Universität Ulm | 89069 Ulm | Germany Fakultät für
Ingenieurwissenschaften
und Informatik
Institut für Datenbanken
und Informationssysteme
Analyse, Monitoring
und Vorhersage von
zeitbehafteten Geschäftsprozessen
Masterarbeit an der Universität Ulm
Vorgelegt von:
MARTIN SOMMER
Gutachter:
Prof. Dr. Manfred Reichert
Dr. Ulrich Kreher
2015
Fassung 1. Juni 2015
c
2015 MARTIN SOMMER
This work is licensed under the Creative Commons. Attribution-NonCommercial-ShareAlike 3.0
License. To view a copy of this license, visit http://creativecommons.org/licenses/by-nc-sa/3.0/de/
or send a letter to Creative Commons, 543 Howard Street, 5th Floor, San Francisco, California,
94105, USA.
Satz: PDF-L
A
TEX2ε
Abstract
Heutige Prozess-Management-Systeme stellen immer mehr Daten über Geschäftspro-
zesse und deren Historie bereit. Diese historischen Daten besitzen in den meisten Fällen
zeitbehaftete Attribute wie Zeitstempel oder zeitbehaftete Datentypen. Diese zeitbehafte-
ten Daten können zur Gewinnung von zeitlichen Informationen genutzt und somit zur
Generierung von zusätzlichem Wissen verwendet werden. Durch dieses Wissen über
einen Geschäftsprozess und dessen Instanzen können Bewertungen und Aussagen über
die korrekte Ausführung vergangener und aktueller Instanzen des Prozess abgeleitet
werden. Diese Aussagen und Bewertungen von Prozesskomponenten werden durch ver-
schiedene Monitor-Komponenten überwacht, welche Schlüsse über laufende Instanzen
ziehen können. Neben einer zeitlichen sequentiellen Abfolge von einzelnen Elemen-
ten, können Wiederholungen und Entscheidungen in einer Instanz auftreten. Diese
Entscheidungen und Wiederholungen müssen in den Analyse-Komponente berücksich-
tigt werden. Durch diese automatisierte Analyse-Komponente für zeitbehafteten Daten,
werden Prozesse und Aktivitäten klassifiziert und unter Zuhilfenahme verschiedener Kri-
terien bewertet. Diese Bewertungen können zum einen durch statistische Verfahren und
zum anderen anhand von Data-Mining-Algorithmen bestimmt werden. Hierbei wird die
Klassifikation von einzelnen Prozesselementen und Instanzen in verschiedene Bereiche
eingeteilt. Die Monitor-Komponente bewertet anhand der analysierten Daten die Instanz
und zeigt kritische Ausführungspfade an und bewertet die korrekte Ausführbarkeit der
Folgeelemente. Für die Analyse- und Monitoring-Komponente werden in dieser Arbeit
verschiedene Verfahren vorgestellt und anhand der Anforderungen bewertet. Diese Ver-
fahren können Abhängigkeiten von zeitlichen Attributen verschiedene Fehlerszenarien
erkennen. Diese Erkennung von Fehlern ins kritischen Instanzen eines Geschäftspro-
zesses können in Abhängigkeit des Monitors behoben werden. Zu den theoretischen
Verfahren wird eine Machbarkeitsanalyse für die Analyse- und Monitoring-Komponenten
entwickelt und implementiert. Diese Implementierung berechnet und beobachtet reale
und simulierte historische Daten von zeitbehafteten Geschäftsprozessen, die aus ei-
ner realen oder einer simulierten Prozess-Management-Umgebung in Echtzeit erstellt
werden.
iii
Danksagung
Ich danke allen, die ich in meinen Jahren an der Universität kennengelernt habe. Jede
Bekanntschaft hat mich weitergebracht und habe dadurch viel Erfahrung für das Leben
gesammelt. Ein besonderer Dank geht an Andreas Lanz, der meine Bachelorarbeit,
mein Seminar, die Projekte und jetzt die Masterarbeit motiviert und anspruchsvoll betreut
hat.
Vielen Dank an Alle!
v
Inhaltsverzeichnis
1 Einleitung 1
1.1 Aufgaben und Zielsetzung ........................... 3
1.2 Aufbau der Arbeit ................................ 4
2 Grundlagen 5
2.1 ADEPT-Metamodell .............................. 6
2.2 Zeitaspekte in Prozessen ........................... 8
2.2.1 Dauer und Zeitabstände von Aktivitäten ............... 9
2.2.2 Wiederholende Aktivitäten - Schleifen ................ 11
2.2.3 Dauer und Abstände in Instanzen .................. 11
2.3 Logging von Ereignissen ............................ 12
2.3.1 Komplettes Logging .......................... 13
2.3.2 Minimales Logging ........................... 14
3 Related Work 15
3.1 Statistische Verfahren ............................. 16
3.1.1 Mittel, Modus, Median und Durchschnitte .............. 16
3.1.2 Quantile ................................. 17
3.1.3 Histogramme und CUMSUM ..................... 18
3.1.4 Normalverteilungen .......................... 20
3.2 Data-Mining Verfahren ............................. 21
3.2.1 Clusteranalyse ............................. 21
3.2.2 Regression ............................... 22
vii
Inhaltsverzeichnis
3.3 Analysen auf Prozesse und Prozesselementen ............... 22
3.3.1 Verteilungen einzelner Dauern von Aktivitäten ........... 22
3.3.2 Filter und Statistische Verfahren ................... 23
3.4 Monitoring von Prozessen ........................... 24
3.4.1 Konversation zwischen Instanzen und Events ............ 24
3.4.2 Definierte Überwachungspunkte in Prozesse ............ 25
3.4.3 Korrelationen von Ereignissen .................... 26
3.4.4 Berechnen der Intervalle zum Schluss ................ 27
3.5 Zeitmanagment in Prozessen . . . ...................... 28
3.5.1 Transformation eines zeitbehafteten Prozessgraphen ........ 28
3.5.2 Transformation eines Prozessgraphen in Anlehnung an CSTNU . . 29
3.6 Fazit ....................................... 30
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen 31
4.1 ETL-Prozess .................................. 32
4.1.1 Extraktion ................................ 33
4.1.2 Transformation ............................. 34
4.1.3 Loading ................................. 35
4.2 Zeitbasierte Histogramme ........................... 35
4.2.1 Erstellung von zeitbasierten Histogrammen ............. 35
4.2.2 Ausreißer in Histogrammen ...................... 37
4.2.3 Angepasste zeitbasierte Histogramme ................ 39
4.2.4 Darstellung der Histogramme in Prozessen ............. 39
4.3 Zeitbasierte Boxplots .............................. 40
4.3.1 Erstellung von zeitbasierten Boxplots ................ 41
4.3.2 Darstellung der Boxplots in Prozessen ................ 44
4.3.3 Probleme ................................ 44
4.4
Boxplots in Kombination und Transformation von weiteren Prozesseigen-
schaften ..................................... 46
4.4.1 Transformation des Prozesses und seiner Instanzen ........ 47
4.4.2 Dauer und Abstände von Aktivitäten ................. 48
4.4.3 Schleifen in Graphen . . . ....................... 50
viii
Inhaltsverzeichnis
4.4.4 Zusammenfügen von verschiedenen BranchIDs .......... 51
4.5 Analyse des Ausführungszeitraumes einer Aktivität ............. 52
4.6 Vergleich und Fazit ............................... 54
5 Monitoring und Vorhersagbarkeit von zeitbehafteten Geschäftsprozessen 55
5.1 Zusammenspiel der Komponenten . ..................... 56
5.2 Online und Offline Monitoring ......................... 57
5.2.1 Bewertungsgrundlage von Prozesselementen ............ 58
5.2.2 Online-Monitoring ........................... 61
5.2.3 Offline-Monitoring ........................... 62
5.3 Vorhersage und online Analyse . . . ..................... 64
5.4 Rückwirkendes Monitoring ........................... 66
6 Prototyp und Implementierung 67
6.1 Aufbau des Prototyps ............................. 67
6.2 Simulator .................................... 68
6.3 ETL Prozess - MSQL - JAVA ......................... 69
6.4 Analyse Komponente - Zweiter Transformationsschritt ........... 70
6.5 Monitoring Komponente ............................ 71
7 Zusammenfassung 73
7.1 Fazit ....................................... 73
7.2 Ausblick..................................... 75
ix
1
Einleitung
Durch den Konkurrenzdruck von Ländern wie China oder Indien ist es für Unternehmen
immer wichtiger, sich im Wettbewerb gegen diese Länder zu behaupten. Daher gewinnt
die Optimierung von Geschäftsprozessen, das Monitoring zur Echtzeit und Darstellung
von Prozesseigenschaften für die Bewertung eines Prozesses in den einzelnen Unter-
nehmen immer mehr an Bedeutung [BH06][SS08].
Um diesem Konkurrenzdruck entgegenzuwirken, haben sich in der Vergangenheit
Prozess-Management-System
(kurz:
PMS
) als praktikable Lösung erwiesen [
GHS95
].
Diese
PMS
erlauben eine Modellierung von Geschäftsprozessen in Verbindung mit
Organisationsstrukturen für Benutzer in Unternehmen und ermöglichen eine einfache
und automatisierte Ausführung von modellierten Geschäftsprozessen. Diese Gestal-
tung wird durch ein
Prozess-Metamodell
beschrieben und modelliert eine Abfolge von
1
1 Einleitung
Arbeitsschritten, auch Aktivitäten genannt. Diese Aktivitäten können in sequentieller,
paralleler und wiederholender Abfolge stattfinden. Während der Ausführung lassen sich
diese aus Aktivitäten zusammengesetzten Geschäftsprozesse am Monitor überwachen
[
McC02
]. Bei diesen Ausführungen eines Prozesses, auch Instanzen genannt, fallen
Daten und Informationen über die Zeitpunkte der Zustandsänderung einer Aktivität,
wie beim Starten oder Beenden an. Diese zeitbehafteten Informationen lassen sich für
eine Visualisierung der Zeitaspekte und zur Analyse verwenden [
RA08
]. Durch diese
Analyse lässt sich die Korrektheit des Fortschritts einer Instanz und der gestarteten
Aktivität definiert. Hierbei müssen kritische oder zu lang dauernde Aktivitäten erkannt
werden. Diese Erkennung der Informationen über den Fortschritt kann für das Monitoring
von Geschäftsprozessen und der Prozessaktivitäten verwendet werden [
GCC+04
]. In
Echtzeit soll dieses Monitoring von Geschäftsprozessen die Informationen einer Instanz
bereit stellen und dem Benutzer Erkenntnis über den momentanen Ablauf im Vergleich
zur Historie liefern. Diese Informationen bezüglich der Ausführungen der Historie wird
dem Benutzer durch statistische und stochastische Methoden zur Verfügung gestellt,
welche dem Benutzer erlauben selbstständig kritische Prozesselemente zu erkennen
und Verbesserungen zu erarbeiten. Neben der Optimierung der Benutzerseite müssen
moderne Monitore die ausgewerteten Informationen an das PMS zurückgeben, welches
versucht, die Fehler die in einer Ausführung geschehen sind zu neutralisieren [
LM08
].
Somit kann der Konkurrenzdruck aus China oder Indien verringert werden, da weniger
Ausführungen fehlschlagen und dadurch weniger Kosten entstehen.
Wie beschrieben, ist das Monitoring und die Darstellung von Geschäftsprozessen in
Prozess-Management-Systemen eine wichtige Komponente für die Optimierung der
Ausführungsreihenfolgen in Verbindung von Zeitaspekten in Geschäftsprozessen [
Bul13
].
Ziel dieser Arbeit ist es, Komponenten zu entwickeln, um Geschäftsprozesse mit dem
Schwerpunkt der Zeitaspekte zu überwachen und Schlüsse über die zeitlichen Ab-
hängigkeiten der Abstände von Aktivitäten und die Dauer einer Aktivität zu beschrei-
ben. Grundlage für die Modellierung der Geschäftsprozesse ist in dieser Arbeit das
ADEPT2
-Metamodell, das an der Universität Ulm entwickelt wurde [
Rei00
]. Zudem
werden zeitbedingte Erweiterungen des
ADEPT2
-Modells für die Darstellung dieser
Geschäftsprozesse verwendet [
LWR10
]. Diese Geschäftsprozesse werden in einem
2
1.1 Aufgaben und Zielsetzung
Prozesssimulator ausgeführt und durch eine Analyse-Komponente für den Monitor und
die Darstellung aufbereitet. In der vorliegenden Arbeit werden diese Komponenten und
Verfahren für die Analyse, Darstellung, das Monitoring und die Vorhersage beschrieben.
1.1 Aufgaben und Zielsetzung
Das Erreichen der automatisierten Überwachung und der Darstellung von zeitbehafteten
Informationen in Geschäftsprozessen bringt einige Problemstellungen mit sich. Zu Be-
ginn existieren zeitbehaftete Daten und Informationen in verschiedenen Log-Dateien und
Formaten. Diese Daten müssen in mehreren Schritten gereinigt, exportiert, transformiert
und für den Import in das
PMS
und den Monitor angepasst werden. Neben diesen Infor-
mationen aus den Daten-Logs stellt ein
PMS
verschiedene Informationen über einen
Geschäftsprozess und der Organisationstruktur in einem Unternehmen bereit. Diese
müssen während der Transformation angepasst und mit den Daten aus der Vergangen-
heit kombiniert und verknüpft werden. Das Ziel dieser Arbeit ist, diesen Schritt effizient,
agil und variabel zu lösen. Im ersten Schritt muss die Bereinigung der zeitbehafteten
Daten und die Informationsgenerierung aus dem
PMS
betrieben werden. Im nächsten
wird die Transformation und die Analyse der Daten und Informationen umgesetzt und
beschrieben. Diese Analyse muss hierbei die häufigen Prozesseigenschaften wie Se-
quenzen, Parallelitäten, Entscheidungen und Wiederholungen berücksichtigen und in
der Darstellung der zeitbehafteten Informationen beachten. Diese Prozesseigenschaften
sind die elementaren Operationen an die Ausführungsreihenfolgen eines Geschäftspro-
zess. Neben diesen Ausführungsreihenfolgen von Arbeitsschritten existieren Abstände
zwischen Aktivitäten und für eine Aktivität die Dauer. Diese Zeitaspekte von Aktivitäten
bilden neben den obigen Prozesseigenschaften die Grundlage für die Überwachung und
Darstellung im einem
PMS
. Nach der Berechnung und Erkennung der zeitbehafteten
Eigenschaften in einem Prozess werden diese für die Darstellung im
PMS
und für die
Monitoring-Komponente aufbereitet. Die Darstellung im
PMS
ermöglicht eine übersichtli-
che Informationsgewinnung von allen Ausführungen auf der Grundlage der Zeitaspekte.
Neben dieser Darstellung der in der Vergangenheit ausgeführten zeitbehafteten Ge-
schäftsprozesse ist das weitere Ziel, kritische Momente in einer Ausführung einer Instanz
3
1 Einleitung
in Echtzeit zu erkennen und den Benutzer und das System über kritische Zustände
zu informieren. Diese Information muss für den Benutzer so aufbereitet werden, dass
bekannte und gesellschaftliche Eigenschaften wie Farben oder bekannte statistische
Verfahren eingesetzt werden. Im Abschluss soll das Thema des rückwirkenden Moni-
torings für die Fehlerbeseitigung und der Optimierung dargestellt werde. Zuletzt wird
die Vorhersage der zeitbehafteten Prozesselementen in Verbindung mit der Analyse
Organisationstruktur vorgestellt.
1.2 Aufbau der Arbeit
Die Arbeit ist wie folgt gegliedert: Zu Beginn, werden einleitende Worte über die Inten-
tion, Zielsetzung und Aufbau der Arbeit beschrieben. Nach dieser Einteilung werden
im folgenden Kapitel 2 die Grundlagen für die vorliegende Arbeit vorgestellt. Diese
Grundlagen beziehen sich auf ein Prozess-Metamodell, beispielhaft vorgestellt durch
das
ADEPT2
-Metamodell. Fortgesetzt werden die Grundlagen durch verschiedene
Zeitaspekte in Prozessen und relevante Ansätze für das Logging von Aktivitäten und
weiteren Prozesseigenschaften. In Kapitel 3 werden bekannte und verwandte Arbeiten
zum Thema Analyse, Statistik, Vorhersage, Transformation, Zeitaspekte in Prozessen
und Monitoring vorgestellt. Nach diesem groben Überblick behandelt das Kapitel 4 ver-
schiedene Verfahren aus der Statistik für die Analyse und der Darstellung zeitbehafteter
Geschäftsprozesse. Hierbei wird neben den statistischen Verfahren auch Transforma-
tionen und Anpassungen der Prozessgraphen besprochen. Das Kapitel 5 beschreibt
aufbauend auf Kapitel 4 das Monitoring und die Vorhersage von zeitbehafteten Ge-
schäftsprozessen. Durch dieses Monitoring werden Prozesse bewertet und für eine
Optimierung der Prozessausführungen aufbereitet. Im folgenden Kapitel 6 wird eine
Machbarkeitsanalyse und der Prototyp des Monitors, aufbauend auf den Verfahren aus
den Kapiteln4&5,beschrieben. Dieser Prototyp kommuniziert mit einem Prozesssi-
mulator, welcher die Informationen aus dem
PMS
des Herstellers
AristaFlow
bezieht.
