Lehrstuhl für Process and Data Science

  Bücher über Process Mining und im Hintergrund zwei Monitore Wil van der Aalst  

Willkommen

Die Process and Data Science Gruppe, angeführt von Prof. Wil van der Aalst ist eine der Forschungsgruppen innerhalb der Fachgruppe Informatik der RWTH Aachen. Der Anwendungsbereich von PADS umfasst alle Aktivitäten in denen diskrete Prozesse analysiert, überarbeitet und/oder in einer datengesteuerten Art und Weise unterstützt werden. Prozesszentrierung wird kombiniert mit einer großen Anzahl von Data Science Techniken.

Die Forschungs- und Lehraktivitäten der Gruppe können mit folgenden Stichworten beschrieben werden: Data Science, Process Science, Process Mining, Geschäftsprozessmanagement, Data Mining, Prozesserkennung, Konformitätsprüfung und Simulation.

Die Gruppe wurde im Rahmen der Alexander von Humboldt Professur mit der Prof. Wil van der Aalst 2017 ausgezeichnet wurde gegründet. Diese Auszeichnung ist Deutschlands renommiertester und höchstdotiertester Preis für internationale Forscher.

Die PADS Gruppe unterstützt die Strategie der RWTH für die weitere Stärkung ihrer Data Science Kompetenzen. Die Gruppe arbeitet ebenfalls eng mit dem Fraunhofer Institut für Angewandte Informationstechnik (FIT) zusammen.

Der aktuelle Forschungsfokus liegt momentan beim Process Mining einschließlich Process Discovery, Konformitätsprüfung, Leistungsanalyse, Prognoseanalyse, operative Unterstützung und Prozessverbesserung. Dieses wird kombiniert mit Nachbardisziplinen wie Unternehmensforschung, Algorithmen, diskrete Verhaltenssimulation, Geschäftsprozessmanagement und Workflow-Automatisierung.

Hauptforschungsthemen von Interesse sind

  • Grundlagen des Process Mining. Dies beinhaltet die Schlüsselfähigkeiten zur Entdeckung verschiedener Typen von Prozessmodellen aus Ereignisdaten. Diese Prozessmodelle können zeitliche, natürliche und datenabhängige Perspektiven beinhalten. Es sollte eine kontinuierliche Interaktion zwischen Ereignisdaten und Prozessmodellen geben, um Konformitätsprüfung, Leistungsanalyse und Vorhersage zu ermöglichen. In dem relativ jungen Gebiet des Process Mining gibt es noch immer viele ungelöste Probleme die Spitzenforschung erfordern.
  • Umgang mit umfangreichen, verteilten, fließenden, unbestimmten Ereignisdaten. Die Fülle von Ereignisdaten ermöglicht eine Reihe von Data Science Techniken (Datenwissenschaftstechniken). Der Umfang, die Geschwindigkeit und die Vielfalt von Daten schaffen jedoch neue Herausforderungen. Darüber hinaus können Daten unklar sein, schwierig zu extrahieren und zu verarbeiten.
  • Automatische und einsatzbereite Prozessverbesserungum Techniken zu erstellen, die datengesteuerte einsatzbereite Prozesse automatisch verbessern. Hierfür ist es notwenig, vollständig und gewissenhaft „Ist-Modelle“ zu verstehen und deren Leistungseigenschaften. Mit Hilfe von Fachwissen ist es möglich „Soll-Modelle“ zu generieren. Daraus lassen sich Ziele und Bedingungen ableiten. Potenzielle Kandidatenmodelle lassen sich durch Methoden des Operation Resarch evaluieren.
  • Verantwortungsvolles Process Mining. Heutzutage werden Daten überall, ständig und mit Hilfe sämtlicher technischer Vorrichtungen gesammelt. In Zeiten des Datenschutzes existieren berechtigte Zweifel bezüglich der verantwortungsvollen Nutzung . Wissenschaftliche Erkenntnisse sind notwendig um akkurate, vertrauliche, transparente und gewissenhafte Schlüsse aus den analysierten Daten zu ziehen. Diese Herausforderungen betreffen ebenfalls das Process Mining. Eine der Fragenstellungen ist, wie ist es möglich Process Mining mit sensiblen Daten zu betreiben ohne dabei unfaire Schlussfolgerungen zu ziehen.