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

Bibliografische Daten exportieren
 

Verbesserung von Prozessmodellen durch relevante Prozessdetails

Titelangaben

Fichtner, Myriel:
Verbesserung von Prozessmodellen durch relevante Prozessdetails.
Bayreuth , 2024 . - XIX, 247 S.
( Dissertation, 2024 , Universität Bayreuth, Fakultät für Mathematik, Physik und Informatik)
DOI: https://doi.org/10.15495/EPub_UBT_00007760

Volltext

Link zum Volltext (externe URL): Volltext

Abstract

Prozessmodellierung ist eine etablierte Methode zur Visualisierung und Dokumentation von internen und externen Abläufen in Unternehmen. Die dadurch entstehenden Prozessmodelle beschreiben Arbeitsschritte, die zur Erfüllung eines Unternehmensziels notwendig sind.
Darin sind außerdem Arbeitsanweisungen für Mitarbeitende enthalten, die während der Prozessausführung umgesetzt werden müssen. Aus diesem Grund sind informationsreiche und klar verständliche Prozessmodelle entscheidend für erfolgreiche Abläufe.
Allerdings sind Prozessmodellierenden nicht immer alle Ausführungsdetails eines Prozesses bekannt oder sie können die Details aufgrund der beschränkten Ausdruckskraft von Modellierungssprachen nicht adäquat in das Modell integrieren. In anderen Fällen wird zur Vermeidung komplexer und unverständlicher Modelle Prozessinformation weggelassen oder abstrahiert.
In der Konsequenz sind Aufgabenbeschreibungen zu generisch und es fehlen essenzielle Ausführungsinformationen im Prozessmodell. Dies kann zu Abweichungen in den Prozessergebnissen führen, z.B. hinsichtlich der Produktqualität.
Die Identifikation der Ursachen solcher Abweichungen sowie die Bestimmung notwendiger Modellanpassungen zur Steigerung des Prozesserfolgs in zukünftigen Ausführungen stellen anspruchsvolle Herausforderungen dar. Insbesondere wenn die Prozessdetails unbekannt sind, ist die Unterstützung entsprechender Analysemethoden erforderlich.
In der vorliegenden Dissertation wird diese Problemstellung adressiert und ein ganzheitlicher Ansatz zur Verbesserung von Prozessmodellen durch Berücksichtigung relevanter Prozessdetails vorgestellt.
Dabei ergänzen relevante Prozessdetails Aufgabenbeschreibungen in bereits modellierten Prozessschritten um Bedingungen.
Diese müssen während der Ausführung erfüllt werden, um den Prozesserfolg insgesamt zu steigern.
Das entwickelte Gesamtkonzept beschreibt einen inkrementellen Verbesserungsansatz mit welchem Prozessmodelle sukzessive hinsichtlich relevanter Prozessdetails analysiert werden. Dafür werden Ausführungsdaten aus verschiedenen Datenquellen berücksichtigt, was die Entdeckung auch noch unbekannter, aber relevanter Details ermöglicht.
Die Anreicherung der Aufgabenbeschreibungen unter Verwendung der analysierten Prozessdetails erfolgt mit einem Fokus auf einer intuitiv verständlichen Repräsentation.
Damit wird die inhaltliche Erweiterung von Modellen unter Bewahrung ihrer Lesbarkeit nachhaltig unterstützt.
Zur Konzeption und Umsetzung des Ansatzes werden in dieser Arbeit verschiedene Forschungsrichtungen aufgegriffen und innovativ miteinander verknüpft. Die effektive Anwendbarkeit wesentlicher Schritte wird am Beispiel eines Herstellungsprozesses unter Verwendung von Bilddaten demonstriert. Daneben illustrieren weiterführende Experimente die Anpassungsfähigkeit des Gesamtkonzepts für einen gewinnbringenden Einsatz im Kontext verschiedener Prozesse und Domänen.

Abstract in weiterer Sprache

Process modeling is an established method to visualize and document internal and external workflows within organizations. The resulting process models describe necessary work steps to achieve a certain business goal. Additionally, they contain instructions for employees that must be implemented during process execution. To this end, easily understandable process models with high information content are a key factor for successful process executions.
However, process designers may not always be aware of all execution details of a process. In other cases, the limited expressive power of modeling languages inhibits their ability to adequately integrate certain details into a process model. Furthermore, process information is omitted or abstracted to avoid complex and incomprehensible process models. As a consequence, task descriptions tend to be too generic, lacking essential execution information in the model. This can lead to deviations in process outcomes, such as product quality issues.
Identifying the root causes of these deviations and determining necessary model adjustments to enhance process success in future executions are challenging tasks. Especially when process details are unknown, the support of appropriate analysis methods is essential.
The thesis addresses this research gap and introduces a holistic approach to improve process models by considering relevant process details. Relevant process details complement task descriptions in previously modeled process steps with conditions. These must be fulfilled during execution to enhance overall process success.
The developed concept describes an incremental optimization approach, where process models are successively analyzed regarding relevant process details. Execution data from various data sources are considered, enabling the discovery of previously unknown but relevant process details.
The enrichment of task descriptions using analyzed process details is carried out with a focus on an intuitively understandable representation. This simultaneously supports the increase of information content of a process model while preserving its readability.
To conceptualize and implement the approach, various research directions are integrated innovatively in this work. The applicability of core steps within the concept is demonstrated using an examplary manufacturing process and image datasets. Further experiments illustrate how the developed concept can be adapted to support its application for process improvement in different domains.

Weitere Angaben

Publikationsform: Dissertation
Keywords: Prozessmodellverbesserung; Prozessoptimierung; erklärbare künstliche Intelligenz; Fehlerursachenanalyse; Process Mining; Image Mining; unstrukturierte Prozessdaten
Institutionen der Universität: Fakultäten > Fakultät für Mathematik, Physik und Informatik > Institut für Informatik > Lehrstuhl Angewandte Informatik IV > Lehrstuhl Angewandte Informatik IV - Univ.-Prof. Dr.-Ing. Stefan Jablonski
Fakultäten
Fakultäten > Fakultät für Mathematik, Physik und Informatik
Fakultäten > Fakultät für Mathematik, Physik und Informatik > Institut für Informatik
Fakultäten > Fakultät für Mathematik, Physik und Informatik > Institut für Informatik > Lehrstuhl Angewandte Informatik IV
Titel an der UBT entstanden: Ja
Themengebiete aus DDC: 000 Informatik,Informationswissenschaft, allgemeine Werke > 004 Informatik
Eingestellt am: 06 Jul 2024 21:00
Letzte Änderung: 08 Jul 2024 07:04
URI: https://eref.uni-bayreuth.de/id/eprint/89911