bei Google ScholarTitelangaben
Fischer, Dominik Andreas:
Advancing Process Mining from the Core : Managing Process Mining Project Portfolios from Data Processing to Process Improvement.
Bayreuth
,
2023
. - Vi, 54 S.
(
Dissertation,
2023
, Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)
DOI: https://doi.org/10.15495/EPub_UBT_00006980
Volltext
Abstract
Process mining is a specialized form of data-driven process analysis that organizations use to understand and improve their business processes. Applying process mining techniques such as process discovery, conformance checking, or enhancement using event logs as the central data source generates insights into process behavior, performance, and compliance. Turning these insights into action supports evidence-based process improvement and strategic decision-making. Therefore, process mining supports multiple phases of the business process management lifecycle (i.e., process discovery, process analysis, process improvement and implementation, and process monitoring and controlling) using data about the execution of a process. The groundwork for these outstanding developments has been laid in academia, where a huge research stream focuses on developing and improving new process mining algorithms for various use cases, resulting in a strong technology core for process mining and analysis techniques.
The overall purpose of this dissertation is to advance process mining by building on its solid technological core around the numerous process mining analysis algorithms by adding the missing pieces in preceding and subsequent steps of end-to-end process mining projects. Furthermore, this dissertation also abstracts from a single-project perspective and contributes on the managerial side to the broad applicability of process mining in organizations. Applying design science research principles, the research objectives of this thesis are primarily addressed through design-oriented research by creating and evaluating multiple artifacts in the form of reference architectures, methods, and instantiations. Ultimately, researchers in the process mining field as well as practitioners on the vendor and adopter side should benefit equally from the contributions of this thesis. Therefore, this cumulative dissertation comprising five research papers addresses three challenges that slow down the widespread adoption of process mining in organizations.
First, research on adopting process mining at the enterprise level is somewhat fragmented, leading to a call for better guidance on managing process mining project portfolios, complemented by a holistic understanding of the opportunities and challenges of using PM in organizational settings. Therefore, this dissertation provides two deliverables to address this research need: Research Paper P1 provides a holistic overview of the opportunities and challenges of using process mining in organizations. Further, Research Paper P2 developed a method to manage portfolios of process mining projects in a value-oriented manner.
Second, for process data quality management, there is a need for a dedicated environment focused on detecting, measuring, and repairing data quality problems. Research Paper P3 proposes a reference architecture for process data quality management to address this research need. The reference architecture is designed to be comprehensive and flexible enough to incorporate current and future contributions to the multifaceted problem of process data quality. Before applying process mining techniques, the high quality of the underlying process data should be validated. However, to my knowledge, research on event log quality assessment of event logs remains scarce. Therefore, Research Paper P4 proposes a second contribution to process data quality management by proposing a user-guided and semi-automated approach for detecting and quantifying process data quality issues in event logs.
Third, this dissertation aims to contribute to the data-driven process improvement enabled by process mining. There is still a lack of research on balancing tool-based automation and guidance of business process improvement tasks by incorporating process data and domain expertise. Research Paper P5 addresses this gap by proposing a reference architecture that guides users in improving business processes by leveraging existing process data. The dissertation concludes with a reflection on some limitations that stimulate future research. Overall, this dissertation and the embedded research papers contribute to the identified gaps and aim to enable organizations to realize the full potential of process mining. First, this thesis provides a foundation that enables organizations to tailor their process mining project roadmaps to take advantage of the relevant opportunities and be fully aware of the prevailing challenges. Second, this thesis provides two artifacts for process data quality management to support the preceding data processing step before applying process mining. Third, this thesis presents an approach for assisted business process redesign to support the subsequent process improvement step that can leverage insights from applying process mining.
Abstract in weiterer Sprache
Process Mining ist eine spezielle Form der datengetriebenen Prozessanalyse, die Unternehmen einsetzen, um ihre Geschäftsprozesse zu verstehen und zu verbessern. Durch die Anwendung von Process-Mining-Techniken wie Prozesserkennung, Konformitätsprüfung oder Verbesserung unter Verwendung von Ereignisprotokollen als zentrale Datenquelle werden Erkenntnisse über das Prozessverhalten, die Leistung und die Konformität gewonnen. Die Umsetzung dieser Erkenntnisse in Maßnahmen unterstützt die evidenzbasierte Prozessverbesserung und strategische Entscheidungsfindung. Daher unterstützt Process Mining mehrere Phasen des Lebenszyklus des Geschäftsprozessmanagements (d. h. Prozessidentifizierung, Prozessanalyse, Prozessverbesserung und -implementierung sowie Prozessüberwachung und -steuerung) anhand von Daten über die Ausführung eines Geschäftsprozesses. Der Grundstein für diese herausragenden Entwicklungen wurde in der akademischen Welt gelegt, wo sich ein großer Forschungszweig auf die Entwicklung und Verbesserung neuer Process-Mining-Algorithmen für verschiedene Anwendungsfälle konzentriert, was zu einem starken technologischen Kern für Process Mining und Prozessanalysetechniken beigetragen hat.
