Detailansicht
Advancing decision mining
harnessing context data and enabling runtime decision mining in process-aware information systems
Beate Wais
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium der technischen Wissenschaften Informatik
Betreuer*innen
Stefanie Rinderle-Ma ,
Erich Schikuta
DOI
10.25365/thesis.77185
URN
urn:nbn:at:at-ubw:1-27941.32783.881270-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Decision Mining umfasst Techniken um Entscheidungen in Geschäftsprozessen zu identifizieren und die zugrundeliegenden Entscheidungsregeln zu extrahieren. Unternehmen aus verschiedensten Branchen, zum Beispiel aus Industrie, Logistik oder Gesundheitswesen, können von Process Mining profitieren, indem Entscheidungen transparenter werden, Entscheidungen auf fundierter Basis getroffen werden können und Optimierungspotenzial aufgedeckt wird. Aktuelle Decision Mining Ansätze haben jedoch einige Einschränkungen die ihre Anwendbarkeit begrenzen. Diese Dissertation widmet sich den folgenden Herausforderungen: Analyse von Zeitreihendaten und technischen Zeichnungen in Decision Mining: Traditionelle Decision Mining Ansätze arbeiten mit einzelnen, strukturierten Daten aus Event Logs. In realen Prozessen sind jedoch häufig weitere Daten, wie z.B. Sensordaten, Bilder oder Textdokumente die Basis für Entscheidungen. Diese Arbeit präsentiert neue Methoden zur Analyse von Zeitreihendaten und technischen Zeichnungen in Decision Mining. Durch die Nutzung dieser zusätzlichen Datenquellen kann die zugrunde liegende Geschäftslogik besser erfasst werden, was zu genaueren und aussagekräftigere Erkenntnissen führt. Runtime Decision Mining und Decision Drift Analyse: Bisherige Decision Mining Methoden arbeiten in erster Linie ex-post, also nachdem die jeweilige Prozessinstanz abgeschlossen wurde. Da sich Prozesse und Entscheidungen jedoch dynamisch verändern können, ermöglicht die Echtzeit-Analyse von Entscheidungen (Runtime Decision Mining) eine frühzeitige Erkennung von Anomalien und Fehlern, was proaktive Maßnahmen ermöglicht. In dieser Dissertation wird daher ein Ansatz für Decision Mining während der Laufzeit vorgestellt, bei dem Entscheidungen und die entsprechenden Entscheidungsregeln während der Ausführung eines Prozesses erkannt, überwacht und aktualisiert werden können. Umfassende Analyse von Decision Mining Ergebnissen: Bei der Analyse von Decision Mining Ergebnissen liegt der Schwerpunkt derzeit auf Performance-basierten Metriken wie Accuracy. Eine hohe Performance steht jedoch nicht automatisch im Zusammenhang mit der Fähigkeit einen Mehrwert für AnwenderInnen zu bieten. Daher werden in dieser Dissertation Kriterien und Metriken vorgeschlagen, die über reine Performance hinausgehen. Dadurch wird eine umfassende Bewertung der Ergebnisse und ein aussagekräftiger Vergleich verschiedener Ansätze ermöglicht. Das Ziel dieser Dissertation ist es, diese Herausforderungen zu addressieren und das Anwendungspotenzial von Decision Mining zu erweitern. Die gewonnenen Erkenntnisse können zu einem besseren Einblick in Prozesse und die ihnen zugrunde liegende Entscheidungslogik führen.
Abstract
(Englisch)
Decision mining provides approaches and techniques for discovering decision points in business processes and extracting the underlying decision rules using event data. Decision mining can significantly benefit organizations across domains, such as manufacturing and healthcare, by increasing transparency in business processes, supporting users making decisions and enabling process optimization. However, current approaches have several limitations that restrict the applicability of decision mining in real-life applications. This dissertation addresses limitations in three key areas: Analysis of Time Sequence Data and Engineering Drawings in Decision Mining: Current decision mining approaches rely on structured process data consisting of individual data points. However, real-world processes often involve context data, including more complex data types like sensor data, images, or text documents. This dissertation proposes novel approaches to analyze time sequence data and engineering drawings in decision mining. By leveraging these data sources, decision mining can capture the underlying business logic to a greater extent, leading to more accurate and actionable insights. Enabling Runtime Decision Mining and Decision Drift Analysis: Existing decision mining methods primarily operate in an ex-post way, analyzing event logs after process instances have been completed. However, processes and the corresponding decisions can change and be subject to drift. Enabling decision mining during runtime would allow for the early detection of anomalies, errors, and changes in the decision logic, facilitating proactive interventions. Therefore, this dissertation introduces an approach to enable runtime decision mining, where decision points and the corresponding decision rules can be discovered, monitored, and updated as a process is executed. Comprehensive Analysis of Decision Mining Results: Evaluating decision mining results currently focuses on performance metrics such as accuracy. However, high performance does not automatically relate to the extent to which the decision rules provide value to users, i.e., the extent to which users are provided with insights that enable them to take action. Hence, this dissertation proposes criteria and metrics beyond performance-based measures to comprehensively analyze decision mining results. By using more comprehensive criteria and metrics, the overall quality of decision mining results can be analyzed, and meaningful comparisons between different approaches are enabled, ultimately providing the best results for users. Overall, the insights gained from this dissertation can lead to more comprehensive insights into processes and their underlying decision logic, thereby enabling process optimization, improved efficiency, and enhanced decision-making.
Schlagwörter
Schlagwörter
(Deutsch)
Decision Mining Runtime Decision Mining Process Mining Context Data Decision Drift
Schlagwörter
(Englisch)
Decision Mining Runtime Process Mining Context Data Decision Drift Runtime Decision Mining
Autor*innen
Beate Wais 
Haupttitel (Englisch)
Advancing decision mining
Hauptuntertitel (Englisch)
harnessing context data and enabling runtime decision mining in process-aware information systems
Publikationsjahr
2024
Umfangsangabe
xii, 142 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Estefania Serral Asensio ,
Han van der Aa
Klassifikation
54 Informatik > 54.00 Informatik. Allgemeines
AC Nummer
AC17383616
Utheses ID
72472
Studienkennzahl
UA | 786 | 880 | |