Im letzten Kapitel wird eine Zusammenfassung über die Arbeit und ein Ausblick auf
verwandte Themengebiete gegeben. Außerdem wird eine Schlussfolgerung über die
vorgestellten Verfahren gezogen.
4
2
Grundlagen
In diesem Kapitel werden Grundkenntnisse für diese Arbeit erarbeitet und erörtert. Da
diese Arbeit auf Geschäftsprozessen basiert, wird im ersten Abschnitt ein
PMS
und das
integrierte Prozess-Management-Metamodell erklärt und darauf eingegangen. Dieses
PM-Metamodell basiert auf dem
ADEPT2
-Metamodell der Universität Ulm, welches in
der Software AristaFlow umgesetzt ist. Diese Metamodell wurde mit Zeitaspekte im
nächsten Abschnitt 2.2 erweitert, damit zeitbehaftete Geschäftsprozesse modelliert
werden können. Diese Prozesse lassen sich ausführen und eine Instanz davon wird
erzeugt. Diese Instanzen und ihre Elemente werden während der Ausführung mitge-
loggt. Für dieses Logging der Ereignisse aus den Instanzen existieren verschiedene
Herangehensweisen mit unterschiedlichem Aufwand. Diese grundlegenden Verfahren
werden in Abschnitt 2.3 erläutert.
5
2 Grundlagen
2.1 ADEPT-Metamodell
Das ADEPT-Modell [Rei00] ist ein blockstrukturiertes Prozess-Metamodell, welches an
der Universität Ulm entwickelt wurde. Dieses Metamodell definiert Konstrukte, die bei
fast allen Basis-Modellen zu finden sind. Zu diesen Konstrukten gehören beispielsweise
Aktivitäten, Kontrollkanten, Sequenzen, Parallelität und Entscheidungen. Im Weiteren
werden die einzelnen Konstrukte und Begriffe die in dieser Arbeit von Interesse sind
diskutiert.
Prozess:
Ein Prozess auch
Workflow
genannt, ist eine formale Sicht auf eine Folge
von Schritten um ein Ziel zu erreichen. Dieses Ziel wird meist durch einen Ablauf von
Prozessaktivitäten die verknüpft sind erreicht. Eine Darstellung eines Prozesses und
dessen Ablauf ist in Abbildung 2.1 zu sehen.
Brötchen
backen
Brötchen
verkaufen
Kasse
abrechnen
Start End
Abbildung 2.1: Einfacher Prozess in ADEPT
Prozessschema:
Ein Prozessschema ist die Darstellung eines Prozesses, welches
in einem Prozess-Management-System modelliert beziehungsweise ausgeführt wird.
Dieses Prozessschema besteht meist aus mehreren Aktivitäten und deren Verbindungen.
Zudem werden einzelne Informationen über die Aktivitäten bereitgestellt.
Prozessinstanz:
Eine Prozessinstanz, auch
Instanz
genannt, repräsentiert eine Aus-
führung eines Prozesses. Jede Instanz ist einmalig und hat ihre eigenen Zustände.
Eine Prozessinstanz ist vergleichbar mit einer Objektinstanz in der objektorientierten
Programmierung.
Aktivität:
Eine Aktivität, auch Knoten genannt beschreibt einen Arbeitsschritt. Dieser
Arbeitsschritt ist Teil innerhalb eines Prozesses. Aktivitäten können manuell, automa-
tisch oder durch einen Benutzer ausgeführt werden. In ADEPT werden Aktivitäten als
Rechtecke dargestellt (siehe Abbildung 2.2 Nummer 1).
6
2.1 ADEPT-Metamodell
Kontrollfluss:
Ein Kontrollfluss beschreibt die Abfolge einzelner Aktivitäten in einem
Prozess. Diese Abfolge beschreibt bei der Ausführung die Reihenfolge der ausgeführten
Aktivitäten. Der Kontrollfluss wird in ADEPT durch Kontrollkanten zwischen Aktivitäten
(siehe Abbildung 2.2 Nummer 2), welche als durchgezogener Pfeil dargestellt sind
definiert.
Sequenz:
Eine Sequenz ist das einfachste Konstrukt in einem Prozess. Sie stellt dabei
zwei oder mehrere nacheinander ausgeführte Aktivitäten dar (siehe Abbildung 2.2
Nummer 3). Somit besitzt mindestens eine Aktivität einen Nachfolger.
Parallelität:
Eine Parallelität besteht aus zwei oder mehreren Aktivitäten die paral-
lel ablaufen. In ADEPT wird die Parallelität durch einen AND-Block realisiert. Dieser
AND-Block besteht aus einem AND-Split und einem dazugehörigen AND-Join (siehe
Abbildung 2.2 Nummer 4). Das AND-Split teilt den eingehenden Kontrollfluss in mehrere
ausgehende Pfade (auch Zweige genannt) auf. Das AND-Join verbindet alle eingehen-
den Pfade zu einem ausgehenden Pfad. Die ausgehenden Pfade des AND-Splits und
die eingehenden Pfade des dazugehörigen AND-Joins müssen die selbe Anzahl haben.
Entscheidung:
Eine Entscheidung, auch XOR-Entscheidung oder Auswahl genannt ist
analog wie die Parallelität aus einem XOR-Split und einem dazugehörigen XOR-Join
aufgebaut. Dieser XOR-Split und das XOR-Join wird als XOR-Block bezeichnet (siehe
Abbildung 2.2 Nummer 5). In einer XOR-Entscheidung wird beim XOR-Split genau ein
ausgehender Pfad ausgewählt bzw. alle anderen ausgehenden Pfade werden abgewählt.
Wichtig ist es wieder, dass bei dem dazugehörigen XOR-Join die gleiche Anzahl von
Pfaden eingehen wie bei dem XOR-Split ausgehen.
Schleife:
Eine Schleife ist eine Wiederholung von Sequenzen, Parallelitäten, Entschei-
dungen und Kombinationen daraus. Ein Schleifen-Block (siehe Abbildung 2.2 Nummer
6) wird durch ein
Start-Loop
gestartet und durch ein
End-Loop
beendet. In ADEPT, wird
von dem End-Loopknoten eine Kontrollkante zu dem Start-Loopknoten gezogen und so
der Schleifen-Block dargestellt. Bei der Modellierung ist zu Beginn noch nicht bekannt,
wie oft die einzelne Schleife wiederholt wird. Bei erreichen des End-Loopknoten wird
jeweils entschieden, ob die Schleife verlassen oder nochmals eine Iteration durchgeführt
wird.
7
2 Grundlagen
Start End
3 Sequenz
4 Parallelität
5 XOR
6 Schleife
1 Aktivität
2 Kontrollfluss
Abbildung 2.2: Basiselemente des ADEPT-Metamodells
2.2 Zeitaspekte in Prozessen
Neben der bisher beschriebenen Kontrollfluss-Sicht, existieren auch weitere Sichten auf
Prozesse (z.B.
Daten-Sicht, Ressourcen-Sicht
und
Operative-Sicht
[
vv02
][
JB96
]). In
[
LWR10
] wurden darüber hinaus die wichtigen Elemente der
Zeitbasierten-Sicht
erfasst
und beschrieben. Dabei wurden zehn verschiedene
Zeit-Patterns
(TP) identifiziert, wel-
che in 4 übergeordnete Kategorien einsortiert sind. Diese sind in Tabelle 2.3 dargestellt.
Pattern Catalogue
Category I: Durations and Time Lags
TP1: Time Lags between two Activities
TP2: Durations
TP3: Time Lags between Arbitrary Events
Category II: Restricting Execution Times
TP4: Fixed Date Elements
TP5: Schedule Restricted Elements
TP6: Time-based Restrictions
TP7: Validity Period
Category III: Variability
TP8: Time-dependent Variability
Category IV: Recurrent Process Elements
TP9: Cyclic Elements
TP10: Periodicity
Abbildung 2.3: Pattern Kategorie [LWR10]
8
2.2 Zeitaspekte in Prozessen
In dieser Arbeit sind hauptsächlich die
Zeit-Patterns
TP1, TP2 und TP9 von Bedeutung.
Diese drei Patterns lassen sich einfach aus den Einträgen des Prozess-Event-Logs
rekonstruieren und für die Verwendung der Analyse, der Darstellung und für den Monitor
nutzen.
2.2.1 Dauer und Zeitabstände von Aktivitäten
In der
Zeitbasierten-Sicht
besitzt eine Aktivität eine minimale und eine maximale Dauer.
Diese Dauer wird in Zeiteinheiten wie z.B. Stunden (h), Minuten (min), usw. angegeben.
Die maximale Dauer einer Aktivität muss dabei gleich oder größer wie die minimale
Dauer sein. Wie in Abbildung 2.4 zu sehen ist, wird eine Aktivität mit einer minimalen
Dauer (minD) und maximalen Dauer (maxD) versehen.
Start A
B
C
D End
minD: 2h
maxD: 3h
minD: 1min
maxD: 2min
minD: 2min
maxD: 3min
minD: 3h
maxD: 4h
minD: 5h 2min
maxD: 7h 3min
Abbildung 2.4: Aktivitäten- und Prozessdauer
Neben minimaler und maximaler Dauer existieren Zeitkanten, welche zeitliche Abstände
zwischen zwei Aktivitäten repräsentieren (siehe Abbildung 2.5). Diese Zeitkanten be-
sitzen jeweils drei Attribute: einen minimalen Abstand, einen maximalen Abstand und
die Art der Abhängigkeit der beiden Aktivitäten. Zudem ist die Art der Abhängigkeiten
zwischen den Aktivitäten eine der folgenden:
9
2 Grundlagen
•Start-Start:
Der zeitliche Abstand ist vom Startzeitpunkt der Startaktivität zum
Startzeitpunkt der Zielaktivität definiert. In ADEPT startet die Zeitkante an der
linken Kante der Startaktivität und endet an der linken Kante der Zielaktivität.
•Start-End:
Der zeitliche Abstand ist vom Startzeitpunkt der Startaktivität zum
Endzeitpunkt der Zielaktivität definiert. In ADEPT startet die Zeitkante an der linken
Kante der Startaktivität und endet an der rechten Kante der Zielaktivität.
•End-Start:
Der zeitliche Abstand ist vom Endzeitpunkt der Startaktivität und dem
Startzeitpunkt der Zielaktivität definiert. In ADEPT startet die Zeitkante an der
rechten Kante der Startaktivität und endet an der linken Kante der Zielaktivität.
•End-End:
Der zeitliche Abstand ist vom Endzeitpunkt der Startaktivität und dem
Endzeitpunkt der Zielaktivität definiert. In ADEPT startet die Zeitkante an der
rechten Kante der Startaktivität und endet an der rechten Kante der Zielaktivität.
Je nach Abhängigkeit der beiden Aktivitäten ist der minimale bzw. maximale Abstand
verschieden definiert. Der minimale Abstand ist die Verzögerung zwischen zwei Aktivi-
täten und deren Start- bzw. Endpunkten, welcher eintreten muss (z.B. bei
Start-Start
wird der Abstand zwischen den Startzeitpunkten der beiden Aktivitäten definiert). Der
maximale Abstand ist die Verzögerung die eintreten kann. Bei erreichen des Maximums
des maximalen Abstandes muss eine Aktivität ausgeführt werden. Analog wie bei der
Dauer muss der maximale Abstand größer oder gleich dem minimalen Abstand sein.
Start-Start
Start-End
End-End
End-Start
Abbildung 2.5: Prozess mit Zeitkanten in ADEPT
10
2.2 Zeitaspekte in Prozessen
Prozesse besitzen ebenfalls eine minimale und eine maximale Dauer. Diese Dauer setzt
sich aus den einzelnen Dauern der Aktivitäten und den zeitlichen Abständen zwischen
diesen zusammen. Die maximale Dauer des Prozesses ist der zeitlich schlechteste Weg
und die minimale Dauer des Prozesses der zeitlich beste Weg durch einen Prozess. Wie
in Abbildung 2.4 zu sehen ist, ist die minimale und maximale Dauer des Prozess von der
Startaktivität bis zur Endaktivität gemessen.
Durch die minimale/maximale Dauer einer Aktivität und den minimalen/maximalen
Abstand einer Aktivität resultieren für eine Aktivität verschiedene Anfangs- und Endzeit-
punkte. Diese allgemeinen Anfangs- und Endzeitpunkte sind in vier Zeitpunkte unterteilt:
Den
Frühesten Anfangszeitpunkt (FAZ)
, der den frühesten Moment an dem die Aktivität
starten kann beschreibt, den
Spätesten Anfangszeitpunkt (SAZ)
, der den spätesten
Moment an dem eine Aktivität starten muss beschreibt, den
Frühesten Endzeitpunkt
(FEZ)
, der den frühesten Moment an dem eine Aktivität beendet sein kann beschreibt
und den
Spätesten Endzeitpunkt (SEZ)
, der den spätesten Moment an dem die Aktivität
beendet ist beschreibt. Diese vier Zeitpunkte sind in der
Zeitbasierten-Sicht
von großer
Bedeutung.
2.2.2 Wiederholende Aktivitäten - Schleifen
Bei einer Schleife wird am Ende entschieden, ob die Schleife wiederholt oder ob sie
verlassen wird. Findet eine weitere Iteration der Schleife statt, können zeitliche Abstände
zwischen Aktivitäten in den verschiedenen Iterationen entstehen. Die Modellierung eines
zeitlichen Abstandes zwischen zwei Iterationen einer Aktivität ist in Abbildung 2.6 zu
sehen. Wie bei einem zeitlichen Abstand üblich, existiert ein minimaler und maximaler
Abstand, sowie die Art der Abhängigkeit (Start-Start, Start-End, End-Start, End-End)
2.2.3 Dauer und Abstände in Instanzen
In Abschnitt 2.2.1 wurde auf die Dauer von Aktivitäten und Abständen von Aktivitäten
eingegangen. Hierbei wurde dargestellt, dass die Dauern und Abstände ein Minimum
11
2 Grundlagen
Time Lag between two
subsequent iterations
Abbildung 2.6: Weiderholungen bzw. Cycles [LWR10]
und Maximum besitzen. Dieses Minimum und Maximum beschreibt aber nur den theoreti-
schen Zeitaspekt bei der Modellierung. Während der Ausführung eines Prozesses, kann
die Dauer oder der Abstand einen beliebigen Wert, auch außerhalb der Modellierung
annehemen. Zudem existieren in den wenigsten PMS Einstellungen für die Zeitaspekte.
Um die Dauer und einen Abstand zwischen Aktivitäten zu bestimmen, muss man in jeder
Instanz die Differenz von dem Ende einer Aktivität und dem Start der Aktivität bilden.
Durch diese Differenz erhält man die Dauer der jeweiligen Aktivität in einer Instanz.
Durch Bestimmung des Minimum und Maximum aller gleichen Aktivität in einer Instanz
des selben Prozesses, lassen sich die Zeitaspekte aus Abschnitt 2.2.1 darstellen. Jedoch
können fehlerhafte Messpunkte das reale Ergebnis verschleiern. Analog zu den Dauern
können Abstände zwischen zwei Aktivitäten gemessen werden. Diese Abstände können
durch die Abhängigkeiten des Abschnitt 2.2.1 beschrieben und bestimmt werden.
Neben den einzelnen Zeitaspekten die in Prozessen dargestellt werden können muss
man diese Aspekte erst berechnen und bestimmen können. Dies wird durch das Logging
von Ereignissen der Aktivitäten ermöglicht. Im nächsten Abschnitt werden diese Logging
Verfahren von Instanzen vorgestellt.
2.3 Logging von Ereignissen
Um Informationen über Prozesse und ihre Zeitaspekte zu generieren, müssen basierend
auf den Ereignissen und Zustandsänderungen von Aktivitäten und Instanzen Einträge
in den Daten-Log erzeugt werden. Dabei existieren für diese Eintragung in die Log-
12
2.3 Logging von Ereignissen
Dateien verschiedene Verfahren des Loggings. Hierbei wird unterschieden zwischen
dem Aufwand und der Komplexität des Loggings. Manche Logging-Verfahren decken
alle Zustandsänderungen von Aktivitäten ab, andere nur das nötigste. Weiter ist die
Komplexität der Verzweigungen von Tabellen und die Darstellung von Schleifen ein
bedeutender Faktor. Hierbei ergibt sich die Regel, je komplexer die Tabellenstruktur,
desto einfacher das Gewinnen der Informationen. Jedoch ergeben sich hierbei eine
Verringerung der Geschwindigkeit beim Einfügen und Erzeugen von Einträgen. Beim
Logging ist es zudem nötig, dass jeder Eintrag im Daten-Log einmalig und eindeutig
identifizierbar ist. Als praktikable Lösung wurden hier UUID (Universally Unique Identifier
V4) entwickelt, die durch ihre Erzeugungs-Zeit und einer zufallsgenerierten Zahl des
Datentyps
long
erstellt wird. In den folgenden Abschnitten werden zwei Verfahren
beschrieben. Eines für das komplette Logging der Zustandsänderungen und eines für
die minimale Anforderung, welches die Verfahren aus den Kapiteln 4 und 5 benötigen.
