bei Google ScholarTitelangaben
Schmid, Sebastian Johannes:
Developing the Organizational and Technical Foundations of Process Mining : On The Role of Governance and Data Quality.
Bayreuth
,
2025
. - VI, 55 S.
(
Dissertation,
2025
, Universität Bayreuth, Rechts- und Wirtschaftswissenschaftliche Fakultät)
DOI: https://doi.org/10.15495/EPub_UBT_00008484
Volltext
Abstract
Process mining is a data-driven technique that provides insights into business processes by analyzing event log data. It enables organizations to understand how processes are actually executed, helping identify inefficiencies, deviations, and improvement opportunities. While research has largely focused on improving analysis algorithms, many organizations struggle to translate these technical capabilities into sustained business value. Key challenges include governance and data quality issues that limit effective use in practice. This dissertation aims to advance both organizational and technical foundations of process mining and presents five papers that introduce and evaluate artifacts with theoretical and practical relevance.
Process mining governance is essential for embedding process mining into enterprise-wide practice rather than isolated projects. However, research has often neglected the organizational and managerial conditions required for success. Challenges include the absence of structured guidance for designing process mining setups, limited understanding of how individuals respond to increased process transparency, and a lack of strategies for embedding process mining as a continuous capability rather than a one-off initiative. To address these, paper P1 introduces a taxonomy of organizational process mining setups to guide governance design across diverse organizational contexts. Paper P2 complements this with a capability framework for managing process-based behavioral visibility, helping organizations leverage transparency for business value while mitigating potential negative side effects. These contributions offer conceptual and practical tools for sustainable, value-generating adoption.
Process data quality management is equally crucial, as the reliability of insights depends on high-quality event logs. Yet, event logs often suffer from issues like incorrect timestamps, missing case identifiers, or mislabeled activities. Addressing these issues is particularly challenging when imperfections co-occur and interact, making sequential repair approaches unfit. Both researchers and practitioners have identified poor event log quality and the resulting complex data preparation as highly relevant challenges that hinder the effective application of process mining in real-world settings. In response, this dissertation addresses these challenges with three generative AI-based repair artifacts. Paper P3 uses Generative Adversarial Networks to repair identical timestamp errors in event logs. Paper P4 introduces a hybrid method for reconstructing missing case identifiers, combining rule-based logic, Transformers, and human input. Building on both contributions, paper P5 presents a fine-tuned Large Language Model for multi-imperfection event log repair, offering a unified and adaptable approach that advances the toolchain paradigm of sequential event log repair. These contributions improve both single- and multi-imperfection repairs, easing data preparation.
Collectively, the five research papers included in this dissertation contribute to advancing the process mining discipline by strengthening both its organizational and technical foundations. This dissertation thus advances the socio-technical understanding of process mining and supports its sustained, value-generating use in organizations.
Abstract in weiterer Sprache
Process Mining ist eine datengetriebene Methode, die Einblicke in Geschäftsprozesse liefert, indem sie Ereignisprotokolle analysiert. Sie ermöglicht es Organisationen zu verstehen, wie Prozesse tatsächlich ablaufen und hilft dabei Ineffizienzen, Abweichungen und Verbesserungspotenziale zu identifizieren. Während sich die Forschung weitgehend auf die Verbesserung von Analysealgorithmen konzentriert hat, haben viele Organisationen Schwierigkeiten, diese technischen Möglichkeiten in nachhaltigen geschäftlichen Nutzen zu überführen. Zentrale Herausforderungen sind Governance- sowie Datenqualitätsprobleme, die eine effektive Nutzung in der Praxis einschränken. Diese Dissertation zielt darauf ab, sowohl die organisatorischen als auch die technischen Grundlagen des Process Mining weiterzuentwickeln und stellt fünf Beiträge vor, die Artefakte mit theoretischer und praktischer Relevanz einführen und evaluieren.
Governance im Process Mining ist entscheidend, um Process Mining unternehmensweit zu verankern, statt es als isolierte Einzelprojekte zu betreiben. Die Forschung hat jedoch häufig die organisatorischen und Management-bezogenen Voraussetzungen für den Erfolg vernachlässigt. Herausforderungen bestehen unter anderem im Fehlen strukturierter Leitlinien zur Gestaltung von Process Mining-Setups, im begrenzten Verständnis individueller Reaktionen auf Prozesstransparenz sowie im Mangel an Strategien, um Process Mining als kontinuierlichen Vorgang statt als einmalige Initiative zu etablieren. Zur Bewältigung dieser Herausforderungen stellt Beitrag P1 eine Taxonomie organisatorischer Process Mining-Setups vor, die als Orientierung für die Governance-Gestaltung in unterschiedlichen Kontexten dient. Beitrag P2 ergänzt dies durch ein Framework zur Steuerung prozessbasierter Verhaltenssichtbarkeit, das Organisationen dabei unterstützt, jene Transparenz wertstiftend zu nutzen und mögliche negative Nebenwirkungen zu mindern. Diese Beiträge bieten konzeptionelle und praktische Werkzeuge für eine nachhaltige und wertstiftende Einführung von Process Mining.
Das Management der Datenqualität von Prozessdaten ist ebenso entscheidend, da die Verlässlichkeit der Erkenntnisse von hochwertigen Ereignisprotokollen abhängt. Diese Protokolle leiden jedoch häufig unter Problemen wie fehlerhaften Zeitstempeln, fehlender Zuordnung zu Prozessinstanzen oder falsch benannten Aktivitäten. Solche Probleme sind besonders schwer zu beheben, wenn sie gemeinsam auftreten und miteinander interagieren, wodurch sequentielle Reparaturansätze ungeeignet werden. Sowohl Forscher als auch Praktiker sehen mangelhafte Ereignisprotokollqualität und die damit verbundene komplexe Datenvorbereitung als zentrale Herausforderungen, die den praktischen Einsatz von Process Mining erheblich erschweren. Als Antwort auf diese Herausforderungen entwickelt die Dissertation drei auf generativer KI basierende Reparatur-Artefakte. Beitrag P3 wendet Generative Adversarial Networks zur Reparatur von identischen Zeitstempel Fehlern an. Beitrag P4 stellt eine hybride Methode zur Rekonstruktion fehlender Prozessinstanzen vor, die regelbasierte Logik, Transformer-Modelle und menschliches Feedback kombiniert. Aufbauend auf diesen Arbeiten präsentiert Beitrag P5 ein Large Language Model zur Reparatur von Ereignisprotokollen mit mehreren Datenfehlern und bietet damit ein flexibles und erweiterbares Framework an, welches das Paradigma sequentieller Reparaturen weiterentwickelt. Diese Beiträge verbessern die Prozessdatenaufbereitung sowohl bei einzelnen als auch bei multiplen Datenfehlern.
Insgesamt leisten die fünf Forschungsbeiträge dieser Dissertation einen Beitrag zur Weiterentwicklung der Disziplin Process Mining, indem sie sowohl deren organisatorische als auch technische Grundlagen stärken. Damit fördert die Arbeit ein sozio-technisches Verständnis von Process Mining und unterstützt dessen nachhaltige, wertschöpfende Nutzung in Organisationen.