Forward-Looking Process Mining : Data-Driven Simulation

Pourbafrani, Mahsa; Depaire, Benoit; van der Aalst, Wil M. P.

doi:10.18154/RWTH-2023-11014

Forward-Looking Process Mining : Data-Driven Simulation

Pourbafrani, Mahsa^RWTH*

2023

Verantwortlichkeitsangabevorgelegt von Mahsa Pourbafrani, M.Sc.

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
van der Aalst, Wil M. P. (Thesis advisor)^RWTH* ; Depaire, Benoit (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2023-11-24

Online
DOI: 10.18154/RWTH-2023-11014
URL: https://publications.rwth-aachen.de/record/973806/files/973806.pdf

Einrichtungen

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Geschäftsprozesse, ob im Zusammenhang mit Produktion, Dienstleistungen oder dem Internet der Dinge (IoT), sind in heutigen Unternehmen allgegenwärtig. Informationssysteme sind integraler Bestandteil dieser Prozesse und dienen als wertvolle Informationsquellen. Durch die Nutzung von Prozessdaten, die in Informationssystemen gespeichert sind, können datengetriebene Techniken Geschäftsprozesse unterstützen. Process-Mining-Techniken, die sich auf Ereignisdaten konzentrieren, sind äußerst effektiv, wenn es darum geht, Einblicke in den aktuellen Zustand von Prozessen zu gewinnen. Die meisten Process-Mining-Techniken sind Vergangenheit-gerichtet erstellen deskriptive Prozessmodelle auf der Grundlage historischer Daten, um Leistungs- und Konformitätsprobleme zu erkennen. Das vorausschauende Process Mining zielt jedoch darauf ab, Erkenntnisse aus Vergangenheit-gerichteten in Vorhersagen und Maßnahmen umzuwandeln. Dabei werden Simulations- und Vorhersageansätze verwendet, um Unternehmen bei zukünftigen Analysen und Entscheidungen zu unterstützen. Vorausschauende Ansätze sind das eigentliche Ziel des Process Mining. Obwohl sich bestehende Ansätze auf detaillierte Ereignisdaten stützen, können verschiedene Perspektiven auf Ereignisdaten, das Prozessverhalten und die zugrundeliegenden Beziehungen zwischen Prozessvariablen für zukünftige Analysenerfassen, wie zum Beispiel die Auswirkungen der täglichen Ankunftsraten auf die Ressourceneffizienz. Ziel dieser Arbeit ist es, einen zukunftsorientierten Rahmen für Geschäftsprozesse zu schaffen, um deren Abläufe nachzubilden und die Auswirkungen der ergriffenen Maßnahmen anhand der Erkenntnisse des Process Mining zu analysieren. Der Schwerpunkt dieser Arbeit liegt auf der Simulation von Prozessen im Process Mining als Vorgabemodell. Prozesssimulationsmodelle sind effektive Werkzeuge für die Analyse von Prozessen in der Zukunft, da sie offen sind, was die Komponenten und Parameter der Simulation betrifft. Dazu verwenden wir sowohl detaillierte Ereignisdaten als auch aggregierte Ereignisdaten von Prozessen über die Zeit (fine-grained event logs und coarse-grained process logs). Wir untersuchen die aktuellen Simulationstechniken und entwerfen ein Referenz-Metamodell, um das Potenzial von Ereignisdaten optimal zu nutzen, das von mehreren eigenständigen Tools begleitet wird. Simulationsmodelle sollten datenorientiert sein, um zuverlässig und realitätsnah zu sein. Als Ergebnis der Bewertung der derzeitigen detaillierten Prozesssimulation und des entworfenen Metamodells schlagen wir einen neuartigen Ansatz zur Gestaltung der Prozesssimulation auf verschiedenen Granularitätsebenen vor. Wir schlagen verschiedene Techniken vor, einschließlich der Änderung der Perspektive und der Ebene der Ereignisdaten für Prozesse. Die verschiedenen Perspektiven ermöglichen es, die verborgenen Aspekte von Prozessen auf detaillierten Ebenen zu entdecken. Die Änderung der Datenperspektive und die systematische Transformation ist einer der Hauptbeiträge dieser Dissertation. Er ermöglicht verschiedene Ebenen der Prozesssimulation, wie z.B. den Entwurf von System-Dynamics-Modellen und grobkörnige Diagnosen, z.B. die Erkennung von Mustern und Konzeptdrift, sowie hybride Simulationsmodelle. Um die Gültigkeit und Anwendbarkeit der vorgeschlagenen Ansätze zu bestimmen, haben wir sie mit synthetischen und realen Ereignisdaten evaluiert. Darüber hinaus werden die in dieser Arbeit vorgestellten Ansätze als Werkzeuge implementiert und in der Praxis unterstützt.

Business processes, whether related to production, services, or the Internet ofThings (IoT), are ubiquitous in today’s businesses. Information systems are integral to these processes and serve as valuable sources of information. By leveraging process data stored in information systems, data-driven techniques can support business processes. Process mining techniques, which focus on event data, arehighly effective in providing insights into the current state of processes. The majority of process mining techniques are backward-looking and create descriptive process models based on historical data to identify performance and compliance issues. However, forward-looking process mining aims to convert insights from backward-looking approaches into predictions and actions. This involves using simulation and prediction approaches to support organizations in future analysis and decision-making. Forward-looking approaches are the ultimate objective ofprocess mining. Although existing approaches rely on detailed event data, different perspectives on event data can capture process behavior and underlying relationships between process variables for future analysis, such as the effect of daily arrival rates on resource efficiency. In this thesis, we aim to create a forward-looking framework for business processes to replay their processes and analyze the impact of actions taken using process mining insights. The focus of this thesis is the simulation of processes in process mining as prescribing models. Process simulation models are effectivetools for analyzing processes in the future because they are open about the simulation’scomponents and parameters. To do so, we employ both detailed event data and aggregated event data of processes across time (fine-grained event logsand coarse-grained process logs). We investigate the current simulation techniques and design a reference meta model to make the most of the potential inside event data, which is accompanied by multiple stand alone tools. Simulation models should be data-driven in order to be reliable and close to reality. Asa result of assessing the current detailed process simulation and designed meta model, we propose a novel approach to design process simulation at different levels of granularity. We propose different techniques, including changing the perspective and levelof event data for processes. The different perspectives enable discovering the hidden aspects of processes at detailed levels. Changing the data perspective and the systematic transformation is one of the main contributions of the thesis. It allows for different levels of process simulation, such as designing System Dynamics models and coarse-grained diagnostics, e.g., pattern and concept drift detection, as well as hybrid simulation models. To determine the validity and applicability of the proposed approaches, we evaluated them using synthetic and real-world event data. Furthermore, the presented approaches in this thesis are implemented as tools and supported in practice.

OpenAccess:
PDF
(additional files)