UUID Timestamp ActID Event
5333cf62-e1d3-4981-a8b2-7d4c59cfd1ef 1433016512 1 STARTED
32a3ed02-f2df-421a-8b55-e5f0ced6e9a3 1433059997 2 STARTED
8ef03a7d-fa9b-4ffc-908b-0b54d2838ce6 1433016988 1 COMPLETED
7ce617bb-70f2-4ebb-9b2e-62b9766842bb 1433020030 4 STARTED
Tabelle 2.1: Prozess-Event-Log
2.3.1 Komplettes Logging
Bei der Ausführung werden die einzelnen Aktivitäten im ADEPT-Metamodell mit einem
Zustand bewertet. Dieser Zustand kann sich beispielsweise bei der Aktivierung oder
Deaktivierung einer Aktivität ändern. Die einzelnen Zustände und ihre Übergänge sind in
Abbildung 2.7 gezeigt. Dabei wurde das Zustandsdiagramm des ADEPT-Metamodells um
einen weiteren Zustand
Blocked
erweitert. Dieser Zustand ist für die Zeiterweiterung des
ADEPT-Metamodells aus dem vorigen Abschnitt nötig, um das Warten auf die Erfüllung
eines minimalen Abstands zu realisieren. Diese Zustände
NotActivated, Activated,
Started, Blocked, Skipped und Completed
werden durch Aktivitäten in einer Instanz
angenommen und in diesem Moment im Log gespeichert. Die der Tabelle 2.1 zeigt
13
2 Grundlagen
einen Daten-Log, mit einer UUID (Version 4) den Erzeugungs-Zeitstempel, die ID einer
Aktivität und das dazugehörige Ereignis.
NOT_ACTIVATED ACTIVATED
STARTED
COMPLETED
FAILED
SKIPPED
SUSPENDED
disable
start
suspend
resume
finish
WAITING
RUNNING
TERMINATED
abort
skip
BLOCKED
enable & t < t
iakt enable & t > t
iakt
enable & t > t
iakt
enable & t < t
iakt
t : Startzeitpunkt des Knoten i
i
t : Aktuelle Prozesszeit
akt
Abbildung 2.7: ADEPT Knotenzustände mit Zeiterweiterung (in Anlehnung an [Rei00])
2.3.2 Minimales Logging
Die minimale Anforderung an das Logging erfüllt die Software AristaFlow. Dieses mi-
nimale Logging ist die Grundlage für die Kapitel 4 und 5. Bei diesem Logging werden
nur die Zustandsänderungen des
Started
und
Completed
von Aktivitäten beachtet und
gespeichert. Durch diese beiden Zustände lassen sich die Dauer einer Aktivität und
die Abstände zwischen Aktivitäten bestimmen. Die weiteren Zustände aus Abbildung
2.7 können zum Teils rekonstruieren werden. Diese Rekonstruktion können wir nur
durchführen, wenn wir das Logging-Verfahren und die unterstützten Zustände der PMS
kennen.
Im nächsten Kapitel werden verwandte Themengebiete aus der Statistik, der Prozess-
analyse, der Transformation von Prozessen, weitere Aspekte des Monitorings und
Zeitaspekte in Geschäftsprozessen vorgestellt.
14
3
Related Work
Dieses Kapitel beschreibt verschiedene Herangehensweisen für die einzelnen Kompo-
nenten des Monitorings und der Darstellung von zeitbehafteten Geschäftsprozessen.
Für die Analyse werden zu Beginn Grundlegende statistische, stochastische und Data-
Mining-Verfahren vorgestellt. Diese Verfahren können zeitbehaftete Messreihen von
Dauern von Aktivitäten oder Abstände zwischen Aktivitäten beschreiben. Im darauf
folgenden Abschnitt 3.3 werden Herangehensweisen für die Analyse von zeitbehafteten
Geschäftsprozessen vorgestellt und diskutiert. Zuletzt werden bekannte Verfahren für
das Monitoring und Darstellung mit Transformationen von zeitbehafteten Geschäftspro-
zessen besprochen.
15
3 Related Work
3.1 Statistische Verfahren
Ohne grundlegende statistische Verfahren kann man über Messreihen, die aus der Dau-
er einer Aktivität oder Abstände zwischen Aktivitäten bestehen nur wenige Informationen
extrahieren. Diese statistische Verfahren spielen für die Gewinnung von zusätzlichem
Wissen eine große Rolle. Die Statistik ist für den Analyseteil für die Darstellung und
Monitoring-Komponente wichtig, da sie automatisiert Daten berechnen und Wissen ge-
nerieren kann. Neben einfachen Verfahren, wie z.B. die Mittelung oder dem Median von
zeitbehafteten Messreihen, werden in diesem Abschnitt Verfahren erläutert, welche die
Messreihen grafisch für den Benutzer aufbereiten [
Cha83
]. Diese Quantile, Histogramme
und Verteilungen werden in diesem Abschnitt gezeigt und bezüglich ihrer Festigkeit
gegenüber Ausreißern beschrieben.
3.1.1 Mittel, Modus, Median und Durchschnitte
Klassische Berechnungen für die Mittelung von Messreihen sind in der Mathematik
Standard-Verfahren in verschiedenen Anwendungsbereichen. Um ein Mittel zu berech-
nen existieren verschiedene Mittelungsverfahren: das gestutzte Mittel, gleitende Mittel,
geometrische Mittel, der Modus (häufigster vorkommender Wert) und der Median (Wert
an der mittleren Stelle, einer sortierten Reihe). Die Definition 3.1 zeigt die Definition
für das arithmetische Mittel. Weitere Mittel werden durch weitere Verfahren geglättet
oder gefiltert. Hierbei sind nur manche Mittel ausreißerneutral und können mit extremen,
unerwünschten Werten umgehen. Bei der Berechnung des einfachen Durchschnitts
fallen große Ausreißer stark in das Gewicht der Berechnung, wobei bei einem Median
extreme Ausreißer, wegen der Teilung der sortierten Messreihe, kaum zu Gewicht fallen.
Diese Durchschnitte und Mittel sind die essentielle Grundlage für die meisten Verfahren
aus der Statistik und werden in den folgenden Abschnitten benötigt.
¯xaverage =1
n
n
i=1
xi=x1+x2+...+xn
n(3.1)
16
3.1 Statistische Verfahren
3.1.2 Quantile
Ein Quantil ist ein Lagemaß, welches eine Messreihe beschreibt. Man teilt hierbei die
Messreihe in gleich große Teile. Bei dem kleinsten Quantil wird die Messreihe in zwei
Teile geteilt, wobei die Grenze der Median ist. Diese Teilung kann bis in das Endliche
weiter betrieben werden. In den meisten Anwendungen werden die Messreihen in
Quartile oder in Dezile eingeteilt. Quartile sind hierbei die Grundlage für die grafische
Darstellung, der Boxplots.
Quartile
(lateinisch „Viertelwerte“) beschreiben die Einteilung von Messreihen in vier
gleichgroße Teile. Die Grenzen der Einteilungen werden im 1. Bereich durch den kleins-
ten Wert der Messreihe und dem unteren Quartil
Q0,25
(alle Werte die kleiner sind als
25% aller sortierten Werte) bestimmt. Der 2. Bereich ist zwischen dem
Q0,25
und
Q0,5
Quartil/Median (Werte zwischen dem
Q0,25
und kleiner als die Mitte aller sortierten
Werte) angesiedelt. Der 3. Bereich liegt zwischen der
Q0,5
-Grenze und dem oberen
Q0,75
-Quartil. Zuletzt der 4. Bereich, welcher alle Werte größer der
Q0,75
beheimatet.
Weiter lassen sich, das Minimum/Maximum der Messwerte in dem unteren/oberen
Quartil ablesen und die Spannweite der Differenz von Maximum und Minimum bestim-
men. Der Interquatilsabstand beschreibt die Ausdehnung, der Differenz des Wertes der
Q0,75-Grenze und des Wertes der Q0,25-Grenze.
Dezile
(lateinisch „Zehntelwerte“) werden analog wie die Quartile in gleichgroße Teile
gesplittet. Dabei werden Messreihen in zehn umfangsgleiche Teile zerlegt. Entsprechend
liegt z.B. ein drittel der Werte unterhalb des dritten Dezils (Quantil
Q0,3
), also 30 % aller
Messwerte unterhalb des
Q0,3
. Der Abstand zwischen dem 10%-Dezil und dem 90%-
Dezil wird als Interdezilbereich bezeichnet und stellt 80% der Werte dar.
Boxplot
Ein Boxplot basiert auf den Grundlagen der Quartile. Die Messreihe wird in vier umfangs-
gleiche Teile zerlegt und in einer visuellen Form dargestellt (siehe Abbildung 3.1). Dabei
wird zwischen der
Q0,25
-Grenze und der
Q0,75
-Grenze eine Box gezogen. Diese Box
beinhaltet 50% aller Messwerte und beschreibt durch die Werte der Grenzen den Inter-
17
3 Related Work
quartilsabstand (kurz IQR). Der Median bzw. die
Q0,5
-Grenze eines Quartils wird durch
einen Strich in der Box markiert und zeigt die Verschiebung der Verteilung (linksschief
bei einer Annäherung zur
Q0,25
-Grenze bzw. rechtsschief bei einer Annäherung an die
Q0,75
-Grenze) der Messreihe an. Falls eine Normalverteilung vorliegt ist das Boxplot
ungefähr symmetrisch.
0
Abbildung 3.1: Boxplot, Antennen und Ausreißer
Der Unterschied zu den Quartilen besteht bei den Boxplots darin, dass Antennen (engl.
Whisker) für die Erkennung von Ausreißern hinzugefügt werden. Für die Antennen
existieren verschiedene Definitionsgrundlagen. Zum einen die von John W. Tukey stam-
mende Definition [
Tuk77
], wobei die Länge der untere/obere Antenne den nächsten Wert
einnimmt, welcher von der
Q0,25
- bzw.
Q0,75
-Grenze 1,5-fachen IQR-Abstand entfernt ist.
Innerhalb der unteren und oberen Antennengrenze liegen in den meisten Fälle 96% aller
Messpunkte. Die restlichen 4% werden als schwache Ausreißer bezeichnet. Analog zu
der Definiton von Tukey, existiert eine extremere Darstellung der Antennengrenzen des
3-fachen IQRs. Diese Punkte außerhalb dieser Antennen werden als extreme Ausrei-
ßer deklariert und meist in der visuellen Darstellung der Boxplots weggelassen. Diese
extremen Ausreißer sind durch die schwachen Antennen bereits abgedeckt.
3.1.3 Histogramme und CUMSUM
Histogramme sind ähnlich wie Boxplots eine visuelle Darstellungs-Möglichkeit für die Be-
schreibung von Messdaten. Jedoch werden die zeitbehafteten Messdaten bei Histogram-
18
3.1 Statistische Verfahren
men meist an einer festen oder variablen skalierbaren Achse in Bereiche eingeordnet
und gezählt. Die Breite eines Rechteckes basiert auf den Grenzen des Wertebereichs
der Skalierung und die Höhe beschreibt die Anzahl der Häufigkeit aller Messpunkte in
diesem Wertebereich (Klassen). Die Anzahl kann sich hierbei auf relative oder absolute
Häufigkeitsdichte beziehen. Die Breite der Balken kann durch verschiedene Verfahren
erstellt werden. Die erste Bestimmung der Breite, ist Bestimmt durch die Differenz von
Minimum und Maximum dividiert durch eine fixe Anzahl an Wertebereichen (Bestimmung
der Anzahl der Klassen durch Erfahrungswerte oder per Faustregel siehe Tabelle 3.1),
als zweites Anhand der Sturges Regel
k= 1 + log2n=1+3,3·log10 n
und zuletzt durch
Scott [
SCO79
], welche die Streuung der Daten beachtet und den Interquartilsabstand
zur Hilfe nimmt. In Abbildung 3.2 sieht man unterschiedliche Histogramme. Diese Hi-
stogramme basieren auf der gleichen zeitbehafteten Messreihe, bei unterschiedlicher
Breite der Klassen.
Anzahl der Werte Klassen
<50 8
50 bis 100 16
100 bis 250 16
>250 32
Tabelle 3.1: Faustregel für Histogramme
Messreihe: 2,2,2,2,5,5,5,5,4,4,4,4,6,6
0246 135
Anzahl Anzahl
Klassen Klassen
Abbildung 3.2: Unterschiedliche Histogramme mit gleichem Datensatz
19
3 Related Work
Die kumulative Summe (CUMSUM) beschreibt eine Methode zur Erkennung von Än-
derungen von Parametern wenn ein Eingriff nötig wird. Als grafische Visualisierung
lässt sich für die CUMSUM das V-Mask Diagramm benutzen. Die CUMSUM beschreibt
hierbei die Differenzen von Datenwerten
xn
und Wahrscheinlichkeitsfunktionen
wn
(Bsp.
Likelihood). Die Summe ist als
S0=0,S
n=max(0,S
n−1+xn+wn)
definiert und erkennt
Abweichungen negativer und positiver Art in bestimmten kritischen Bereichen.
3.1.4 Normalverteilungen
Die Abweichung von naturellen, wirtschaftlichen und anderen Messwerten beruht meist
auf dem zentralem Grenzwertsatz, der eine Verteilung von genügend unabhängigen
Zahlen als Normalverteilt ansieht. Diese Verteilung zieht man für die Erkennung von
Messfehlern und Abweichungen herbei. Der Hochpunkt bzw. Peak der Normalvertei-
lung ist in den meisten Fällen der Mittelwert und Durchschnitt aller Messpunkte. Für
die Abweichungen und Verteilungen von Messpunkten um diesen Mittelwert wird die
Varianz
σ
benötigt und folgende Aussagen lassen sich über die Messpunkte bei einer
Normalverteilung sagen:
•50% aller Werte haben eine Abweichung von höchstens 0,675σvom Mittelwert
•90% aller Werte haben eine Abweichung von höchstens 1,645σvom Mittelwert
•95% aller Werte haben eine Abweichung von höchstens 1,960σvom Mittelwert
•99% aller Werte haben eine Abweichung von höchstens 2,576σvom Mittelwert
Die mathematische Definition der Normalverteilung ist durch die Definition 3.2 und der
z-Verteilungen 3.3 gegeben. Die Standardnormalverteilung wird mit den Verteilungsei-
genschaften mit μ=0und σ2=1definiert.
F(x)= 1
ˆs√2πx
−∞
e−1
2(t−¯xaverage
ˆs)dt (3.2)
z(α)=z(1 −α)= 1
√2πz
−∞
e−1
2t2dt (3.3)
20
3.2 Data-Mining Verfahren
3.2 Data-Mining Verfahren
Neben statistischen Verfahren spielen in der Analyse von Prozessen die Verfahren aus
dem Data-Mining eine große Rolle. Diese können für die Verknüpfung und Generie-
rung von Wissen und für die Analyse von wichtigen Bestandteil sein. Zudem können
durch unterschiedliche Verfahren, wie das Clustering oder die Regression, statistischen
Verfahren in ihrer Genauigkeit verbessert und beschleunigt werden.
3.2.1 Clusteranalyse
Bei einer Clusteranalyse beschreibt man ein Verfahren, das Gleichheiten und Ähnlich-
keiten von Eigenschaften erkennt. Diese gefundenen Ähnlichkeiten nennt man Cluster.
Hierbei können Cluster nicht nur eine Dimension eines Attributes beherbergen, sondern
auch mehrere Dimensionen. Diese Analyse der Cluster lassen sich in den meisten
Fällen erst durch eine nachträgliche Analyse identifizieren, um weiteres Wissen über die
Daten zu erzeugen. In Abbildung 3.3 wird ein zeitlicher Ablauf mehrerer Instanzen ge-
zeigt. Ähnliche zeitliche Abläufe lassen sich zusammenfügen und den Durchschnitt, wie
Abbildung 3.3 zu sehen berechnen. Weiter lässt sich aus vielen Messreihen ein durch-
schnittlicher Fall bestimmen (siehe Abbildung 3.3, P4). Typische Cluster-Eigenschaften
in Geschäftsprozessen sind die zeitliche Ablaufreihenfolge von Aktivitäten einer Instanz
und gleicher Aktivitäten in einem Prozess.
Abbildung 3.3: Clustering von Messreihen [KP98]
21
3 Related Work
3.2.2 Regression
Die Regression beschreibt eine mathematische Methode, um an Messdaten mit Para-
metern mit möglichst wenig Wiedersprüchen und Abweichungen an eine bestmögliche
Funktion anzunähern. In den meisten Fällen werden Messdaten als eine angenäherte
Kurve dargestellt und die Abweichung zu den realen Messdaten bestimmt. Hierbei exis-
tieren einige Verfahren wie die kleinsten Quadrate, stochastische, funktionale Modelle,
das Gaußesche Eliminationsverfahren und selbst graphische Verfahren für den Benutzer.
In einer Instanz können die Anfangs- und Endzeitpunkte der Aktivitäten durch eine
Regression dargestellt und durch die Clusteranalyse verfeinert werden.
3.3 Analysen auf Prozesse und Prozesselementen
Eine Analyse für Prozesselementen basiert in den meisten Fällen auf den oben be-
schriebenen Verfahren. Jedoch muss für jedes statistische oder Data-Mining Verfahren
der Prozess aufbereitet und für die Analyse angepasst werden. Hierbei spielen die zeit-
behafteten Attribute eines Prozesses und dessen Instanz eine große Rolle. In diesem
Abschnitt werden Verfahren vorgestellt, die Prozesse analysieren und für das Monitoring
bzw. die Vorhersagen Daten bereitstellen.