Das übergeordnete Ziel dieser Dissertation ist es, Process Mining auszubauen, indem der solide technologische Kern um die zahlreichen Process-Mining-Analysealgorithmen erweitert wird, wobei die fehlenden Teile in den vorangehenden und nachfolgenden Schritten von End-to-End-Process-Mining-Projekten integriert werden. Darüber hinaus abstrahiert diese Dissertation von einer Einzelprojektperspektive und trägt auf der Managementseite zur breiten Anwendbarkeit von Process Mining in Organisationen bei. Unter Anwendung von Design Science werden die Forschungsziele dieser Arbeit primär durch designorientierte Forschung adressiert, indem mehrere Artefakte in Form von Referenzarchitekturen, Methoden und Instanziierungen erstellt und evaluiert werden. Letztlich sollen sowohl Forschende im Bereich Process Mining als auch Praktiker:innen auf der Anbieter- und Anwenderseite gleichermaßen von den Beiträgen dieser Arbeit profitieren. Daher befasst sich diese kumulative Dissertation, die fünf Forschungsarbeiten umfasst, mit drei Herausforderungen, die die breite Einführung von Process Mining in Unternehmen erschweren.
Zuerst ist die Forschung über die Einführung von Process Mining auf Unternehmensebene stark fragmentiert, was zu einer Forderung nach einer besseren Anleitung für das Management von Process-Mining-Projektportfolios führt, ergänzt durch ein ganzheitliches Verständnis der Chancen und Herausforderungen des Einsatzes von PM in Unternehmen. Aus diesem Grund liefert diese Dissertation zwei Beiträge, um diesen Forschungsbedarf zu decken: Forschungsbeitrag P1 bietet einen ganzheitlichen Überblick über die Chancen und Herausforderungen des Einsatzes von Process Mining in Unternehmen. Darüber hinaus wurde in Forschungsbeitrag P2 eine Methode entwickelt, um Portfolios von Process-Mining-Projekten wertorientiert zu verwalten.
Zweitens wird für das Qualitätsmanagement von Prozessdaten eine spezielle Umgebung benötigt, die sich auf die Erkennung, Messung und Behebung von Datenqualitätsproblemen konzentriert. In dem Forschungsbeitrag P3 wird eine Referenzarchitektur für das Qualitätsmanagement von Prozessdaten entwickelt, um diesen Forschungsbedarf zu decken. Die Referenzarchitektur ist so konzipiert, dass sie umfassend und flexibel genug ist, um aktuelle und zukünftige Beiträge zu dem vielschichtigen Problem der Prozessdatenqualität zu integrieren. Vor der Anwendung von Process-Mining-Techniken sollte die hohe Qualität der zugrunde liegenden Prozessdaten validiert werden. Allerdings gibt es bislang nur wenige Untersuchungen zur Bewertung der Qualität von Prozessdaten in Ereignisprotokollen. Daher wird im Forschungsbeitrag P4 ein zweiter Beitrag zum Qualitätsmanagement von Prozessdaten entwickelt, indem ein benutzergeführter und halbautomatischer Ansatz zur Erkennung und Quantifizierung von Qualitätsproblemen bei Prozessdaten in Ereignisprotokollen vorgestellt wird.
Drittens zielt diese Dissertation darauf ab, einen Beitrag zur datengesteuerten Prozessverbesserung zu leisten, die durch Process Mining ermöglicht wird. Es gibt immer noch einen Mangel an Forschung über die Balance zwischen werkzeuggestützter Automatisierung und Anleitung von Geschäftsprozessverbesserungsaufgaben durch die Einbeziehung von Prozessdaten und Fachwissen. Der Forschungsbeitrag P5 geht auf diese Lücke ein, indem er eine Referenzarchitektur beschreibt, die Anwendende bei der Verbesserung von Geschäftsprozessen durch die Nutzung vorhandener Prozessdaten unterstützt. Die Dissertation schließt mit einer Reflexion über einige Limitationen, die die zukünftige Forschung inspirieren. Insgesamt tragen diese Dissertation und die eingebetteten Forschungsbeiträge zu den identifizierten Lücken bei und zielen darauf ab, Unternehmen in die Lage zu versetzen, das volle Potenzial von Process Mining auszuschöpfen. Erstens bietet diese Arbeit eine Grundlage, die es Unternehmen ermöglicht, ihre Process-Mining-Projektpläne so zu gestalten, dass sie die relevanten Chancen nutzen und sich der bestehenden Herausforderungen voll bewusst sind. Zweitens werden in dieser Arbeit zwei Artefakte für das Qualitätsmanagement von Prozessdaten vorgestellt, die den vorangehenden Schritt der Datenverarbeitung vor der Anwendung von Process Mining unterstützen. Drittens wird in dieser Arbeit ein Ansatz für die unterstützte Neugestaltung von Geschäftsprozessen vorgestellt, um den nachfolgenden Schritt der Prozessverbesserung zu unterstützen, bei dem die Erkenntnisse aus der Anwendung von Process Mining genutzt werden können.