Project R-3250

Complexiteitreductie van bedrijfsprocesmodellen met een onoverzichtelijke "spaghetti"-structuur (Onderzoek)

Het begrijpen van de bedrijfsprocessen kan cruciaal zijn voor een bedrijf om een duurzaam concurrentievoordeel te bereiken. Als bedrijven de structuur van hun bedrijfsprocessen niet kennen, stelt business process mining hen in staat om de processen te reconstrueren uit event logs die geregistreerd werden door bedrijfsinformatiesystemen. De voorbije 10 jaar werden verschillende process mining algoritmen ontwikkeld, voornamelijk in een theoretische en technische context. De onderzoeksliteratuur toont ook aan dat deze technieken geconfronteerd worden met nieuwe uitdagingen in een echter business context. Ten eerste genereren de bestaande process mining technieken vaak zeer complexe "spaghetti" modellen wanneer toegepast op zakelijke gegevens. Verschillende benaderingen zijn onlangs gesuggereerd, maar verder onderzoek naar reductie van complexiteit is nodig. Ten tweede gebruiken de bestaande process mining algoritmes meestal een beperkte set van de beschikbara process data, wat hen minder interessant maakt voor experten. Het overwinnen van deze uitdagingen is noodzakelijk voor business process mining om haar volledige potentieel te realiserenin een zakelijke context. Dit project richt zich op de reductie van de complexiteit van procesmodellen, geleerd van echte business data met behulp van verschillende perspectieven, door (1) een geluidscomplexiteit - maatregel te ontwikkelen, (2) een trace clustering algoritme te ontwikkelen dat direct geleid wordt door modelcomplexiteit en (3) het ontwikkelen van een real-time process mining algoritme dat veranderingen in de bedrijfsprocessen doorheen de tijd bestudeert.

01 oktober 2011 - 30 september 2014