Advancing Process Science Toward Unstructured Data and the Individual Level

Titelangaben

König, Fabian:
Advancing Process Science Toward Unstructured Data and the Individual Level.
Bayreuth , 2024 . - IV, 54 S.
( Dissertation, 2024 , Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)
DOI: https://doi.org/10.15495/EPub_UBT_00007495

Volltext

Link zum Volltext (externe URL):

Abstract

The business process management (BPM) discipline is concerned with the continuous improvement of business processes to drive organizational success while adapting to changing market demands and regulatory requirements. In the last two decades, the availability of digital trace data (i.e., event data) extracted from information systems has led to the rise of various data-driven techniques in BPM. Process mining in particular has received increasing attention in academia and industry due to its ability to discover, monitor, and improve operational processes. The scope of process mining research is continuously expanding, and the potential to turn its results into economic success is reflected by the growing number of software vendors and adopters in industry. Despite these positive developments, process mining initiatives still encounter challenges in delivering the anticipated benefits for certain application scenarios. Process science has been introduced as an interdisciplinary research field that aims to comprehensively understand and influence complex process dynamics from different perspectives and levels. Therefore, this thesis adopts the holistic scope of process science and draws on its key principles to address two challenges that limit the applicability of data-driven process analysis and management.

The first challenge focuses on integrating unstructured data into process mining and relates to the importance of reliable and high-quality event data to comprehensively reflect reality for data-driven BPM techniques. At present, it is not possible to analyze processes from end to end if these processes are only partially digitized or do not leave digital traces in information systems. Unstructured data, such as video or text data, can contain process-related information that, enabled by recent advances in data science and machine learning, has the potential to fill in missing gaps in process analysis. This thesis makes two contributions toward the integration of unstructured data into the data-driven foundation of process science and process mining. Research Article #1 develops a reference architecture that consists of several computer vision components to enable the systematic use of video data for process mining. Research Article #2 provides a comprehensive overview on how different types of unstructured data are used in process mining and proposes a research agenda to guide future research in this area.

The second challenge concentrates on expanding data-driven process discovery, explanation, and intervention for complex process phenomena, as called for by process science. Since research that exceeds the scope of a single organization is scarce, Research Article #3 analyzes the cross-organizational turnaround process at Munich Airport. Research Articles #4 and #5 deviate from the traditional organizational perspective on processes and instead focus on the perspective of a single patient in a medical treatment process. The two articles design artifacts that use biomedical sensor data to predict bladder volume and thus enable prescriptive treatment for patients who have lost bladder sensation.

Overall, this thesis contributes to the interdisciplinary field of process science and expands process discovery, explanation, and intervention through a methodological portfolio that includes design science research (DSR), single case study research, and a systematic literature review. Specifically, the three proposed DSR artifacts extend the data-driven core of process science and process mining through unstructured data, and provide innovative solutions for intervening in healthcare processes at the individual patient level.