3.3.1 Verteilungen einzelner Dauern von Aktivitäten
Die Dauern von einer Aktivität und Abstände zwischen Aktivitäten lassen sich als
Messpunkt in einer zeitbehafteten Datenreihe sehen. Auf dieser Datenreihe lässt sich
ab einem gewissen Maß an Messpunkten die Verteilungsfunktion der jeweiligen Reihe
bestimmen[
RSW12
]. Bei einer Verteilung kann man davon ausgehen, dass die Werte
mit der Wahrscheinlichkeit unter und über 1% als Ausreißer gesehen werden können.
Zudem können bei Entscheidungen in Prozessen mehrere Peaks und daher mehrere
Normalverteilungen in einer Messreihe entstehen (siehe Abbildung 3.4). Dadurch können
schnell kritische Bereiche und Ausreißer erkannt werden. Diese Grenzen unterhalb des
1% unterteilt die Messreihe in Intervalle, die durch einen kritischen und einen korrekten
22
3.3 Analysen auf Prozesse und Prozesselementen
Bereich beschrieben werden. Der kritische wird durch die untere bzw. obere Grenze
eingegrenzt und der korrekte Bereich durch die Werte zwischen der unteren/oberen
Grenze, bei mehreren Verteilungen in einer Messreihe.
Abbildung 3.4: Verteilungen auf zeitbehafteten Messreihen [RSW12]
3.3.2 Filter und Statistische Verfahren
Neben den Verteilungen spielen einfache statistische Verfahren für die Vorhersage
eine große Rolle. Berechnungen des Mittels, Medians, Minimum, Maximum und der
Varianz gehören zum Standard. Diese Verfahren wurden in Abbildung 3.5 angewandt
und an den Prozess annotiert. Das besondere an den Herangehensweisen an dieser
Methode, ist das Benutzen von Filtern und Berechnung des Fehlers gegenüber des
Mittels. Zudem können auf Prozesse und seinen Daten-Logs verschiedene Sichten und
Zusammenfassungen dessen Ereignissen erstellt werden [
ASS11
]. Diese Verfahren
sind für die grundlegende Transformation und Analyse notwendig und bieten eine
breite Grundlage für weitere Analysen auf Messreihen. Weiter können Sichten mit
verschiedenen Berechnungsgrundlagen zum Instanzende oder Instanzanfang genutzt
werden.
23
3 Related Work
Abbildung 3.5: Einfache Berechnung und Analysen der Zeitaspekte [ASS11]
3.4 Monitoring von Prozessen
Die Analyse der Daten stellt die Grundlage für das Monitoring dar. Diese Analysen
generieren aus verschiedenen Ereignis-Logs Informationen über einen Prozess, welche
für den Monitor verwendet werden. Hierbei spielt die Abhängigkeit zwischen Aktivitäten,
Instanzen, den parallel laufenden Instanzen und die Umwandlung des Geschäftsum-
feld eine große Rolle beim Monitoring. In diesem Abschnitt werden einige Verfahren
für das Zusammenspiel von Ereignisse, Instanzen und weiteren Monitoringelementen
vorgestellt.
3.4.1 Konversation zwischen Instanzen und Events
Um ein Monitoring zu ermöglichen, werden nach dem Erzeugungs-Zeitstempel die
Ereignisse geordnet. Dadurch können Schlüsse auf die Instanzen gezogen und eine
Umwandlung in neues Wissen generiert werden. Diese Umwandlung und Abhängig-
keiten der Instanzen, Ereignissen und die Kommunikation ist in Abbildung 3.6 gezeigt.
24
3.4 Monitoring von Prozessen
Eine Änderung in der einen Komponente erzeugt eine Änderung in den Abhängigkeiten.
In der einen Komponente werden bei der Ausführung von Instanzen Ereignisse in den
Log geschrieben und zur Überwachung der laufenden Instanz zur Hilfe genommen.
Dabei ist die Umwandlung und Bereitstellung der Informationen aus dem Log für die
Überwachung essentiell. Diese Umwandlung kommuniziert mit den Instanzen und stellt
für die Ausführung der Instanzen Informationen über die Ereignisse bereit [
BDDW07
].
Diese beiden Komponenten interagieren durchgehend miteinander, um eine Vorhersage
über Komponenten der Instanz treffen zu können. Dieser Aufbau zeigt den grundle-
genden Aufbau eines Monitors. Durch eine Extraktion der Daten aus den Logs, der
Transformation der Daten, das Analysieren der Daten und im letzten Schritt das Laden
der Daten in den Monitor beschreibt den ersten Schritt der Überwachung von Prozessen.
Nach diesem Laden werden die Ereignisse mit den Analyse-Daten verglichen.
Kommunikation
Umwandlung Prozess Instanzen
Sortiere Ereignisse/Events
Abbildung 3.6: Zusammenspiel der Komponenten [BDDW07]
3.4.2 Definierte Überwachungspunkte in Prozesse
Wie in den Grundlagen beschrieben, wird eine Aktivität in einem Geschäftsprozess
durch verschiedene Ereignisse (engl. Events) dargestellt. Diese Aktivität kann mehrere
Zustände, wie in Kapitel 2 beschrieben annehmen. Diese Änderung kann als Event
gesehen und als Überwachungspunkt deklariert werden [
HKRS12
]. Wie in Abbildung
3.7 zu sehen, wurde bei dem Überwachungspunkt
M1
, das Event des Beginns ausge-
wählt und bei den Überwachungspunkten
M2
und
M3
das Event des Terminierens der
Aktivität. Weiter werden Systeme und verschiedene Verfahren festgelegt, in welchen die
Ereignisse behandelt werden. Hierbei kann die Art des Monitorings festgelegt werden
25
3 Related Work
Abbildung 3.7: Prozess in Verbindung mit Events [HKRS12]
3.4.3 Korrelationen von Ereignissen
Neben einer Einteilung der Ereignisse in die Zustandsänderung einer Aktivität können Er-
eignisse je nach ihrer Eigenschaft und Ort der Entstehung eingestuft werden [
BDDW07
].
Hierbei wird zwischen
Action
und
Communication
Events unterschieden. Action Events
werden von einem Benutzer ausgeführt und können Communication Events auslösen.
Diese Communication Events stoßen bei einem anderen Benutzer ein
Communication
Event
an, welches das
Action Event
des Benutzers auslöst. Diese werden daher durch
die Abhängigkeit der Zeit, des Benutzers, der Ort der Entstehung und die Art des Events
definiert. Die Abhängigkeiten der Events mit den Benutzern ist in Abbildung 3.8 zu
sehen, dabei interagieren die Benutzer mit den Action Events, welche in Abhängigkeit
mit den Communication Events stehen. Diese Events und Abhängigkeit können für
das Monitoring in verschiedene Patterns eingeteilt werden die nach [BDDW07] folgend
definiert sind: 1. Korrelation, definiert einen Mechanismus, welcher eine Abfolge von
Events direkt oder transitive in Verbindung mit Zeitstempel und zeitbehafteten Intervallen
darstellt, 2. Konversations, beschreiben eine Abhängigkeit zwischen zwei Konversa-
tionen in verschiedenen Instanzen, 3. eine Instanz in Verbindung mit Abhängigkeiten,
beschrieben durch eine Gruppierung von Events in einer Instanz in Kombination mit den
Abhängigkeiten eines Benutzer. Diese Definitionen stellen Gruppierungen dar, die das
Monitoring auf verschiedene Bereiche einschränkt.
26
3.4 Monitoring von Prozessen
Abbildung 3.8: Verschiedene Event-Typen [BDDW07]
3.4.4 Berechnen der Intervalle zum Schluss
Abstände zu überwachen ist das Essentielle des Monitorings. Dabei bieten sich zwei
Möglichkeiten den Fortschritt einer Instanz zu bestimmen. Zum einen im Verhältnis zum
Anfang der Instanz und zum anderen bis zum Ende. Es wird geschaut ob die Intervalle
valide oder nicht valide sind [
CP99
] und es wird zwischen strikten (siehe Abbildung
3.9) und längsten Intervallen unterschieden. Das strikte Intervall beschreibt die Zeit
die eingehalten werden muss und das längste was im schlimmsten Fall eintreten kann.
Diese Abstände werden hierbei zum Ende der Instanz für die Vorhersage gemessen.
Neben den Monitoringverfahren im Allgemeinen, spielen in dieser Arbeit die Darstellung
von Zeiten in Prozessen eine Rolle und werden im folgenden Abschnitt beschrieben.
27
3 Related Work
Abbildung 3.9: Abstände zum Schluss [CP99]
3.5 Zeitmanagment in Prozessen
Neben den Zeitaspekten aus Abschnitt 2.2, existieren noch weitere Verfahren für die
Darstellung und Transformation von zeitbehafteten Geschäftsprozessen. Die Zeitaspekte
aus den Grundlagen stellen nur die nötigsten Voraussetzungen für diese Arbeit dar.
Jedoch haben in der Vergangenheit unterschiedliche und komplexe Verfahren aus der
Künstlichen Intelligenz und verschiedenen Planern Einzug in die Welt der Prozess-
Management-Systeme gehalten.
3.5.1 Transformation eines zeitbehafteten Prozessgraphen
Ein typischer Prozessgraph aus dem
ADEPT2
-Prozess-Metamodell lässt sich für die
Weiterverwendung für Algorithmen und Darstellungs-Möglichkeiten kaum verwenden, da
diese Sicht des Prozesses für den Benutzer optimiert ist. Daher muss der Prozessgraph
transformiert und angepasst werden. In dieser Anpassung, werden einzelnen Aktivitäten
in zwei separate Knoten aufgespaltet. Gateways, die als Raute dargestellt sind, erhalten
einen separaten Knoten im neuen Prozessgraphen. Dies ist in Abbildung 3.10 zu sehen.
Hierbei wird die Dauer einer Aktivität gleich behandelt wie ein Abstand zwischen zwei
Aktivitäten. Dieser neue Abstand hat dabei die zeitlichen Eigenschaften von einer
minimalen und maximalen Dauer. Daher wird zwischen einem Prozessmodell und dem
Zeitmodell unterschieden [
LR14
]. Das Zeitmodell kann für das Prozessmodell je nach
28
3.5 Zeitmanagment in Prozessen
Transformationseigenschaften unterschiedlich sein und für die jeweilige Algorithmen der
weiteren zeitbasierten Berechnungen genutzt werden.
Abbildung 3.10: Transformation von zeitbehafteten Prozessen [LR14]
3.5.2 Transformation eines Prozessgraphen in Anlehnung an CSTNU
In diesem Verfahren, werden Prozesselemente durch weitere Zeitaspekte aus der Tabelle
2.3 erweitert. Hierbei wurde im Vergleich zum vorigen Abschnitt die Prozesselemente
noch weiter verfeinert und in drei anstatt zwei Knoten aufgespaltet [
LPCR13
]. Dadurch
lassen sich weitere zeitbasierte Elemente, wie die minimale Dauer, die maximale Dauer
im besten Fall und die maximale Dauer im schlechtesten Fall darstellen und für die
weitere Berechnung anwenden lassen. Dies ist beispielsweise in Abbildung 3.11 für
die Aktivität A zu sehen. Durch diese Anpassungen des Zeitmodells lassen sich alle
Eigenschaften der Zeitaspekte aus Tabelle 2.3 berechnen und aus einem Prozessmodell
extrahieren.
Nach den Grundlagen und den verwandten Themengebieten, werden die Verfahren
bewertet und ein Fazit gezogen, welche für die Darstellungs- und Analyse-Möglichkeiten
interessant sind. Diese kurze Bewertung wird im nächsten Abschnitt vorgestellt.
29
3 Related Work
Abbildung 3.11: Aktivität mit Mapping auf CSTNU [LPCR13]
3.6 Fazit
Nach der Betrachtung verschiedener statistischer und Data-Mining Verfahren, wurde
in diesem Kapitel die Analyse von zeitbasierten Prozesselementen, Verfahren auf zeit-
liche Messreihen und verschiedene Transformationen vorgestellt. Hierbei haben sich
für die Analyse von zeitbehaftete Geschäftsprozesse einige Verfahren alleine und in
Kombination miteinander von Vorteil erwiesen. Im nächsten Kapitel werden Verfahren
der Boxplots und Histogramme für die Analyse und Darstellung herangezogen. Diese
Verfahren können mit den meisten Verteilungen umgehen und beherrschen zum Teil eine
automatisierte Eliminierung der Ausreißer in den Messreihen. Weiter wurde aufbauend
auf den Abschnitten 3.4 & 3.5 einige Verfahren für das Monitoring und der Vorhersage
vorgestellt, welche im Kapitel 5 in abgewandelter Weise verwendet werden.
30
4
Analyse und Darstellung von
zeitbehafteten Geschäftsprozessen
Im Folgenden werden die in Kapitel 1 diskutierten Anforderungen an die Darstellung und
Analyse von zeitbehafteten Geschäftsprozessen umgesetzt. Eine solche Darstellungs-
und Analyse-Möglichkeit nimmt bei der Optimierung einzelner Geschäftsprozesse ei-
ne wichtige Rolle ein. Beispielsweise können durch die Verknüpfung von historischen
Prozess-Event-Logs und den Informationen des Prozess-Management-Systems neue
Informationen über den Geschäftsprozess gewonnen werden. Da diese Prozess-Event-
Logs den Erstellungs-Zeitstempel der Ereignisse beinhalten, können die Zeitstempel
für die Generierung von Aussagen über zeitlichen Eigenschaften von Instanzen und
Aktivitäten genutzt werden. Diese Aussagen über die zeitlichen Eigenschaften bewerten
Prozesselemente und ermöglichen es, Schlüsse über den Zustand der Prozesselemente
zu ziehen. Um dieses Verfahren der Analyse und Aufbereitung von zeitbehafteten Daten
31
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
zu ermöglichen, können diese durch einen ETL-Prozess Referenz analysiert und für die
spätere Darstellung in einer geeigneter Form aufbereitet werden. Dieser ETL-Prozess
ist in mehrere Schritte unterteilt: der erste Schritt ist die Daten Extraktion, der zweite
die Transformation und zuletzt noch das anpassen der Form für das Laden in folgen-
de Systeme. Dieser ETL-Prozess sollte die Darstellung der zeitbehafteten Daten der
in Kapitel 1 diskutierten Anforderungen, erfüllen. Diese Anforderungen beinhalten die
typischen Prozesselemente, wie Sequenzen, Parallelität, Entscheidungen und Schleifen.
Für diesen ETL-Prozess und die damit einhergehenden Probleme werden im Folgenden
Lösungsansätze aus der Statistik präsentiert, erörtert und anhand den Anforderungen
bewertet.
Im ersten Abschnitt, wird der ETL-Prozess beschrieben, welcher die Analyse der zeitbe-
hafteten Daten beinhaltet. Diese Analyse der zeitbehafteten Daten wird in den folgenden
zwei Abschnitten beschrieben. Zum einen die Analyse- und Darstellungs-Möglichkeit mit
Histogrammen und zum anderen mit den Boxplots. Diese beiden Visualisierungen von
zeitbehafteten Messreihen werden an einem
ADEPT2
-Prozess annotiert und behandelt.
Im vierten Abschnitt wird die Analyse- und Darstellungs-Möglichkeit um die Transfor-
mation des Prozessgraphen erweitert. Danach wird eine Möglichkeit zur Beschreibung
von Organisationsstrukturen, welche in den Prozesselementen eine Rolle spielen, be-
schrieben. Abgeschlossen wird das Kapitel durch einen kurzen Vergleich, welcher auf
die wichtigsten Punkte und Probleme bei der Darstellung und Analyse eingeht.
4.1 ETL-Prozess
Für die Gewinnung der Analyse-Ergebnisse aus den Event-Logs der zeitbehafteten
Geschäftsprozesse müssen die Informationen und Daten aus den verschiedenen Quellen
herangezogen und verarbeitet werden. Bei dieser Verarbeitung müssen die Daten aus
den unterschiedlichen Quellen so angepasst und bearbeitet werden, dass diese für die
Darstellung im PMS und im Monitor verwendet werden können. Diese Verarbeitung wird
mit Hilfe eines ETL-Prozesses (Extract, Transform, Load) durchgeführt [
BSS00
]. Dieser
Prozess ist ein drei Schritte aufgeteilt (siehe Abbildung 4.1). Der erste Schritt besteht
aus dem
Extrahieren
der Informationen und der Daten aus den verschiedenen Quellen.
32
4.1 ETL-Prozess
Diese Daten werden dadurch in einen zentralen Arbeitsbereich des ETL-Prozesses
bereitgestellt. Auf diesem Arbeitsbereich arbeitet der zweite Schritt die
Transformation
.
Diese Transformation erkennt die passende Datentypen der Quelldaten und verknüpft
die verschiedenen Quellen. Im selben Schritt werden die in den Abschnitten 4.2, 4.3 &
4.4 vorgestellten Analyseverfahren angewandt und ausgeführt. Dabei werden fehlerhafte
Datenreihen und Datenpunkte entfernt. Im letzten Schritt des
Loading
werden die Daten
in ein passendes Format für die Darstellung im PMS und des Monitors gebracht und
anschließend in diese geladen.
