Literatur vom gleichen Autor/der gleichen Autor*in
plus bei Google Scholar

Bibliografische Daten exportieren
 

Machine Learning in Business Process Monitoring : A Comparison of Deep Learning and Classical Approaches Used for Outcome Prediction

Titelangaben

Kratsch, Wolfgang ; Manderscheid, Jonas ; Röglinger, Maximilian ; Seyfried, Johannes:
Machine Learning in Business Process Monitoring : A Comparison of Deep Learning and Classical Approaches Used for Outcome Prediction.
In: Business & Information Systems Engineering. Bd. 63 (2021) Heft 3 . - S. 261-276.
ISSN 1867-0202
DOI: https://doi.org/10.1007/s12599-020-00645-0

Volltext

Link zum Volltext (externe URL): Volltext

Angaben zu Projekten

Projekttitel:
Offizieller Projekttitel
Projekt-ID
Projektgruppe WI Wertorientiertes Prozessmanagement
Ohne Angabe

Abstract

Predictive process monitoring aims at forecasting the behavior, performance, and outcomes of business processes at runtime. It helps identify problems before they occur and re-allocate resources before they are wasted. Although deep learning (DL) has yielded breakthroughs, most existing approaches build on classical machine learning (ML) techniques, particularly when it comes to outcome-oriented predictive process monitoring. This circumstance reflects a lack of understanding about which event log properties facilitate the use of DL techniques. To address this gap, the authors compared the performance of DL (i.e., simple feedforward Deep Neural Networks and Long Short Term Memory Networks) and ML tech-niques (i.e., Random Forests and Support Vector Machines) based on five publicly available event logs. It could be observed that DL generally outperforms classical ML techniques. Moreover, three specific propositions could be inferred from further observations: First, the outperformance of DL techniques is particularly strong for logs with a high variant-to-instance ratio (i.e., many non-standard cases). Sec-ond, DL techniques perform more stably in case of imbalanced target variables, especially for logs with a high event-to-activity ratio (i.e., many loops in the control flow). Third, logs with a high activity-to-instance payload ratio (i.e., input data is predominantly generated at runtime) call for the application of Long Short Term Memory Networks. Due to the purposive sampling of event logs and techniques, these findings also hold for logs outside this study.

Weitere Angaben

Publikationsform: Artikel in einer Zeitschrift
Begutachteter Beitrag: Ja
Keywords: Predictive process monitoring; business process management; outcome prediction; deep learning; machine learning
Institutionen der Universität: Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Professur Wirtschaftsinformatik und digitales Energiemanagement
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Betriebswirtschaftslehre XVII - Wirtschaftsinformatik und Wertorientiertes Prozessmanagement
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät > Fachgruppe Betriebswirtschaftslehre > Lehrstuhl Betriebswirtschaftslehre XVII - Wirtschaftsinformatik und Wertorientiertes Prozessmanagement > Lehrstuhl Wirtschaftsinformatik und Wertorientiertes Prozessmanagement - Univ.-Prof. Dr. Maximilian Röglinger
Forschungseinrichtungen
Forschungseinrichtungen > Institute in Verbindung mit der Universität
Forschungseinrichtungen > Institute in Verbindung mit der Universität > Projektgruppe Wirtschaftsinformatik der Fraunhofer FIT
Forschungseinrichtungen > Institute in Verbindung mit der Universität > FIM Kernkompetenzzentrum Finanz- & Informationsmanagement
Fakultäten
Fakultäten > Rechts- und Wirtschaftswissenschaftliche Fakultät
Titel an der UBT entstanden: Ja
Themengebiete aus DDC: 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik
300 Sozialwissenschaften > 330 Wirtschaft
Eingestellt am: 13 Mai 2020 06:45
Letzte Änderung: 27 Apr 2022 13:24
URI: https://eref.uni-bayreuth.de/id/eprint/55148