Abstract in weiterer Sprache

Die Disziplin des Wertorientierten Prozessmanagements (WPM) befasst sich mit der kontinuierlichen Verbesserung von Geschäftsprozessen, um den Unternehmenserfolg unter Berücksichtigung sich wandelnder Marktanforderungen und gesetzlicher Vorgaben zu steigern. In den letzten zwei Jahrzehnten hat die Verfügbarkeit digitaler Datenspuren (Ereignisdaten), die aus Informationssystemen extrahiert werden können, das Aufkommen verschiedener datenbasierter Techniken im WPM ermöglicht. Insbesondere das Process Mining hat in der Wissenschaft und in der Wirtschaft aufgrund der Möglichkeit, betriebliche Abläufe zu identifizieren, zu überwachen und zu verbessern, zunehmende Beachtung gefunden. Die thematische Bandbreite der Process-Mining-Forschung wird beständig erweitert, und das Potenzial, Forschungsergebnisse in wirtschaftlichen Erfolg umzuwandeln, spiegelt sich in der wachsenden Zahl von Softwareanbietern und -anwendern in der Industrie wider. Trotz dieser positiven Entwicklungen bestehen bei Process-Mining-Initiativen immer noch Herausforderungen in der Realisierung des angestrebten Nutzens. Die Prozesswissenschaft wurde als interdisziplinäres Forschungsgebiet eingeführt, das darauf abzielt, komplexe Prozessdynamiken aus verschiedenen Perspektiven und auf verschiedenen Ebenen umfassend zu verstehen und zu beeinflussen. Deshalb greift diese Dissertation den ganzheitlichen Ansatz der Prozesswissenschaft auf und wendet ihre Grundprinzipien an, um zwei Herausforderungen zu adressieren, die die Anwendbarkeit von datengestützten Prozessanalysen und Prozessmanagement einschränken.
Die erste Herausforderung besteht in der Integration unstrukturierter Daten in das Process Mining und ist eng mit der Bedeutung zuverlässiger und hochwertiger Ereignisdaten verknüpft, welche die Realität für datenbasierte WPM-Techniken möglichst vollständig abbilden sollen. Derzeit ist es nicht möglich, Prozesse von Ende zu Ende zu analysieren, wenn diese Prozesse nur teilweise digitalisiert sind oder keine digitalen Spuren in Informationssystemen hinterlassen. Unstrukturierte Daten, wie zum Beispiel Video- oder Textdaten, können prozessbezogene Informationen enthalten, die mit Hilfe der jüngsten Fortschritte in Data Science und maschinellem Lernen Lücken in der Prozessanalyse schließen können. Diese Dissertation leistet zwei Beiträge zur Integration von unstrukturierten Daten in die datengetriebene Grundlage der Prozesswissenschaft und des Process Mining. In Forschungsbeitrag 1 wird eine Referenzarchitektur entwickelt, die mehrere Bildverarbeitungskomponenten umfasst und die systematische Nutzung von Videodaten für das Process Mining ermöglicht. Zudem gibt Forschungsbeitrag 2 einen breiten Überblick darüber, wie verschiedene Arten von unstrukturierten Daten im Process Mining verwendet werden, und schlägt eine Forschungsagenda vor, die die künftige Forschung in diesem Bereich vorantreiben soll.
Die zweite Herausforderung konzentriert sich auf die Ausweitung der datenbasierten Prozessidentifikation, -erklärung und -intervention für komplexe Prozessphänomene, wie sie von der Prozesswissenschaft gefordert werden. Da es nur wenig Forschung gibt, die über den Blickwinkel eines einzelnen Unternehmens hinausgehen, analysiert Forschungsbeitrag 3 den unternehmensübergreifenden Turnaround-Prozess am Flughafen München. Die Forschungsbeiträge 4 und 5 weichen von der traditionellen organisationalen Perspektive auf Prozesse ab und konzentrieren sich stattdessen auf die Perspektive des individuellen Patienten in einem medizinischen Behandlungsprozess. Beide Beiträge entwickeln Artefakte, die mit Hilfe von biomedizinischen Sensordaten das Volumen der Harnblase vorhersagen und so eine präskriptive Behandlung von Patienten ermöglichen, die ihre Blase nicht spüren können.
Insgesamt leistet diese Dissertation einen Beitrag zum interdisziplinären Forschungsfeld der Prozesswissenschaft und erweitert die Prozessidentifikation, -erklärung und -intervention durch ein methodisches Portfolio, das ein gestaltungsorientiertes Forschungsparadigma (DSR), Einzelfallstudienforschung und eine systematische Literaturrecherche umfasst. Insbesondere erweitern die drei vorgeschlagenen DSR-Artefakte den datenbasierten Kern der Prozesswissenschaft und des Process Mining durch unstrukturierte Daten und bieten innovative Lösungen für die Intervention in Gesundheitsprozesse auf der Ebene des individuellen Patienten.