4.1.1 Extraktion
Der erste Schritt des ETL-Prozesses besteht darin die verschiedenen Informationen
aus den vorliegenden Quellen zu extrahieren und im Arbeitsbereich des ETL-Prozesses
bereitzustellen. Die benötigten Informationen liegen dabei in den unterschiedlichen
Quellen in verschiedenen Formaten und Strukturen vor und müssen daher zunächst
für den Arbeitsbereich aufbereitet werden. Diese Aufbereitung geschieht durch speziell
angepassten Verfahren für die unterschiedlichen Datenquellen. Dabei spielt die Art
der Verbindung zu der Quelle, die Struktur der Informationen und die Verteiltheit des
Quellsystems für die Anpassung und Bereitstellung eine wichtige Rolle.
Diese unterschiedlichen Datenquellen müssen in verschiedenen Zyklen aktualisiert
werden. Änderungen an einem Prozess müssen versioniert und die Extraktion teils
neu angewandt werden. Nach einem gewissen periodischen Zyklus müssen die neu
generierten Daten des Prozess-Event-Logs dem Arbeitsbereich hinzugefügt werden.
Dadurch wird gewährleistet, dass die Analyse auf den aktuellen Daten arbeitet und
ein korrektes Ergebnis liefert. Zudem werden bei der Extraktion fehlerhafte und nicht
komplette Daten beim Bereitstellen in den Arbeitsbereich entfernt. Die Art, wie die Daten
aus den unterschiedlichen Quellen im Arbeitsbereich bereitgestellt werden, ist je nach
Verfahren unterschiedlich. Die Anpassung auf das passende Format im Arbeitsbereich
wird im Schritt der Transformation erledigt.
33
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
ID Time State
1 456789 14
1 690354 16
2 798334 14
...
...
...
...
... ... ... ...
PMS
Flatfile / Datenbank
Extraktion
2. Transformation
Siehe Abschnitt
4.2, 4.3, 4.4 & 4.5
1. Transformation
Anpassung Zeiten
Verbindung PMS / DBs
Loading
ID Time State
1 456789 14
1 690354 16
2 798334 14
...
...
...
...
... ... ... ...
Flatfile / Datenbank
Arbeitsbereich
Abbildung 4.1: ETL-Prozess
4.1.2 Transformation
Nach dem Bereitstellen und Extrahieren der Daten aus den verschiedenen Quellen in
den Arbeitsbereich müssen diese Informationen für den Analyse-Prozess angepasst
und transformiert werden. Diese Transformation der Daten läuft in zwei Schritten ab: Im
ersten Schritt werden die Prozess-Event-Logs in eine tabellenartige Struktur gebracht
und die Datentypen erkannt. Um die Informationen eines PMSs zu erhalten und die
Prozessstrukturen zu bestimmen, wird aus dem Prozessgraphen eine tabellenförmige
Struktur erstellt. Im gleichen Schritt wird die Organisationsstruktur der Geschäftsprozes-
se bestimmt und mit den anderen transformierten Daten im Arbeitsbereich verbunden.
Die Zeitstempel der einzelnen Einträge werden im Arbeitsbereich im Verhältnis zu ih-
rem Instanz-Start umgeformt und angepasst. In Abbildung 4.1 werden beispielhafte
Quellen gezeigt und die Reihenfolge des ETL-Prozesses dargestellt. Im zweiten Schritt
der Transformation werden die verknüpften Daten im Arbeitsbereich analysiert. Diese
Analyse-Möglichkeiten werden in den Abschnitten 4.2, 4.3 & 4.4 erläutert.
34
4.2 Zeitbasierte Histogramme
4.1.3 Loading
Der letzte Schritt des ETL-Prozesses beschreibt das Laden der Informationen und Daten
aus dem Arbeitsbereich in ein passendes Format für die entsprechende Anwendung.
Hierbei müssen die analysierten Daten durch verschiedene Schemata für das Format
des PMS oder des Monitors angepasst werden. Je nach Verfahren liefert das
Loading
verschiedene Formate zurück, die durch das gewählte Analyseverfahren festgelegt
werden. Diese Daten liefern zum einen die Informationen für das PMS, welches da-
durch die Annotationen an die Prozesselemente anbringen kann und zum anderen die
Bewertungskriterien der Prozesselemente für den Monitor. Diese Darstellungs- und
Analyse-Möglichkeiten und die passenden Formate werden im Folgenden beschrieben.
4.2 Zeitbasierte Histogramme
Nach der Extraktion der Daten aus den verschiedenen Quellen in den Arbeitsbereich
und dem ersten Schritt der Transformation der Daten werden diese Daten im zweiten
Schritt der Transformation verarbeitet und analysiert. Hierbei stellt sich die Frage, wie
zeitbehaftete Daten für einen Mensch gut lesbar dargestellt werden können und wie der
Benutzer eine Schlussfolgerung auf die zeitlichen Eigenschaften von Prozesselementen
ziehen kann. Diese Anforderungen an die Lesbarkeit und Wissensgewinnung, welche die
Verfahren efüllen sollen, wurden in Kapitel 1 beschrieben. In diesem Abschnitt wird die
Analyse-Möglichkeit der zeitbasierte Histogramme (siehe Kapitel 3) im zweiten Schritt
des ETL-Prozesses gewählt und erläutert.
4.2.1 Erstellung von zeitbasierten Histogrammen
Die Analyse des Verfahrens der zeitbasierten Histogramme findet im zweiten Schritt
des ETL-Prozesses statt. Nach der Aufbereitung der Zeitstempel im Verhältnis zum
Instanzanfang und der Verknüpfung von dem angepassten Prozess-Event-Log mit den
Information aus dem PMS wird der zweite Schritt der Transformation durchgeführt. Bei
35
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
dieser Transformation werden zunächst für jede Aktivität der unterschiedlichen Prozes-
se die Dauer und anschließend der Abstand zwischen aufeinanderfolgende Aktivitäten
berechnet. Diese Dauer einer Aktivität und der Abstand von aufeinanderfolgende Aktivitä-
ten, wird als unabhängige Datenreihe gesehen und kann deshalb für die Transformation
der zeitbasierten Histogrammen verwendet werden. Bei diesen Histogrammen werden
die Dauern einer Aktivität und die Abstände von aufeinanderfolgende Aktivitäten in
Klassen bestimmter Breite eingeteilt. Die Klassen stellen hierbei eine Intervall dar, in
welchen Messpunkte der Dauer einer Aktivität oder Abstände von aufeinanderfolgende
Aktivitäten einsortiert werden. Zuletzt wird die Anzahl der Messpunkte gezählt und somit
ein Histogramm erstellt. Die Breite der Klasse wird durch die Differenz des maximalen
und dem minimalen Wertes durch die gewünschte Anzahl an Klassen geteilt. Daher
ergibt sich die Breite der Klassen auf einer Messreihe
a[]
mit
n
Anzahl an Klassen,
(max(a[]) −min(a[]))/2n
. In Abbildung 4.2 wird für die Aktivität A, mit den aus dem
ersten Schritt ermittelten Dauern das zeitbasierte Histogramm erstellt. Das Minimum
und Maximum wird bestimmt und durch den Wert der Faustregel aus Tabelle 4.1 geteilt.
Im nächsten Schritt werden die Dauern der Aktivität in die Klassen einsortiert und die
Anzahl der vorhanden Werte in der Klasse ausgewertet. Das resultierende Histogramm
ist in Abbildung 4.2 zu sehen.
Anzahl der Werte Klassen n
<50 8 3
50 bis 250 16 4
>250 32 5
Tabelle 4.1: Faustregel für die Klassen
Nach der Erstellung des Histogramms wird versucht die Anzahl der Klassen zu verrin-
gern, um eine bessere Lesbarkeit und Übersichtlichkeit zu erreichen. Zudem lassen sich
durch diesen Schritt die Aussagen, neben dem Maxima und Minima, über die Verteilung,
den Modus und den ungefähren Median leichter treffen. Diese Zusammenführung von
Klassen ist jedoch nur möglich, wenn nebeneinander liegende Klassen geringe Unter-
schiede aufweisen (siehe Abbildung 4.3). Da Histogramme nicht ausreißerneutral sind
und bei Aktivitäten und deren Abständen bei fehlerhaften Ausführungen einen extremen
36
4.2 Zeitbasierte Histogramme
A
7, 4, 5, 9, 20, 11, 18, 7, 5,..., 28
Minimum Maximum
45 Werte, n = 3, 8 Klassen
Differenz: 24, Klassenbreite: 3
4 7 10 13 16 19 22 25 28
Anzahl
der Werte
Grenzen
Abbildung 4.2: Erstellung des zeitbasierten Histogramms
Wert annehmen können, wird im nächsten Abschnitt die Eliminierung von Ausreißern
besprochen.
Messreihe: 1,3,4,10,16,19,...
Abbildung 4.3: Zusammenführen von Klassen
4.2.2 Ausreißer in Histogrammen
In einer Instanz können zu lange oder zu kurze Ausführungszeiten von Aktivitäten
oder ein zu langes Warten bis zum Beginn der Aktivität entstehen. Solange diese
Abweichungen nicht zu groß werden, werden diese Werte im Histogramm ohne Pro-
37
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
blematik dargestellt und es entsteht ein Peak in der Mitte des Histogramms. Existieren
aber extreme Ausreißer gibt es ein Problem mit der Größe der Klassen, da sie durch
(max(a[]) −min(a[]))/2n
definiert ist. Das heißt, bei einem großen Maximum, wie in Ab-
bildung 4.4 zu sehen wird eine gefüllte Klasse beim Minimum, eine belegte Klasse beim
Maximum und viele nicht gefüllte Klassen entstehen. Dadurch ist der Wissensgewinn
für den Benutzer sehr gering und die Aussage über die Verteilung ist gleich null. Neben
Minimum und Maximum lassen sich keine Schlüsse über die Ausführungen der Aktivität
oder den Abständen von aufeinanderfolgenden Aktivitäten treffen. Deswegen müssen
zunächst die extremen Ausreißer bei dem Verfahren der zeitbasierten Histogrammen
aus den Messreihen entfernt werden. Dies wird im folgenden Abschnitt beschrieben.
A
7, 4, 5, 9, 28, 11, 18, 7, 5,..., 29628
Minimum Maximum
45 Werte, n = 3, 8 Klassen
Differenz: 29624,
Klassenbreite: 3703
Anzahl
der Werte
Grenzen
95% 5%
7, 4, 5, 9, 28, 11, 18, 7, 5,..., 29628
Minimum Maximum 43 Werte, n = 3, 8 Klassen
Differenz: 24,
Klassenbreite: 3
Abbildung 4.4: Ausreißerproblem bei Histogrammen mit Eliminierung
38
4.2 Zeitbasierte Histogramme
4.2.3 Angepasste zeitbasierte Histogramme
Ohne eine Anpassung und Entfernung der extremen Ausreißer in einer Messreihe
kann man aus Histogramme kaum Informationen gewinnen. Deshalb müssen sie durch
geeignete Verfahren entfernt werden. Hierbei hat sich das Entfernen von gering gefüllten
Klassen bewährt. Bei dieser Entfernung werden die Klassen nach ihrer Größe absteigend
sortiert. Da bei einer normalverteilten Messreihe ca. 95% der Werte in einem Intervall um
den häufigsten Wert liegen, können 5% der Messwerte, der kleinsten Klassen entfernt
und eliminiert werden. Bei dieser Eliminierung dürfen nur komplette Klassen entfernt
werden. In Abbildung 4.4 sieht man die Sortierung der Klassen und den extremen
Ausreißer. Diese Klasse, welche den Ausreißer beinhaltet wird entfernt und somit auch
der Ausreißer aus der Messreihe getilgt. Nach dieser Entfernung des Ausreißers wird
das Verfahren der Eliminierung von Ausreißern in zeitbasierten Histogrammen sooft
wiederholt, bis keine Klassen mehr entfernt werden müssen. Im folgenden Abschnitt
wird die Annotation der zeitbasierten Histogramme an den Prozessen gezeigt.
4.2.4 Darstellung der Histogramme in Prozessen
Nach dem ETL-Prozess können die Daten der Histogramme in das PMS geladen werden.
Das PMS nutzt hierbei die Größe und die Höhe der jeweiligen Klassen des Histogramms.
Die Histogramme werden an die jeweilige Aktivität als Dauer und an die Kontrollflusskan-
te der aufeinanderfolgenden Aktivitäten annotiert. Diese Annotationen sind in Abbildung
4.5 zu sehen. Hierbei lassen sich über die Verteilungen der Messreihen von Dauern
und Abständen zwischen Aktivitäten Informationen über das Minimum, Maximum und
den ungefähren Durchschnitt ablesen und bestimmen. Die Information der Verteilung
lässt sich ablesen, wie am Abstand von Aktivität A zur Aktivität B der harmonischen
Verteilung In Abbildung 4.5 zu sehen ist. Außerdem zu sehen ist zusätzlich, dass die
Dauer von A einer harmonischen Verteilung ähnelt, jedoch einen kleinen Einbruch in
der sechsten Klasse besitzt. Dagegen ist das Histogramm von Aktivität D nach rechts
verschoben. Daher dauert diese Aktivität in den meisten Fällen länger und stellt eine
untypische harmonische Verteilung dar. Neben den Bewertungen von Dauern von Akti-
vitäten und Abstände von aufeinanderfolgenden Aktivitäten können im Prozess selbst
39
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
noch Abstände für die Analyse erstellt werden. Diese können wie in den Grundlagen
(siehe Kapitel 2.2) von den jeweiligen Start- bzw. Endpunkten der ersten Aktivitäten zu
den Start- bzw. Endpunkten der zweiten Aktivität bestimmt werden.
Start A
B
C
D End
Abbildung 4.5: Prozess mit Histogramm Annotationen
Nach den zeitbasierten Histogrammen werden weitere grafische Darstellungs- und
Analyse-Möglichkeit aus der Statistik in Verbindung mit zeitbasierten Daten vorgestellt.
4.3 Zeitbasierte Boxplots
Wie in Kapitel 2 beschrieben besitzt eine Aktivität eine Dauer und zwischen Aktivitäten
existieren zeitliche Abstände. Die daraus resultierende zeitbehafteten Werte, lassen sich
durch statistische Verfahren analysieren und beschreiben. Das statistische Verfahren der
Boxplots, gibt eine visuelle Beschreibung der Messreihe von Zeitaspekte einer Aktivität.
Durch diese Erstellung des Boxplots, lassen sich Informationen über die Messreihe
der Daten bestimmen. Aus dem Boxplot kann das Minimum, Maximum, der genaue
Median, das Lagemaß, die Ausreißer und die Streuung abgelesen werden. Daher
eignet es sich sehr für die Analyse- und Darstellungs-Möglichkeit von zeitbehafteten
Geschäftsprozessen. Dieses Verfahren der Analyse von zeitbasierten Boxplots findet
auch im zweiten Schritt der Transformation des ETL-Prozesses statt (siehe Abbildung
4.1) und stellt die analysierten Daten für das Loading bereit.
40
4.3 Zeitbasierte Boxplots
4.3.1 Erstellung von zeitbasierten Boxplots
Analog zum Analyse-Verfahren der zeitbasierten Histogramme findet auch die Trans-
formation der zeitbasierten Boxplots im zweiten Schritt der Transformation des ETL-
Prozesses statt. Nach der selben Aufbereitung der Zeitstempel und der Verknüpfung der
Informationen aus den Prozess-Event-Log können Dauern von Aktivitäten und Abstände
zwischen Aktivitäten bestimmt und als Messreihe für die Analyse bereitgestellt werden.
Diese Messreihen werden aufsteigend sortiert und die Quartile, der Interquartilsabstand
und die schwachen Antennen bestimmt werden (siehe Kapitel 2). In den folgenden Ab-
schnitten wird die Anwendung von zeitbasierten Boxplots auf die Dauer von Aktivitäten,
Abstände zwischen Aktivitäten und selbst deklarierte Abstände erläutert.
Zeitbasierte Boxplots mit der Dauern von Aktivitäten
Die Dauer einer Aktivität ist definiert durch die Differenz des Endzeitpunktes (Zustands-
änderung von
Started
in
Completed
) und des Anfangszeitpunktes (
Activated
in
Started
)
einer Aktivität. Diese Differenz der Zustandsänderungen von vergangenen Aktivitäten
können aus dem Event-Log berechnet und als Messreihe angesehen werden. Auf diesen
Messreihen lassen sich Quartile, Median, Antennen über den Interquartilsabstand, wie
in Kapitel 3 gezeigt, berechnen und bestimmen. Die Aussage der Streuung lässt sich
durch die Verschiebung des Medians und den Boxen schließen. Ist die Box des Boxplots
ungefähr mittig durch den Median geteilt, liegt höchstwahrscheinlich eine Normalvertei-
lung vor und die Ausführung ist positiv zu bewerten. Ist der Median aber nach links oder
rechts verschoben, lässt sich die Aktivität optimieren, da einige Ausführungen länger
brauchen als die typische Ausführungszeit einer Aktivität. In Abbildung 4.6 sieht man
ein optimales Boxplot und ein verschobenes Boxplot mit den Antennen, Ausreißern und
ihren weiteren Eigenschaften. Die Ausreißer, die außerhalb der Antennen liegen, werden
bei Boxplots direkt bei der Erstellung berücksichtigt und erkannt.
41
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
0
Abbildung 4.6: Optimales und verschobenes Boxplot
Zeitbasierte Boxplots mit Abstände zwischen Aktivitäten
Neben der Dauer von Aktivitäten lassen sich weitere zeitbasierte Differenzen zwischen
Prozesselementen bestimmen. Der Abstand zwischen Anfangs- und Endpunkten zwi-
schen Aktivitäten kann analog zu der Dauer gemessen und berechnet werden. Hierbei
existieren zwischen zwei Aktivitäten vier Möglichkeiten den Abstand zu berechnen.
