Understanding, predicting, optimizing business processes using data

Abstract

Companies face a disruptive digital transformation, which forces them to adapt their business model and innovate faster than ever before. Companies that do not transform rapidly enough risk to fall behind and fail in competition. On the other hand, changing existing business processes with complex behavior is highly risky. Analyzing process event logs promises to facilitate understanding, predicting and optimizing processes, and thus supports a successful transformation. As wrong transformation decisions impose an existential threat, understandable models in each of these steps are non-negotiable. In this thesis, we propose novel approaches to discover inherently interpretable models from process event data. First, we explore how to summarize the actual behavior of complex processes in terms of control-flow and how event data changes throughout a process. Second, we study accurate yet interpretable event sequence prediction and learning queueing behavior. Third, we alleviate the effort of modelling optimization and AI planning problems by learning constraints from exemplary solutions.

Viele Unternehmen sehen sich mit einer disruptiven digitalen Transformation konfrontiert. Diese zwingt sie dazu, ihr Geschäftsmodell schneller anzupassen und Innovationen schneller voranzubringen als jemals zuvor. Unternehmen, die sich nicht schnell genug transformieren, riskieren im Wettbewerb zurückzufallen und zu scheitern. Gleichzeitig birgt jede Veränderung an bestehenden Prozessen aufgrund ihres komplexen Verhaltens ein hohes Risiko. Die Analyse von Ereignisprotokollen verspricht, Prozesse leichter zu verstehen, vorherzusagen und zu optimieren, und unterstützt somit eine erfolgreiche Transformation. Weil falsche Transformationsentscheidungen eine existentielle Bedrohung darstellen, sind verständliche und nachvollziehbare Modelle für jeden dieser Schritte unabdingbar. In dieser Arbeit schlagen wir neue Ansätze vor, um inhärent interpretierbare Modelle aus Prozessereignisdaten zu lernen. Zunächst untersuchen wir, wie sich das tatsächliche Verhalten komplexer Prozesse in Bezug auf ihren Kontrollfluss und sich im Prozessverlauf ändernde Ereignisdaten zusammenfassen lässt. Zweitens untersuchen wir präzise und dennoch interpretierbare Vorhersagen von Ereignissequenzen und das Erlernen von Warteschlangenverhalten. Drittens verringern wir den Modellierungsaufwand für Optimierungs- und Planungsprobleme, indem wir Einschränkungen aus Beispiellösungen lernen.