?
Die Arbeit nutzt die Process Mining-Software ProM und erwähnt Disco als weiteres Werkzeug. Der Schwerpunkt liegt jedoch auf der Anwendung von ProM mit dem Heuristics Miner.
Welche Algorithmen wurden verglichen?
Es wird ein Vergleich zwischen dem Heuristics Miner und dem Alpha-Algorithmus angedeutet. Der Heuristics Miner wird als robusterer Algorithmus für die Analyse von realen, oft unvollständigen und verrauschten Daten bevorzugt.
Welche Qualitätskriterien wurden verwendet?
Die Qualität des erzeugten Prozessmodells wird anhand von Kriterien wie Fitness, Precision, Simplicity und Generalization bewertet. Die Arbeit erläutert die Bedeutung und Interpretation dieser Kriterien im Kontext der Ergebnisse.
Wie werden unvollständige und verrauschte Daten behandelt?
Die Arbeit adressiert explizit die Herausforderungen, die durch unvollständige (Completeness) und verrauschte (Noise) Daten entstehen. Der Heuristics Miner wird als geeigneter Algorithmus ausgewählt, da er robuster gegenüber diesen Problemen ist als deterministische Ansätze.
Welche Analysen wurden durchgeführt?
Neben der Erstellung des Prozessmodells werden Analysen zu Durchlaufzeiten, Arbeitsverteilung und Prozessperformance durchgeführt. Ein Clustering wird eingesetzt, um typische Auftragsmuster zu identifizieren.
Welche Schlüsselwörter beschreiben die Arbeit?
Schlüsselwörter sind: Process Mining, Ereignis-Logdaten, Prozessmodellierung, ProM, Disco, Heuristics Miner, Prozessperspektive, Fitness, Precision, Kreditbearbeitung, Workflowmanagement, Datenqualität, Algorithmenvergleich, Prozessoptimierung.
Welche Kapitel umfasst die Arbeit?
Die Arbeit besteht aus einer Einleitung, einem Kapitel zu den Grundlagen des Process Mining, und einem Kapitel zum praktischen Einsatz von Process Mining zur Erstellung eines Prozessmodells für die Kreditbearbeitung. Die Einleitung definiert die Ziele und den Kontext der Arbeit. Das zweite Kapitel erläutert die Grundlagen des Process Mining, während das dritte Kapitel die praktische Anwendung beschreibt, inklusive der Ergebnisse und deren Bewertung.
- 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