Diese Abhängigkeiten wurden in Kapitel 2.2 vorgestellt und erläutert. In dieser Analyse-
Möglichkeit wird nur die
END-START
-Abhängigkeiten zwischen Aktivitäten bewertet, da
die drei weiteren Abhängigkeiten transitiv mit den Dauern der Aktivitäten und der
END-
START
-Abhängigkeit verhalten. Dieser Abstand zwischen zwei Aktivitäten lässt sich
analog durch ein Boxplot darstellen und analysieren. Der Wissensgewinn von Boxplots
in Verbindung mit Dauern von Aktivitäten und den Boxplots der zeitlichen Abstände ist
der selbe.
Neben den Abständen zwischen Aktivitäten ist der Abstand zum Prozessanfang für
die Analyse- und Darstellungs-Möglichkeit interessant. Dieser Abstand lässt Aussagen
über komplette Prozessabschnitte zu. Diese Abstände vom Prozessanfang können zum
Aktivitäts-Anfang und Ende berechnet und analysiert werden. In dem
ADEPT2
-Model
werden diese Abstände zum Instanzanfang durch die Differenz des Startes oder Endes
der Zielaktivität und dem Ende der Start-Aktivität des Geschäftsprozesses beschrieben.
Zuletzt können noch Abstände zwischen Aktivität berechnet werden, die nicht direkt
hintereinander liegen. Dieser Abstand wird nur berechnet, wenn dieser im Prozess
durch eine Zeitkante separat deklariert wurde. Durch diese drei verschiedenen Abstände
42
4.3 Zeitbasierte Boxplots
wurden die wichtigsten Zeitaspekte abgedeckt und können für die Visualisierung der
zeitbehafteten Daten verwendet werden.
Entscheidungen, Parallelität und Schleifen
In den wenigsten Fällen besteht ein Prozess aus sequenziell angeordneten Aktivitä-
ten. Daher müssen Parallelitäten, Entscheidungen und Schleifen in der Analyse- und
Darstellungs-Möglichkeit auch beachtet werden. Die Besonderheiten von Parallelitäten,
Entscheidungen und Schleifen ist, dass diese durch eine Split- und eine Join-Aktivität
umschlossen sind. Diese Split- und Join-Aktivitäten sind Aktivitäten, die vom System
bearbeitet werden und daher eine Ausführungszeit von nahe null besitzen. Da die Dauer
der nicht normalen Aktivitäten in den meisten Fällen immer gleich ist und daher nicht in
das Gewicht fällt, werden diese bei der Berechnung von Abständen weggelassen und
übergangen. Dadurch werden die Abstände von aufeinanderfolgenden Aktivitäten neu
gesetzt. Falls der Nachfolger einer normalen Aktivität eine Split- oder Join-Aktivität ist,
werden die Nachfolger der Split- oder Join-Aktivität für die normale Ausgangsaktivität
gesetzt und der Abstand zwischen den neuen Nachfolgern berechnet. Die Abstände
und Dauern in den Zweigen zwischen der Split- und Join-Aktivität wird unter den glei-
chen Bedingungen wie in einer Sequenz bestimmt. Die Analyse von Parallelitäten und
Entscheidungen sind in diesem Modell die selben. Da der Abstand von zwei aufeinan-
derfolgende Aktivitäten bestimmt und die Join/Split-Aktivität eliminiert und überspannt
werden. Dadurch fällt die Information bezüglich der Art des Blocks heraus. Bei Schleifen
jedoch, wird zwischen den einzelnen Iterationen einer Aktivität unterschieden und nur
die Daten analysiert, die die selbe Iteration besitzen. Die Ausnahme sind: Der Abstand
der letzten Aktivität in einer Schleife zur ersten Aktivität in der nächsten Iteration und der
Abstand zur Folgeaktivität nach der Schleife, welcher die höchste Iteration der Aktivität
im Prozess-Log zur Hilfe nimmt. Auf diesen angepassten Reihen von zeitbehafteten
Daten von Dauern und Abständen lassen sich die Boxplots wie in den vorigen zwei
Abschnitten anwenden. Im nächsten Abschnitt wird die Annotation der Boxplots an die
Prozesse gezeigt und Probleme bei der Analyse beschrieben.
43
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
4.3.2 Darstellung der Boxplots in Prozessen
Nach der Analyse der zeitbehafteten Daten können diese im letzten Schritt des ETL-
Prozesses dem PMS zur Verfügung gestellt werden. Diese Analyse-Daten sind durch
den Wert der Antennen, Werte der Box und den Median des berechneten zeitlichen
Abstand oder Dauer definiert. Diese Informationen werden in dem analysierten Prozess
an das jeweilige Prozesselement annotiert. Für eine Sequenz an Aktivitäten ist das in
Abbildung 4.7 zu sehen. An die Aktivität C wurde das Boxplot annotiert und beschreibt
ein nach rechtsverschobenes Boxplot. Zudem wurden zum Instanzstart die Abstände für
den Benutzer visualisiert. Neben diesen einfachen Darstellungs-Möglichkeiten, wird in
Abbildung 4.8 die komplexere Darstellungen mit Entscheidungen und Schleifen gezeigt.
Bei der Darstellung der Entscheidung wird, wie in den obigen Abschnitten beschreiben,
der Abstand vom Inneren der Entscheidung zur nächsten Aktivität nach der Join-Aktivität
gezogen. Bei den Schleifen werden die verschiedenen Iterationen hinzugefügt und vor
das Boxplot annotiert.
Start ACEnd
B
0
0
0 0
Abbildung 4.7: Prozess mit Boxplot Annotationen
Im folgenden Abschnitt werden Probleme dieser Analyse- und Darstellungs-Möglichkeit
der Boxplots vorgestellt.
4.3.3 Probleme
Wie im vorigen Abschnitt angesprochen, gibt es bei diesem Verfahren keine Unterschei-
dung bei der Analyse von Folgeaktivität nach einer XOR- und Parallel-Join-Aktivität.
44
4.3 Zeitbasierte Boxplots
Start ADEnd
0
0
0
B
C
E
0
0
0.
1.
2.
Abbildung 4.8: Prozess mit Entscheidungen und Schleifen
Daher ergibt sich bei verschieden lang dauernden Zweigen eines XOR-Block das Pro-
blem, dass die Folgeaktivitäten der Join-Aktivität mathematisch richtig analysiert werden,
aber trotzdem falsche Analyse-Ergebnisse liefert. Wenn zusätzlich der kurze Pfad selten
ausgeführt wird, werden diese Werte die außerhalb der Antennen liegen als Ausreißer
deklariert. Zudem können in Entscheidungen bestimmte Eingaben im weiteren Prozess
freigeschaltet werden. Durch diese Freischaltung von Elementen in einer Aktivität kann
die Dauer einer Aktivität anwachsen und auch als Ausreißer deklariert werden, obwohl
dies keiner ist. Diese beiden beschriebenen Beispiele sind in Abbildung 4.9 zu sehen
und dargestellt. Der obere Zweig wurde wesentlich häufiger ausgeführt im Vergleich
zu dem unteren. Somit wird die Ausführung der Aktivität über den unteren Zweig als
Ausreißer analysiert und deklariert. Das selbe Problem entsteht bei Abständen, welche
eine Schleife überspannen. Dieser Abstand wird je nach Iterationen-Anzahl um einiges
größer und wird auch als Ausreißer erkannt und dargestellt.
Um diese Probleme der Entscheidungen und Schleifen zu beheben und Aktivitäten
eindeutig zu identifizieren, müssen weitere Prozesseigenschaften aus dem PMS her-
angezogen und der Prozess transformiert werden. Dies wird im nächsten Abschnitt
beschrieben.
45
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
Start AGEnd
B
F
Weitere UIs
boolean
optional
C D E
100 Ausführungen
2 Ausführungen
1345
15
Abbildung 4.9: Problematische Abstände und Dauern
4.4 Boxplots in Kombination und Transformation von
weiteren Prozesseigenschaften
Prozesse laufen in den wenigsten Fällen sequenziell ab. Durch Entscheidungen und
Schleifen existiert nicht nur ein Weg durch einen Prozess, sondern mehrere. Daher stellt
sich die Frage, ob gleiche Aktivitäten mit unterschiedlichen ausgeführten Vorgängern
überhaupt zusammen in einer Messreihe analysiert werden dürfen. Wie im vorigen
Abschnitt beschrieben, müssen selten ausgeführte Zweige korrekt dargestellt und be-
rechnet werden. Daher müssen gleiche Aktivitäten je nach ihrer Vorgeschichte in der
Instanz separat behandelt und analysiert werden. Das selbe Problem existiert auch bei
mehreren Schleifendurchläufen. Alle Start- und Endpunkte aller Folgeaktivitäten einer
Schleife können je nach der Iterationenanzahl große Unterschiede aufweisen. Diese
Folgeaktivitäten müssen je nach Iterationenanzahl auch separat analysiert werden. Um
diese Eigenschaften aus den Anforderung des Kapitels 1 darzustellen, muss das Verfah-
ren der Boxplots um die Prozesseigenschaft der Ausführungspfades erweitert und der
Prozessgraph umgewandelt werden. Dies wird im Folgenden gezeigt.
46
4.4 Boxplots in Kombination und Transformation von weiteren Prozesseigenschaften
4.4.1 Transformation des Prozesses und seiner Instanzen
Wie in Kapitel 1 beschrieben, soll die Analyse und Darstellung jede mögliche Kombinati-
on aus Sequenzen, Parallelitäten, Entscheidungen und Schleifen semantisch korrekt
darstellen und analysieren. Da dies auf den vorhandenen
ADEPT2
-Prozessgraphen
mit dem Prozess-Event-Log nicht einfach realisierbar ist, wird aus dem Prozessmodell
ein Zeitmodell, wie in Abschnitt 3.5.1, erstellt. Diese Erstellung des Zeitmodells wird im
zweiten Schritt der Transformation des ETL-Prozesses erledigt. Die Aktivitäten werden in
zwei Knoten gesplittet, die Kontrollkanten werden von dem zweiten Knoten zum ersten
Knoten der Folgeaktivität gezogen und die Dauer wird durch eine Kante der beiden
gesplitteten Knoten dargestellt. Selbst deklarierte Zeitkanten werden von den Knoten der
Ursprungsaktivität zur Zielaktivität angebracht und nicht normale Aktivitäten werden aus
dem Graphen entfernt und die Nachfolger werden wie im vorigen Abschnitt angepasst.
Diese Transformation ist in Abbildung 4.10 im ersten Schritt zu sehen.
Im nächsten Schritt wird für die genaue Erkennung der Ausführungspfade die Annotatio-
nen des eindeutigen Standorts im Zweig des Prozesses (engl. BranchID) an die Knoten
hinzugefügt. Dadurch ist Definition des Knotens durch
Knoten(ID, BranchID, EventID,
<(SuccID, EventID)>)im Zeitmodell gegeben. Die EventID stellt hierbei den ersten
oder zweiten Knoten der gesplitteten Aktivität dar und kann die Zustände
start
oder
end
einnehmen. Weiter werden die Nachfolger des Knotens durch eine Aufzählung in der
Definition des Knoten hinzugefügt, um den Abstand zwischen den Knoten später zu
berechnen können. Diese Annotation an den Knoten ist in Abbildung 4.10 im Schritt
2 zu sehen. Es werden neben Aktivitäten auch Entscheidungen und Wiederholungen
transformiert und annotiert.
Im letzten Schritt werden die Informationen aus dem Prozess-Event-Log auf das neue
Zeitmodell angewandt. Hierbei wird für jede Aktivität bzw. Knoten einer Instanz der
genaue Ausführungspfad bestimmt. Der Ausführungspfad (BranchIDs) wurde durch alle
BranchID der vorigen ausgeführten Knoten bestimmt und dem eigenen Ausführungspfad
mit der hinzugefügten eigenen BranchID des Knotens erweitert. In diesen BranchIDs
sind keine Duplikate erlaubt, da die BranchID eines Pfades einmalig im Prozess ist und
der Standort durch die vorigen Abfolgen von Aktivität eindeutig identifizierbar ist. In Abbil-
47
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
dung 4.10 im Schritt 4 werden die unterschiedlichen BranchIDs für den gleichen Prozess
mit zwei verschiedenen Ausführungen und Instanzen gezeigt. Im oberen Beispiel wurde
die BranchID 2 des obigen Pfad zu der folgenden BranchIDs hinzugefügt und im unteren
die BranchID 3. Dadurch wird jede Aktivität trotz unterschiedlicher Ausführung eindeutig
identifizierbar und korrekt analysierbar. Für den ersten Knoten der gesplitteten Aktivität
mit der ID 7 wird in Abbildung 4.10 ein Beispiel mit den separierten Zeitpunkten aus dem
Prozess-Event-Log und dem passenden Ausführungspfad der BranchIDs gezeigt. Das ist
die weitere Sortierung und Separierung, welche vor der korrekten Analyse durchgeführt
werden muss.
Im Folgenden wird aufbauend auf der Transformation und den Informationen der Ausfüh-
rungspfade die Analyse der zeitbasierten Boxplots vorgestellt und erläutert.
4.4.2 Dauer und Abstände von Aktivitäten
Nach der Transformation des Prozessgraphen in ein Zeitmodell muss man das vorhande-
ne Zeitmodell wieder auf ein Prozessmodell zurück transformiert, um Abstände zwischen
Aktivitäten und Dauern von Aktivitäten zu erhalten. Um die Dauer einer Aktivität in einem
Prozess mit den passenden Ausführungspfad zu erhalten wird die Differenz der Zeitpunk-
te der beiden gesplitteten Knoten berechnet werden. Hierbei muss die InstanzID, die Ak-
tivitätID und die BranchIDs beider Knoten übereinstimmen. Sind diese Eigenschaften er-
füllt, wird von dem Zeitpunkt des Knotens mit der EventID
end
der Zeitpunkt des Knotens
mit der EventID
start
abgezogen. Durch Anwendung auf allen Instanzen eines Prozesses
erhält man für alle vorhanden BranchIDs die passenden Dauern einer Aktivität zurück.
Diese Dauer einer Aktivität wird durch
Akt(ActID, BranchIDs, EndT ime−StartTime)
definiert und kann durch diese Separierung für die Analyse weiter verwendet werden.
Diese Separierung ist in Abbildung 4.11 zu sehen. Aus den unterschiedlichen Ausfüh-
rungspfade und den beiden Knoten mit den verschiedenen EventIDs wird die Dauer
zuück berechnet. Als Nebeneffekt dieser Separierung kann die relative und absolute
Häufigkeit der unterschiedlichen Ausführungspfade bestimmt und zusätzlich an die
Boxplots hinzugefügt werden. Diese Informationen sieht man in Abbildung 4.11.
48
4.4 Boxplots in Kombination und Transformation von weiteren Prozesseigenschaften
Start
Start
Schritt 1:
AEEnd
B
D
F
C
H
G
End
XOR SchleifeAktivität A Aktivität E Aktivität H
Aktivität D
Schritt 2:
Start End
(2,1,14,<(2,18)>)
(2,1,18,
<(3,14),(4,14)>)
(3,2,14, (3,18))
(4,3,14,<(4,18)>)
(3,2,18,<(5,14)>)
(4,3,18,<(7,14)>)
(5,2,14,<(5,18)>)
(5,2,18,<(7,14)>) (7,1,14,<(7,18)>)
(7,1,18,<(9,14)>)
(9,4,14,<(9,18)>)
(9,4,14,<(10,14)>)
(10,4,18,
<(9,14),(12,14)>)
(0,0,18,
<(2,14)>) (1,0,14,<>)
Start
BranchID: 0
BranchID: 1 BranchID: 2 BranchID: 1 BranchID: 4 BranchID: 1
BranchID: 0
BranchIDs: [0,1,2,4]
Start
BranchID: 0
BranchID: 1
BranchID: 3
BranchID: 1 BranchID: 4 BranchID: 1
BranchID: 0
BranchIDs: [0,1,3,4]
Instanz 1:
Instanz 2:
Schritt 3:
Beispiel: Knoten(7,0,14):
1. BranchIDs [0,1,2,4]: 1234,2304,5098
2. BranchIDs [0,1,3,4]: 501,899,495
EventID: 14 = start, 18 = end
Abbildung 4.10: Transformation des Prozessgraphen und der Instanzen
Bei Abständen zwischen Aktivitäten muss beachtet werden was die Quelle und das Ziel
des Abstandes ist. Dieser Abstand ist definiert durch
Edge(QuellID, QuellEvent, ZielID,
ZielEvent, ZielBranchIDs, ZielT ime −QuellT ime)
. Dieser Abstand kann nur berech-
net werden, wenn die beiden Knoten aus der selben Instanz stammen und die BranchIDs
49
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
E
50
50
90%: [0,1,2,4]
Aktivität E
Knoten E (7,0,start):
1. BranchIDs [0,1,2,4]: (1,1234),(3,2304),(5,5098),...
Knoten E (7,0,end):
1. BranchIDs [0,1,2,4]: (1,1543),(3,2704),(5,5398),...
2. BranchIDs [0,1,3,4]: (2,501),(4,899),(6,495),...
2. BranchIDs [0,1,3,4]: (2,604),(4,1021),(6,709),...
Dauer (7,0,end):
1. BranchIDs [0,1,2,4]: (1,309),(3,400),(5,300),...
2. BranchIDs [0,1,3,4]: (2,103),(4,122),(6,214),...
(7,1,14,<(7,18)>) (7,1,18,<(9,14)>)
10%: [0,1,3,4]
Abbildung 4.11: Berechnung der Dauer einer Aktivität
der Quelle alle in der BranchIDs des Ziels vorkommen. Dieses Vorgehen ist in Abbildung
4.12 zu sehen und die Berechnung der Differenz wurde anhand des Abstandes von
dem Ende von Aktivität A zum Anfang von der Aktivität E berechnet. Die Erstellung des
Boxplots läuft analog zu der Dauer ab und wird durch die Häufigkeit ergänzt.
