Vorlesung 6 - Process Mining

Datenanalyse zur

• Erstellung von Geschäftsprozessen

• Überprüfung von Geschäftsprozessen

• Erweiterung von Geschäftsprozessen

Event-Log

Eine Logdatei -> ein Prozess -> viele Prozessinstanzen (Fälle) -> viele Aktivitäten

Aktivitäten meist chronologisch geordnet, besitzen Attribute wie

• Kosten

• Bezeichnung

• ausführende Ressource

• Zeitstempel

Log: repräsentiert Prozess

Trace: repräsentiert einen Fall/Instanz

Event: repräsentiert Aktivität

Discovery

• Aus Event Log Geschäftsprozessmodell ableiten

• Es gibt verschiedene Synthesealgorithmen mit denen dies möglich ist

Passendes Modell erzeugen

• Ist ein Synthese-Algorithmus

• Wird genutzt um Geschäftsprozessmodelle zu erkennen

• Schritte

1. Sequenzen erstelen

2. Footprint Matrix ableiten

3. Kontrollmuster ableiten

4. Petrinetz ableiten

1. Aus Event Log Sequenzen ableiten: Mit a>b aufschreiben welche Aktivitäten direkt aufeinander Folgen

Regeln:

• A > B (Direkte Nachfolge): gdw. in einem Fall B direkt auf A folgt.

• A → B (Kausalität): gdw. stets nur A>B und niemals B>A beobachtet wird

• A || B (Nebenläufigkeit): gdw. sowohl A>B als auch B>A beobachtet wird.

• A # B (Auswahl): gdw. weder A>B als auch B>A beobachtet wird.

Kontrollflussmuster aus vorherigem Schritt zusammenfügen Lücken auffüllen durch “puzzlen”

Vorraussetzungen

• Anforderung an Event Log sind erfüllt

• Activity Completeness: Jede Aktivität des Prozesses taucht mindestens einmal auf

• Behavioral Completeness: Falls eine Aktivität B auf A folgt taucht dies mindestens einmal im Log auf

Herausforderungen

• Rauschen: falsch aufgezeichnete Aktivität oder Abweichung

• Duplizierte Aktivität oder Schleifen

• Häufigkeiten nicht miteinbezogen

• Abbildung von Häufigkeiten bei Ermittlung der Ordnungsbeziehungen

• Anwendung verschiedener Heuristiken bei Erstellung des Kontrollflusses

• Vergleichsweise unempfindlich gegenüber Noise und Uncompleteness

• Entdeckung von Causal Nets

• Inspieriert von Natur

• Zufällige Erstellung /entweder komplett random oder durch Synthesealgorithmen) von Prozessmodellen als mögliche Kandidaten für endgültiges Modell

• Berechnung der „Fitness“ des Modells in Bezug auf das Event Log

• Veränderung der Lösungen durch genetische Operatoren (Crossover, Mutation) und so schrittweise Annäherung an ein Prozessmodell mit der höchsten Fitness

• Wenn Abbruchkriterium erreicht Modell mit höchster Fitness auswählen

• Erlaubt „Zoomen“ im Modell für bessere Übersicht der häufig genutzten Pfade oder der häufig auftretenden Aktivitäten

• Kantenstärke steigt mit Häufigkeit der Anzahl an Fällen, in denen diese Kanten traversiert werden

• Gut geeignet für komplexe, wenig strukturierte Prozesse

• Soziale Netzwerke auf Basis von Metriken

• Zusammenarbeit (welche Mitarbeiter arbeiten gemeinsam an Fällen?)

• Ähnliche Aufgaben (welche Mitarbeiter führen ähnliche Aufgaben aus?)

• Übergabe von Arbeit (welcher Mitarbeiter führt Folgeaktivitäten aus?)

Conformance Checking

• Vergleich von Event Log und Prozessmodellen* mittels Conformance Checking dient der Ableitung eines Maßes zur Übereinstimmung

• Aufteilbar in:

  • Normatives Prozessodell (soll-Modell) schreibt vor wie ein Prozess ausgeführt werden soll z.B. durch gesetzliche Vorgaben durch Messung können Abweichungen erkannt werden -> Hier sehr hohe Fitness wichtig

  • Deskriptives Prozessmodell (Ist-Modell) beschreibt wie Prozess ausgeführt wird, wird durch beispielsweise Discovery gewonnen, durch Conformance checking wird Qualität von GPM geprüft -> höhere Fitness besser aber nicht so wichtig wie bei Normativ

• Fall passt oder passt nicht

• Anteil an Fällen die funktionieren aus Log ausrechenen

• Problem: Fall kann theoretisch zu 99% richtig oder zu 1% richtig ausgeführt werden Fall ebene unterscheidet dies nicht (beides schlägt fehl)

• berücksichtigt zu welchem Anteil Fälle ausgeführt werden können

• Ermittlung:

1. Abspielen von Petrinetz, dabei notieren der folgenden Werte MCRP (merken: McRib):

   1. missing: falls ein Token für aktivierung von Transaktion fehlt

   2. consumed: Wenn Transaktion schlatet und dadurch Token “verbraucht” werden

   3. remaining: übriggebliebene Token am Ende des Durchlaufs

   4. produced: Token die durch Transaktionen erzeugt werden

2. In folgenden Formel einsetzen

Wenn mehrere Fälle, Gewichtung beachten, wenn unklar meldet euch bei Moritz ist schwierig zu erklären haha

Enhancement

• Ergänzen eines Prozessmodells um weitere Informationen

• Beispiel

  • Ergänzen durch Häufigkeit des Betretens der verschiedenen Pfade im Modell, ausgedrückt durch Kantenbeschriftung sowie Stärke der Kanten

• Decision Mining: Erkennen aus welchen Gründen Prozessmodell in bestimmte Richtung verzweigt

Klassisches Data Mining = reine Datensicht, keine Prozessbewusstheit