Semantics-aware event data transformation for process mining

PDF
dissertation_rebmann_adrian.pdf - Veröffentlichte Version
Download (3MB)

URN:	urn:nbn:de:bsz:180-madoc-673227
Dokumenttyp:	Dissertation
Erscheinungsjahr:	2024
Ort der Veröffentlichung:	Mannheim
Hochschule:	Universität Mannheim
Gutachter:	van der Aa, Han
Datum der mündl. Prüfung:	11 Juni 2024
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Artificial Intelligence Methods (Juniorprofessur) (van der Aa 2020-2023)
Fachgebiet:	004 Informatik
Freie Schlagwörter (Englisch):	process mining , event data transformation
Abstract:	Process mining comprises methods to analyze organizational processes based on event data recorded by information systems during process execution. These methods generate actionable insights into how processes are truly executed and thereby support their improvement. However, the characteristics of event data that is available in organizations often differs from the data needs of process mining analyses. Specifically, unavailable data limits process analysis options, overly fine-granular data leads to uninformative process mining results, and inaccurate data even leads to incorrect results that do not mirror reality. These problems severely impact the opportunities and outcomes of process mining analyses. The goal of this doctoral thesis is to support organizations in overcoming these problems so that they can analyze their processes effectively using the event data available to them. Its main contributions are five approaches that automatically transform event data so that its characteristics satisfy the data needs of particular process analysis purposes. Specifically, we propose approaches to (1) annotate event data with semantic components to enable semantics-aware process analysis, (2) abstract fine-granular event data while adhering to user-defined requirements to enable purpose-driven process analysis, (3) transform user interaction data to task-level events to enable process analysis, (4) extract object-related information from event data to enable object-centric process analysis, and (5) detect best-practice violations in event data to provide insights into data-quality and conformance issues. The common driver of these approaches is the consideration of the semantics, i.e., the meaning, of events. We demonstrate the efficacy of the proposed approaches through quantitative evaluations using data obtained in real-world settings. Furthermore, we present application scenarios that underscore the usefulness of our approaches and highlight the analysis opportunities they enable for organizations.
Übersetzung des Abstracts:	Process Mining umfasst Methoden zur Analyse von Unternehmensprozessen auf der Grundlage von Ereignisdaten, die von Informationssystemen während der Prozessausführung aufgezeichnet werden. Diese Methoden liefern Erkenntnisse darüber, wie die Prozesse tatsächlich ausgeführt werden und unterstützen damit die Prozessverbesserung. Die Eigenschaften verfügbarer Ereignisdaten unterscheiden sich jedoch häufig von den Anforderungen von Process-Mining-Methoden. Insbesondere schränken nicht verfügbare Daten die Möglichkeiten der Prozessanalyse ein, zu feingranulare Daten führen zu wenig aussagekräftigen Ergebnissen und ungenaue Daten führen sogar zu falschen Ergebnissen, die die Realität nicht widerspiegeln. Diese Probleme beeinträchtigen die Analysemöglichkeiten und -ergebnisse erheblich. Ziel dieser Dissertation ist es, Unternehmen bei der Überwindung dieser Probleme zu unterstützen, damit sie ihre Prozesse mit den Ereignisdaten, die ihnen zur Verfügung stehen, effektiv analysieren kön- nen. Der Forschungbeitrag besteht aus fünf Ansätzen, die Ereignisdaten automatisiert transformieren, um so die Lücke zwischen den Dateneigenschaften und den Datenanforderungen bestimmter Prozessanalysen zu schließen. Konkret schlagen wir Ansätze vor, um (1) Ereignisdaten mit semantischen Komponenten zu annotieren, die semantische Prozessanalysen ermöglichen, (2) feingranulare Ereignisdaten zu abstrahieren und dabei benutzerdefinierte Anforderungen einzuhalten, um zielgerichtete Prozessanalysen zu ermöglichen, (3) Benutzerinteraktionen zu Prozessereignissen zu abstrahieren, die Analysen auf Prozessebene ermöglichen, (4) Informationen über einzelne Objekte und deren Beziehungen aus Ereignisdaten zu extrahieren, um objektzentrierte Prozessanalysen zu ermöglichen und (5) Best-Practice-Verstöße in Ereignisdaten zu erkennen, die Einblicke in die Datenqualität und Konformitätsprobleme geben. Diese Ansätze haben gemein, dass sie die Semantik, d.h. die Bedeutung, von Ereignissen berücksichtigen. Wir zeigen die Wirksamkeit unserer Ansätze durch quantitative Evaluationen anhand von realen Ereignisdaten. Darüber hinaus stellen wir Anwendungsszenarien vor, die den Nutzen und die praktische Relevanz der Ansätze, sowie die damit verbundenen Analysemöglichkeiten für Unternehmen demonstrieren. (Deutsch)