A
Aktivität E
Knoten E (7,0,start):
1. BranchIDs [0,1,2,4]: (1,1234),(3,2304),(5,5098),...
Knoten A (2,0,end):
1. BranchIDs [0,1]: (1,43),(3,22),(5,45),(2,23),(4,16),(6,27)...
2. BranchIDs [0,1,3,4]: (2,501),(4,899),(6,495),...
1. Edge(2,14,7,18,[0,1,2,4]): (1,1191), (3,2282),(5,5053),...
(7,1,14,<(7,18)>) (7,1,18,<(9,14)>)
Aktivität A
(7,1,14,<(7,18)>) (7,1,18,<(9,14)>)
E
2. Edge(2,14,7,18,[0,1,3,4]): (2,478), (4,883),(6,468),...
Abbildung 4.12: Berechnung des Abstands zwischen Aktivitäten
Durch diese Anpassungen sind die meisten Anforderungen aus dem Kapitel 1 erfüllt. Im
nächsten Abschnitt werden zuletzt die Wiederholungen von Prozesselementen erläutert.
4.4.3 Schleifen in Graphen
Zuletzt müssen Wiederholungen von Prozesselementen abgebildet und korrekt berech-
net werden. Hierbei kann die Dauer der selben Aktivität in einer weiteren Iteration von der
50
4.4 Boxplots in Kombination und Transformation von weiteren Prozesseigenschaften
vorigen Iteration essenziell abweichen. Daher müssen sich wiederholende Aktivitäten
im Ausführungspfad von den vorigen Ausführungen unterschieden. Zudem muss diese
Unterscheidung für spätere, nach der Schleife folgende Aktivitäten übernommen wer-
den. Um diese Separierung von mehreren Iterationen im Ausführungspfad darzustellen,
müssen die BranchIDs aus dem vorigen Abschnitt durch Hochzahlen an der betroffen
BranchID der Wiederholung, erweitert werden. Bei einer Wiederholung wird dabei, wie
in Abbildung 4.13 zu sehen, die BranchID der Wiederholung um eins erhöht. Die neue
BranchIDs werden für die Ausführungspfade in der Schleife und für alle folgende Ak-
tivitäten außerhalb der Schleife eindeutig identifizierbar. Dadurch sind verschiedene
Wiederholungen von Prozesselemente semantisch korrekt analysierbar und können
später in der Darstellung visualisiert werden.
1. Iteration BranchIDs: [0,1,3,4]
(9,4,14,<(9,18)>)
(9,4,14,<(10,14)>)
(10,4,18,<(9,14),(12,14)>)
FGFG
2. Iteration BranchIDs: [0,1,3,4²]
Abbildung 4.13: Schleifen und in Verbindung mit den BranchIDs
4.4.4 Zusammenfügen von verschiedenen BranchIDs
Durch das obige Verfahren, werden wie in den vorigen Abschnitten beschrieben alle vor-
handenen Möglichkeiten, welche im Prozess-Event-Log vorkommen, analysiert und für
die Darstellung bereitgestellt. Solch ein Prozess mit allen Möglichkeiten ist in Abbildung
4.14 zu sehen. Jedoch kann ein Prozess mit vielen Entscheidungen und Wiederholungen
einige Möglichkeiten kreieren. Um die Übersichtlichkeit für den Benutzer zu erhalten,
wird versucht ungefähr gleiche Boxplots eines selben Prozesselementes mit unterschied-
51
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
licher BranchIDs in ein einziges Boxplot zusammenzuführen. Jedoch darf bei allen
folgenden Prozesselementen des jeweiligen Ausführungspfad eine geringe Abweichung
zwischen allen Boxplots entstehen. Dies darf bei jeder vergleichbaren Boxplot-Grenze
eines Prozesselementes (Antennen, Median, Quartile) nicht mehr als 5% betragen. Ist
die Abweichung gleich oder geringer, wird wie in Abbildung 4.14 gezeigt, die Pfade
zusammengefügt, die Schnittmenge beider BranchIDs gebildet und für das Element
gesetzt. Dadurch wird die Übersichtlichkeit für den Benutzer verbessert und die Anzahl
der anzeigenden Möglichkeiten im Prozess verringert.
Start ADEnd
0
B
C
0
BranchIDs: [0,1,2]
BranchIDs: [0,1,3]
BranchIDs: [0,1,2,3]
0
Abbildung 4.14: Darstellung der Zusammenführung von Boxplots
Neben den Analysen der Prozesselemente lassen sich durch die Betrachtung von den
Start- und Endzeitpunkte der Aktivitäten Aussagen bezüglich der Organisationsstruktur
gewinnen. Diese Gewinnung der bevorzugten Ausführungszeiträume von Aktivitäten
wird im nächsten Kapitel beschrieben.
4.5 Analyse des Ausführungszeitraumes einer Aktivität
Für die Vorhersage einer korrekten Ausführung einer Instanz können aus den histori-
schen Daten die Zeiträume von bevorzugten Ausführungen einer Aktivität analysiert
werden. Um diese Zeiträume zu erhalten werden alle Aktivitäten mit der gleichen Defi-
nition der auszuführenden Benutzer (engl. Staff Assignment Rule [
RCWR04
]) an einer
Zeitlinie annotiert. Diese Zeitlinie ist wie ein Histogramm durch Intervalle unterteilt. Diese
Größe des Intervalls wird durch die Hälfte des kleinsten Medians aus den Verfahren der
Boxplots in Kombination und Transformation von weiteren Prozesseigenschaften aller
52
4.5 Analyse des Ausführungszeitraumes einer Aktivität
Aktivitäten mit der gleichen Staff Assignment Rule gewählt. Nach der Bestimmung des
Intervalls, werden die Dauern die diese Intervalle überspannen gezählt. Diese Annotation
der Dauern mit den Start- und Endzeitpunkten ist in Abbildung 4.15 für die Aktivität A zu
sehen. Nach dieser Annotation wurden die Aktivitäten, welche in diesem Zeitraum statt-
finden gezählt. Nach dieser Zählung wird eine Bewertungsgrundlage für die Einteilung
erstellt. Der größte Wert der Zählung wird ermittelt und dieser als
grün/ausführbaren
Bereich definiert. Analog wird von diesem maximalen Wert ausgehend die Intervalle
welche 25% des Maximum beinhalten als
gelb/kritisch
und Intervalle die weniger 5%
des Maximum als
rot/nicht ausführbar
deklariert. Diese Einteilung und Bewertung ist für
die Aktivität A und B, welche beide aus unterschiedlichen Benutzergruppen bestehen, in
Abbildung 4.15 zu sehen und dargestellt.
^ƚĂīͲZƵůĞ
^ƚĂīͲZƵůĞ
Start AEnd
B
01333100013442332100
Zeitlinie
Aktivitäten
mit gleichen
Staff-Rule
Anzahl:
Bewertung
01465111115611100000
Bewertung
Anzahl:
^ƚĂīͲZƵůĞ
^ƚĂīͲZƵůĞ
Abbildung 4.15: Analyse des Ausführungszeitraumes
53
4 Analyse und Darstellung von zeitbehafteten Geschäftsprozessen
Im letzten Abschnitt wird ein Vergleich und Fazit der vorgestellten Verfahren gezogen
und diese anhand den Anforderungen aus Kapitel 1 bewertet.
4.6 Vergleich und Fazit
Nach der Vorstellung von einzelnen Analyse- und Darstellungs-Möglichkeiten von zeitbe-
hafteten Geschäftsprozessen kann jedes Verfahren anhand der Eigenschaften, die sie
erfüllen, bewertet werden. Hierbei müssen alle drei Verfahren die Anforderungen aus
dem Kapitel 1 erfüllen. Die Analyse und Darstellung der Dauer von Aktivitäten, Abstände
zwischen Aktivitäten und Abstände zum Instanz-Anfang wird von allen drei vorgestellten
Verfahren unterstützt. Jedoch muss man bei den Verfahren der Histogramme und den
Boxplots ohne Transformation Einschnitte bezüglich der semantische Korrektheit ma-
chen. Selten aufkommende Ausführungen in Entscheidungen, Schleifen und optionale
Dinge in Prozesselementen wurde in den Verfahren der zeitbasierten Histogrammen und
Boxplots richtig berechnet, aber waren Semantisch nicht richtig. Deswegen musste das
Prozessmodell in ein Zeitmodell umgewandelt und mit weiteren Prozesseigenschaften
aus dem PMS angereichert werden. Nach dieser Umwandlung konnten alle Ausfüh-
rungspfade separiert und die Häufigkeit der Ausführungen bestimmt werden. Durch
diese Separierung konnte man die semantische Korrektheit von Wiederholungen, op-
tionale Elemente und Entscheidungen erreichen. Daher wurden alle Anforderungen
aus Kapitel 1 im letzten Verfahren der Boxplots in Kombination und Transformation von
weiteren Prozesseigenschaften umgesetzt. Auf diesen angepassten Messreihen kann
das Verfahren der zeitbasierten Histogramme auch angewandt werden, jedoch muss
für Bewertungsgrundlage und Korrektheit noch größerer Aufwand betrieben werden.
Daher wurden die Boxplots als Schwerpunkt für das Monitoring verwendet und für die
Darstellung eine Lösung präsentiert, um die Übersichtlichkeit der Darstellung für zeitba-
sierten Geschäftsprozessen zu gewährleisten. Zuletzt wurde durch eine Abwandlung
von Histogrammen die Ausführungszeiträume anhand der Organisationsstruktur von
Aktivitäten vorgestellt. Dieses und das Verfahren aus Abschnitt 4.4 werden für das
Monitoring im nächsten Kapitel verwendet um eine Echtzeitüberwachung der Instanzen
und Aktivitäten zu ermöglichen.
54
5
Monitoring und Vorhersagbarkeit von
zeitbehafteten Geschäftsprozessen
Die Überwachung und die Vorhersagbarkeit von den zeitbehafteten Geschäftsprozessen
beschreibt die Ausführbarkeit und Korrektheit von Prozesselementen der Vergangenheit
und der Zukunft. Diese Überwachung stellt sicher, dass eine Instanz und ihre Elemen-
te zeitnah erledigt und durch ihre zeitbehafteten Ereignisse bewertet werden. Diese
Überwachung von Instanzen und den Prozesselementen wird im folgenden Kapitel
beschrieben. Im ersten Abschnitt des Kapitels wird das Zusammenspiel des PMS, der
Analyse-Komponente und des Monitors vorgestellt. Die Monitoring-Komponente ver-
wendet die Analyse-Möglichkeit der Boxplots in Kombination und Transformation von
weiteren Prozesseigenschaften für die Erstellung der Bewertungen einer Instanz und
deren Elementen. Durch dieses verwendete Verfahren lassen sich alle Anforderungen
aus Kapitel 1 für den Monitor erfüllen. Nach der Beschreibung der Zusammenhänge
55
5 Monitoring und Vorhersagbarkeit von zeitbehafteten Geschäftsprozessen
der Komponenten wird jede einzelne Komponente näher beschrieben und definiert. Im
letzten Abschnitt wird die Vorhersage der Bewertungen von Instanzelementen bespro-
chen und das rückwirkende Monitoring für die Optimierung und Fehlerkorrektur im
PMS
beschrieben.
5.1 Zusammenspiel der Komponenten
Bei der Ausführung von Prozessen in einem Prozess-Managementsystems, werden
Ereignisse (engl. Events) über die Zustandsänderungen von Prozesselementen generiert
und in den Prozess-Event-Log geschrieben. Dieser Prozess-Event-Log beherbergt alle
Informationen der Ausführung der Prozessinstanzen aus der Vergangenheit und wird
für die Analyse der zeitbehafteten Geschäftsprozesse verwendet. Zudem teilt dieser
Prozess-Event-Log dem Monitor die neuen Ereignisse aus den aktuellen Instanzen mit.
Um diese Instanzen und die Elemente zu bewerten, stellt die Analyse-Komponente dem
Monitor diese Analyse-Daten, die aus dem Analyse-Verfahren resultieren, zur Verfügung.
Durch diese Analyse-Daten bewertet der Monitor die Ereignisse der Instanz bezüglich
der Zeitaspekte. Die einzelnen Komponenten sind, wie in Abbildung 5.1 zu sehen, in
weitere Einzelteile aufgeteilt. Dabei gibt es eine offline Analyse, die die zeitbehafteten
Daten aus dem Prozess-Event-Log mit dem Verfahren aus Kapitel 4.4 beschreibt und
eine online Analyse, die die Analyse-Daten des offline Monitoring anpasst und diese für
die Vorhersagbarkeit von Prozesselementen nutzt. Weiter wird der Monitor selbst in ein
online und offline Monitoring unterteilt. Diese unterschiedlichen Monitoring-Verfahren
sind zum einen für die Echtzeitüberwachung zuständig (online) und zum anderen für die
Bewertung von der Instanzen beim Auftreten eines Ereignisses (offline).
Im folgenden Abschnitt werden die unterschiedlichen Verfahren und die Bewertungen
der Monitoring-Komponenten vorgestellt. Diese Monitoring-Komponente basiert auf den
Analyse-Daten der Analyse aus dem vorigen Kapitel und erhält Informationen zu den
laufenden Instanz aus dem Prozess-Event-Log eines PMS.
56
5.2 Online und Offline Monitoring
Instanzen
Event-Log
Monitor
„On“-Analyse
„Off“-Analyse
PMSHistory
Analyse Daten
Abbildung 5.1: Zusammenspiel von Analyse, Daten-Logs und des Monitors
5.2 Online und Offline Monitoring
Wie im obigen Abschnitt beschrieben, ist der Monitor in zwei Bereiche unterteilt. Zum
einen das offline Monitoring und zum anderen das online Monitoring. Beide Bereiche
verwenden die Ereignisse aus dem Prozess-Event-Log und bewerten diese anhand
der zeitbehafteten Analyse-Daten aus Kapitel 4.4. Beide Monitoring-Bereiche sind für
separate Überwachungen von Prozessen zuständig. Das online Monitoring überwacht,
wie in Abbildung 5.2 zu sehen die Dauer einer Aktivität, den Abstand zwischen auf-
einanderfolgenden Aktivitäten und die deklarierten Abstände durch eine Zeitkante im
Prozessgraphen. Diese Überwachung läuft in Echtzeit ab und bewertet die zeitlichen
Attribute von Pozesselementen, die zu lange dauern. Dadurch wartet der Monitor auf
das passende Ereignis eines Elementes aus der Instanz. Tritt dieses Element nicht
rechtzeitig auf, wird das Element in Echtzeit bewertet. Das offline Monitoring überwacht,
wie in Abbildung 5.3 zu sehen den Fortschritt einer Instanz und zu kurz dauernde Aktivi-
täten und Abstände. Diese Überwachung findet nicht in Echtzeit statt, da die Anzahl an
Ereignissen sonst extrem zunimmt und die kritischen Momente durch die Verbindung von
offline und online Monitoring abgebildet werden können. Diese kritischen Bewertungen
sind durch den bewerteten Abstand des offline Monitorings zum letzten Ereignis der
Instanz und der Bewertung des folgenden Abstands bzw. der Dauer aus dem online
Monitoring abgedeckt. Deswegen wird diese Bewertung des Fortschrittes erst beim
57
5 Monitoring und Vorhersagbarkeit von zeitbehafteten Geschäftsprozessen
Auftreten des Ereignisses durchgeführt. Das offline Monitoring wartet im Vergleich zum
online Monitoring also nicht auf die Ereignisse, sondern bewertet diese beim Auftreten.
Online Monitoring
Aussage über zu lange Dauern der Aktivitäten
Aussage über zu lange Abstände zwischen aufeinanderfolgende Aktivitäten
Aussage über zu lange Abstände zwischen deklarierten Aktivitäten
Abbildung 5.2: Aufbau des Online Monitorings
Offline Monitoring
Überwachen des Prozessfortschritts
Überwachung der Dauer von Instanzen
Überwachung der zu kurzen Dauer/Abstände von Aktivitäten
Abbildung 5.3: Aufbau des Offline Monitorings
Im folgenden Abschnitt wird die Bewertungsgrundlage bezüglich der Boxplots aus dem
vorigen Kapitel und das Mapping der dazugehörenden Zustände erledigt.
