Business Process Intelligence

Kontakt

Name

Mohammadreza Fani Sani

Wissenschaftlicher Mitarbeiter

Telefon

work
+49 241 80 21908

E-Mail

E-Mail
 

Wil van der Aalst

Mohammadreza Fani Sani

Studienführer Business Process Intelligence (SS 2018)

Der Kurs beginnt am 11. April 2018. Vorlesungen sind Dienstags und Mittwochs von 8:30 bis 10:00 Uhr in 2350 | 314.1 (AH III). Anweisungen sind Freitags von 8:30 bis 10:00 Uhr in 2350 | 314.1 (AH III).

Dozenten

  • Prof. Wil van der Aalst (Vorlesungen)
  • Mohammadreza Fani Sani (Instruktionen & Aufgaben)

Kursinhalt und Motivation

Dieser Kurs beginnt mit einem Überblick über Ansätze und Technologien, die Ereignisdaten zur Unterstützung der Entscheidungsfindung und des Entwurfsprozesses von Geschäftsprozessen verwenden. Anschließend konzentriert sich der Kurs auf Process Mining als Brücke zwischen Data Mining und Geschäftsprozessmodellierung. Business Process Intelligence (BPI) und Process Mining ermöglichen es Ingenieuren, betriebliche Prozesse für eine Vielzahl von Organisationen und Systemen zu verstehen, zu diagnostizieren, zu verbessern und zu rationalisieren. Zum Beispiel für Krankenhäuser, Banken, Hightech-Systeme, Regierungen, elektronische Geschäfte, Transportsysteme, Handelssysteme und so weiter.

Process Mining ist Teil der größeren Data Science Disziplin. Data Science zielt darauf ab, folgende Fragen zu beantworten:

  • Was passierte wirklich? (Entdeckung)
  • Warum ist es passiert? (Ursachenanalyse)
  • Was wird passieren? (Prognose)
  • Was ist das Beste, was passieren kann? (Empfehlung)

Process Mining ist eine grundlegende Technologie, um solche Fragen zu operativen Prozessen in verschiedenen Bereichen zu beantworten. Es besteht eine große Nachfrage nach Ingenieuren, die über die Fähigkeiten und Werkzeuge verfügen, um Ereignisdaten in echte Werte zu verwandeln.

Der Kurs ist auf einer Einführungsebene mit verschiedenen praktischen Aufgaben.

Der Kurs deckt die drei Haupttypen von Process Mining ab

  • Die erste Art von Process Mining ist die Entdeckung. Ein Discovery-Verfahren nimmt ein Ereignisprotokoll und erzeugt ein Prozessmodell ohne Verwendung a-priori-Informationen. Ein Beispiel ist der Alpha-Algorithmus, der ein Ereignisprotokoll erstellt und ein Petrinetz erzeugt, das das im Protokoll aufgezeichnete Verhalten erklärt.
  • Die zweite Art von Prozess-Mining ist die Konformität. Hier wird ein bestehendes Prozessmodell mit einem Ereignisprotokoll desselben Prozesses verglichen. Die Konformitätsprüfung kann verwendet werden, um zu überprüfen, ob die Realität, wie im Protokoll aufgezeichnet, mit dem Modell übereinstimmt und umgekehrt.
  • Die dritte Art von Process Mining ist die Erweiterung. Hier besteht die Idee darin, ein vorhandenes Prozessmodell zu erweitern oder zu verbessern, indem Informationen über den tatsächlichen Prozess verwendet werden, der in einem Ereignisprotokoll aufgezeichnet wurde. Während der Conformance-Check die Ausrichtung zwischen Modell und Realität misst, zielt diese dritte Art des Process-Mining darauf ab, das A-priori-Modell zu verändern oder zu erweitern. Ein Beispiel ist die Erweiterung eines Prozessmodells mit Leistungsinformationen, zum Beispiel Engpässe.

Process-Mining-Techniken können sowohl offline als auch online genutzt werden. Letzteres ist als operative Unterstützung bekannt. Ein Beispiel ist die Erkennung von Nichtkonformität in dem Moment, in dem die Abweichung tatsächlich stattfindet. Ein anderes Beispiel ist die Zeitvorhersage für laufende Fälle, das heisst bei einem teilweise ausgeführten Fall wird die verbleibende Verarbeitungszeit basierend auf historischen Informationen ähnlicher Fälle geschätzt.

Process Mining bietet nicht nur eine Brücke zwischen Data Mining und Geschäftsprozessmanagement; es hilft auch, die klassische Kluft zwischen "Business" und "IT" zu überwinden. Ein evidenzbasiertes Geschäftsprozessmanagement auf der Grundlage von Process Mining trägt dazu bei, eine gemeinsame Basis für die Verbesserung von Geschäftsprozessen und die Entwicklung von Informationssystemen zu schaffen.

In den letzten Jahren wurde Process Mining zum primären datengesteuerten BPM-Ansatz (Business Process Management). Process Mining wird zunehmend auch in anderen Bereichen eingesetzt zum Beispiel Auditierung, Produktion und so weiter. Die Aufmerksamkeit für Big Data und das Begreifen von Data Science stärken diese Entwicklung. Beim Process Mining treffen sich "Data Science" und "Process Science". Derzeit bieten etwa 25 Softwarehersteller Process-Mining-Tools an. Neben Disco (Fluxicons Tool wird im Kurs neben dem Open-Source-Tool ProM verwendet) sind jetzt Tools wie Celonis Process Mining, ProcessGold Enterprise Platform, Minit, MyInvenio, QPR ProcessAnalyzer, Lexmark Perceptive Process Mining und viele mehr verfügbar. Die Verfügbarkeit und Anwendung dieser Tools veranschaulicht die Akzeptanz von Process Mining.

Der Kurs verwendet viele Beispiele mit realen Ereignisprotokollen, um die Konzepte und Algorithmen zu veranschaulichen. Nach diesem Kurs kann man Process Mining-Projekte durchführen und das Business Process Intelligence-Feld gut verstehen. Darüber hinaus können die Studierenden Process-Mining-Techniken in allen möglichen Praxisbereichen anwenden, einschließlich Praktika und Master-Projekten.

Zielsetzung

Nach diesem Kurs sollten die Studierenden:

  • ein gutes Verständnis von Business Process Intelligence-Techniken, insbesondere von Process Mining haben,
  • die Rolle von Big Data und Data Science in der heutigen Gesellschaft verstehen,
  • in der Lage sein, Process-Mining-Techniken mit anderen Analysetechniken wie Simulation, Business Intelligence, Data Mining, maschinelles Lernen und Verifikation in Beziehung zu setzen,
  • Verstehen der Beziehung zwischen Process-Mining- und Data-Mining-Techniken wie Klassifizierungs-, Clustering- und Assoziationsregeln,
  • in der Lage sein, grundlegende Prozessentdeckungstechniken wie den Alpha-Algorithmus anzuwenden, um ein Prozessmodell aus einem Ereignisprotokoll zu entwickeln, sowohl manuell als auch mithilfe von Werkzeugen,
  • verstehen, wie fortschrittlichere Methoden zur Prozessfindung wie regionsbasiertes Mining, genetisches Mining und heuristisches Mining funktionieren,
  • in der Lage sein, grundlegende Conformance-Checking-Techniken, zum Beispiel tokenbasierte Wiedergabe anzuwenden, um Ereignisprotokolle und Prozessmodelle zu vergleichen und zwar sowohl manuell als auch mit Hilfe von Tools,
  • in der Lage sein, ein Prozessmodell mit Informationen zu erweitern, die aus dem Ereignisprotokoll extrahiert wurden. Zum Beispiel Engpässe anzeigen,
  • ein gutes Verständnis der Daten haben, die benötigt werden, um ein Process-Mining-Projekt zu starten,
  • in der Lage sein, die Fragen zu charakterisieren, die anhand solcher Ereignisdaten beantwortet werden können,
  • erklären, wie Process Mining auch für die operative Unterstützung, Vorhersage und Empfehlung verwendet werden kann, und
  • in der Lage sein, Process-Mining-Projekte über das L * -Lebenszyklusmodell strukturiert auszuführen.