5.2.1 Bewertungsgrundlage von Prozesselementen
Damit die Monitoring-Komponente eine automatisierte Bewertung von Prozesselemen-
ten durchführen kann, müssen Informationen aus der Vergangenheit analysiert und
dem Monitor bereitgestellt werden. Bei diesen Bewertungen stellt sich die Frage, wie
Analogien aus unserer Umwelt und der Gesellschaft für den Benutzer selbsterklärend
dargestellt und bewertet werden können. Es stellte sich bei den Bosxplots heraus, dass
diese mit ihren mathematischen Grenzen eine Einteilung für den Benutzer und dem
System ermöglichen. Es wurde festgestellt, dass diese Grenzen des Boxplots in drei
58
5.2 Online und Offline Monitoring
Bereiche eingeteilt werden kann, die für den Benutzer interessant sind und eine Be-
wertung der Ausführungszeit zulassen. Zum einen den komfortablen Bereich zwischen
dem unteren und oberen Quartil, den kritischen Bereich zwischen den Quartilen und
den schwachen Antennen und zuletzt die Bereiche der Ausreißer. Diese drei Bereiche
kann man den Farben einer Ampel zuordnen. Die Farben hierfür sind
grün
für Zustand
korrekt
,
gelb
für
kritisch
und
rot
für
fehlerhaft
. Diese Zuordnung der Zustände zu den
Bereichen des Boxplots ist in Abbildung 5.4 zu sehen und visuell aufbereitet.
0
BoxPlot
Bewertung
Abbildung 5.4: Boxplot mit Bewertung
Um nun Dauern von Aktivitäten und Abstände zwischen Aktivitäten in einem Monitor
automatisiert zu bewerten und darzustellen, müssen Definitionen für die Zustände erstellt
werden. Hierbei existieren für ein Prozesselement folgende Fälle bezüglich des zeitlichen
Attributes:
•Dauer/Abstand ist zu groß,
•Dauer/Abstand ist wie erwartet,
•Dauer/Abstand ist zu klein,
•Dauer/Abstand ist im unteren Grenzbereich,
•Dauer/Abstand ist im oberen Grenzbereich.
Diese fünf Fälle müssen auf die Bereiche des Boxplot abgebildet werden. Diese mathe-
matische Abbildung von Zeiten auf Zustände ist folgende:
•rot-fehlerhaft:
59
5 Monitoring und Vorhersagbarkeit von zeitbehafteten Geschäftsprozessen
–Dauer/Abstand ist zu groß
∗Werte größer der oberen Antenne
–Dauer/Abstand ist zu klein
∗Werte kleiner der unteren Antenne
•gelb-kritisch:
–Dauer/Abstand ist im unteren Grenzbereich
∗Werte zwischen dem unteren Quartil und der unteren Antenne
–Dauer/Abstand ist im oberen Grenzbereich
∗Werte zwischen dem oberen Quartil und der oberen Antenne
•grün-korrekt
–Dauer/Abstand ist wie erwartet
∗
die Werte liegen zwischen dem unteren (
Q0,25
) und oberen Quartil (
Q0,75
)
Durch diese Einteilung und Zuordnungen lassen sich nun Bewertungen für die sequen-
zielle Prozesselemente erstellen. Bei Entscheidungen und Wiederholungen müssen
mehrere Möglichkeiten des Ausführungspfades für das online und offline Monitoring
beachtet werden. Bei diesen Prozesselementen spielt wieder der Ausführungspfad der
BranchIDs aus den Analyse-Daten des Abschnittes 4.4 eine Rolle. Dazu wird für die
selbe Aktivität mehrere Bewertungsbereiche definiert und je nach Ausführung anhand
der BranchIDs bewertet. Ein bewerteter Prozess mit einer Entscheidung ist in Abbildung
5.5 zu sehen. In dem Diagramm für die Bewertung werden verschiedene Ausführungs-
möglichkeiten einer Instanz beschrieben. Schleifen, die in der Analyse-Komponente
bewertet und erkannt wurden, werden analog durch die unterschiedlichen BranchIDs
identifiziert.
Nach den Bewertungensgrundlagen für die Prozesselemente wird die Monitoring-
Komponente vorgestellt. Dieses offline und online Monitoring wird durch eine visuelle Dar-
stellung für bewertete Prozesselemente dargestellt. Diese beiden Monitoring-Verfahren
werden im Folgenden beschrieben. Die beiden Verfahren benutzen die Bewertungens-
grundlage aus diesem Abschnitt für die Bewertung der weiteren Prozesselemente.
60
5.2 Online und Offline Monitoring
t in ms
Act(topoId, Event)
(1,start)
(1,end)
(2,start)
(2,end)
(4,start)
(4,end)
[0,1]
[0,1]
[0,1]
[0,1]
[0,1,2]
[0,1,2]
[0,1,3]
[0,1,3]
[0,1,3]
[0,1,3]
[0,1,2]
[0,1,2]
(5,start)
(5,end)
(7,start)
(7,end)
Start ADEnd
B
C
BranchIDs: [0,1,2]
BranchIDs: [0,1,3]
topoId: 1 topoId: 3
A
topoId: 2
topoId: 4
topoId: 5
topoId: 6 topoId: 7
Abbildung 5.5: Monitoring von Entscheidungen
5.2.2 Online-Monitoring
Nach der Abbildung der Zustände können diese Bewertungen auf eine laufende Instanz
angewandt werden. Dieses online Monitoring bewertet die Dauer von Aktivitäten und den
Abstände von aufeinanderfolgenden Aktivitäten, welche zu lang dauern. In Abbildung
5.6 ist eine laufende Instanz mit fünf Aktivitäten, die zum Teil parallel ablaufen dargestellt.
Die Aktivität A wurde in der vorgesehenen Zeit erfolgreich beendet (annotierter Haken
an der Aktivität) und grün eingefärbt. Bei den Abständen zwischen der Aktivität A und
den darauf folgenden Aktivitäten trat bei zwei Abständen Probleme auf. Der Abstand
zwischen Aktivität A und Aktivität C wurde als kritisch eingestuft und der Abstand zur
Aktivität D als fehlerhaft. Diese Abstände sind durch den Start der anschließenden
Aktivität abgeschlossen (siehe gefüllter Kreis). Die Aktivitäten B,C und D sind gestartet
61
5 Monitoring und Vorhersagbarkeit von zeitbehafteten Geschäftsprozessen
und laufen im Moment (siehe Annotation des Dreiecks). Diese Aktivitäten werden durch
das online Monitoring in Echtzeit überwacht und bewertet. Hierbei läuft die Aktivität B
im fehlerhaften Zustand, die Aktivität D im kritischen. Diese beide Aktivitäten haben
eine zu lange Dauer. Die Aktivität C liegt im vorgesehenen Bereich. Der endgültige
Zustand wird jedoch erst beim Eintreten des Beenden der Aktivität festgestellt, daher
kann die sie einen kritischen oder fehlerhaften Zustand beim Überschreiten der oberen
Quartil-Grenze erreichen.
S
t
a
r
t
A
EEnd
B
D
C
Abbildung 5.6: Laufende Instanz mit Bewertungen
5.2.3 Offline-Monitoring
Nachdem die zu große Dauern von Aktivitäten, Abstände von Folgeaktvitäten und
deklarierte Zeitabstände durch das online Monitoring in Echtzeit überwacht werden, fehlt
für die restlichen Eigenschaften der Fortschritt einer Instanz und die Behandlung von zu
kurzen Dauern von Prozesselementen. Die Bewertung der Elemente läuft auch beim
offline Monitoring durch die Bewertungensgrundlage aus Abschnitt 5.2.1 ab. Bei der
Bewertung von dem Fortschritt einer Instanz ist zu beachten, dass eine Instanz mehrere
Prozesselemente beinhaltet und dieser Fortschritt mehrere Elemente umfasst. Dieser
Fortschritt wird durch den Abstand von dem Beginn der Instanz bis zum momentanen
Ereignis des Prozesselements berechnet. Dabei besitzt eine Aktivität mindestens zwei
Ereignisse und zwar das Start- und End-Ereignis. Der Zeitpunkt des Auftretens des
Ereignisses kann für das offline Monitoring verwendet werden und mit den Analyse-
62
5.2 Online und Offline Monitoring
Daten, welche den Abstand zum Beginn der Instanz beinhaltet, verglichen werden.
Hierbei kann die Instanz wieder mit den Zuständen
rot
für
fehlerhaft
,
gelb
für
kritisch
und
grün
für
korrekt
beschrieben werden. Da dies aber eine zu geringe Granularität
vorweist und eine Instanz aus vielen Elementen bestehen kann, wird jeder Zustand in
fünf weitere Teile gegliedert. Durch diese Unterteilung lässt sich eine Art Heatmeter
erzeugen, welcher die Instanz bewertet. Dieser Heatmeter ist in Abbildung 5.7 zu sehen
und der momentane Zustand wird durch einen Zeiger dargestellt. Dieser Heatmeter
kann Werte von 0% links (grün) bis 100% fehlerhaft rechts (rot) einnehmen. Dazwischen
liegt die kritische Phase (gelb) der Instanz. Um diesen Zustand zu berechnen, werden
die Zustände der Abstände vom Beginn der Instanz addiert und durch die bisherigen
Anzahl der aufgetretenen Ereignisse dividiert. Hierbei hat jeder Zustand einen eigenen
Wert:
•Korrekt: 0 (grün)
•Kritisch: 1 (gelb)
•Fehlerhaft: 2 (rot)
Die Summe aller Zustände dividiert durch die Anzahl der aufgetretenen Ereignissen
ergibt den Wert des Heatmeters. In Abbildung 5.7 ist das online und offline Monitoring
in einem Diagramm dargestellt. Je nach Ausführung kann der Heatmeter in beide
Richtungen ausschlagen. Daher können kritische oder auch fehlerhafte Instanzen nach
einigen Prozesselementen in den grünen Bereich zurück gelangen.
Im Weiteren bewertet das offline Monitoring die zu kurze Dauer von Aktivitäten und zu
geringe Abstände zwischen Aktivitäten. Dies kann im online Monitoring nicht semantisch
Korrekt dargestellt werden, da es Probleme und Verwechslungen mit zu lang dauernden
Prozesselementen gibt. Die Farbe rot ist hierbei zu kurz und zu lang dauernden Pro-
zesselementen zugeordnet und eine eindeutige Zuordnung während der Ausführung ist
nicht zu erkennen. Die Lösung dafür ist, eine eindeutige Zuordnung durch die weitere
Einführung zweier Farben für die zu kurz dauernden Elementen. Somit könnten solche
Aktivitäten auch im online Monitoring bewertet werden. Durch die Einteilung in zwei Be-
reiche des Monitorings lassen sich die zeitlichen Abhängigkeiten von Prozesselementen
automatisiert überwachen. Anhand dieser Bewertung können anschließend weitere Aus-
63
5 Monitoring und Vorhersagbarkeit von zeitbehafteten Geschäftsprozessen
sagen über die zukünftigen Zustände der Aktivitäten und Abstände vorhersagt werden.
Dieses Verfahren für die Vorhersage, die online Analyse und das daraus resultierende
rückwirkende Monitoring wird in den nächsten beiden Abschnitten vorgestellt.
Start AEEnd
B
D
C
Abbildung 5.7: Online und Offline Monitoring
5.3 Vorhersage und online Analyse
Wie in Abschnitt 5.2 beschrieben, existiert neben der offline Analyse die online Analyse.
Diese online Analyse passt die Analyse-Daten der offline Analyse während der Laufzeit
an die Umgebung und der Organisationsstruktur im Unternehmen an. Durch diese An-
passung an das Umfeld werden die Grenzen der zeitbasierten Boxplots in Verbindung mit
dem Verfahren aus Kapitel 4.5, der Analyse der Ausführungszeiträume angepasst. Hier-
bei werden Schnittmengen der Zustände des Boxplots und des Ausführungszeitraums
gebildet. Danach findet durch die folgende Zuordnung der Zustand-Schnittmengen
die Anpassung des folge Zustandes des Boxplots statt (dargestellt durch Zustand-
Boxplot/Zustand-Ausführung): Für die Zustände
korrekt/korrekt
resultiert der Zustand
korrekt
im Boxplot, aus
korrekt/kritisch
resultiert
kritisch
und alle weiteren Kombination
werden durch den Zustand
fehlerhaft
deklariert. Diese Anpassung und online Analyse
findet beim Starten einer Instanz statt. Durch dieses Verfahren lassen sich bestimmte
Zustände von Prozesselementen schon im Voraus bestimmen und vorhergesagen. Die
64
5.3 Vorhersage und online Analyse
Schnittmenge der Zustände von Boxplots eines Prozesses und der Ausführungszeiträu-
me der Organisationsstruktur ist in Abbildung 5.8 zu sehen. Bei diesem Prozess sind für
die Aktivitäten mit der topoligischen ID 1 und 3 die Benutzergruppe mit der Kennung A
zuständig. Für die anderen beiden Aktivitäten wird die Benutzergruppe mit der Kennung
B zugewiesen. Bei der Erstellung der Schnittmengen resultiert, dass die Aktivität mit der
topologischen ID 4 keine korrekte Überlappung für eine Ausführung besitzt, allerdings
ist eine kritische Ausführung möglich.
^ƚĂīͲZƵůĞ
ƚŝŶŵ
Ɛ
Đƚ
;
ƚŽ
Ɖ
Ž/ĚǀĞŶƚ
Ϳ
(
1,start
)
(
1,end
)
(
2,start
)
(
2,end
)
(
3,start
)
(
3,end
)
(
4,start
)
(
4,end
)
WƌŽnjĞƐƐͲŶĂůLJƐĞ
^ƚĂīͲZƵůĞ
ƚŝŶŵ
Ɛ
Đƚ
;
ƚŽ
Ɖ
Ž/ĚǀĞŶƚ
Ϳ
(
1,start
)
(
1,end
)
(
2,start
)
(
2,end
)
(
3,start
)
(
3,end
)
(
4,start
)
(
4,end
)
WƌŽnjĞƐƐͲŶĂůLJƐĞ
Abbildung 5.8: Online-Analyse und Vorhersage bei Instanz-Start
65
5 Monitoring und Vorhersagbarkeit von zeitbehafteten Geschäftsprozessen
Dieses Vorhersagen von Zuständen zu Beginn der Instanz und Bestimmung der Zustän-
de der Prozesselemente kann für die Optimierung und Fehlerkorrektur im Scheduler
des PMS verwendet werden. Dieses rückwirkende Monitoring wird im letzten Abschnitt
dieses Kapitels behandelt.
5.4 Rückwirkendes Monitoring
Ein klassisches Prozess-Managementsystem besteht aus mehreren Komponenten und
Managern. Für das rückwirkende Monitoring ist zu Beginn nur der Scheduler interessant.
Dieser Scheduler verwaltet und optimiert die Worklists (Listen mit ausführbare Aktivitä-
ten) der einzelnen Benutzer und berechnet die Ausführungsreihenfolge der Aktivitäten.
Dieser Scheduler kann durch das Monitoring des vorigen Abschnitts ausgelöst und mit
Informationen über eine laufende Instanz und deren Elemente benachrichtigt werden
(siehe Abbildung 5.9). Durch diese Information bezüglich der Korrektheit der Instanz
kann der Scheduler eine Anpassung und eine Priorisierung von nicht korrekten Instanzen
und Aktivitäten vornehmen. Das ist die einfachste Möglichkeit eine Instanz von einem
kritischen Zustand in einen korrekten zu überführen. Des weiteren existieren komplexere
Verfahren aus dem Bereich der Optimierung [
Zuk13
], welche allerdings nicht Teil dieser
Arbeit sind.
Instanzen
Event-Log
Monitor
„On“-Analyse
„Off“-Analyse
PMSHistory
Analyse Daten
Scheduler
Log-Manager
Worklist-Manager Time-Manager
Ressource-Manager
Execution-Manager
Event-Manager
Abbildung 5.9: Aufbau des rückwirkenden Monitorings
Nach der Beschreibung des Monitors, der Vorhersage und des rückwirkenden Monitoring
wird im nächsten Kapitel eine Machbarkeitsanalyse für den Monitor und der offline
Analyse-Komponente vorgestellt.
66
6
Prototyp und Implementierung
Nach der Beschreibung der Analyse, des Monitorings, der Vorhersage und der Darstel-
lung von zeitbehafteten Geschäftsprozessen wird in diesem Kapitel eine Machbarkeits-
analyse vorgestellt. Diese Machbarkeitsanalyse enthält folgende Komponenten: das
Prozess-Managementsystem
AristaFlow
[
DRRM+09
], die ETL-Komponente der
MSQL
Datenbank
für den ersten Transformationsschritt, einer Java-Applikation für den zweiten
Transformationsschritt und das Loadings des ETL-Prozesses, dem Monitor und den
Prozesssimulator. Diese Komponenten werden im folgenden Kapitel vorgestellt.
6.1 Aufbau des Prototyps
In den vorigen Kapiteln wurden Verfahren und Grundlagen für das Monitoring und die
Analyse von zeitbehafteten Geschäftsprozessen vorgestellt. Diese Verfahren wurden
67
6 Prototyp und Implementierung
teils in einer Machbarkeitsanalyse umgesetzt und untersucht. Hierbei stellte sich ein
Zusammenhang und Abhängigkeiten zwischen den einzelnen Komponenten heraus.
Das PMS und der Simulator erzeugt während der Ausführung von Instanzen die Einträge
im Event-Log. Die Analyse, welche den ETL-Prozess beinhaltet, nutzt diese Informa-
tionen aus dem PMS und den Event-Logs für die Erzeugung von den Analyse-Daten.
Wie in Abbildung 6.1 zu sehen, werden diese Analyse-Daten dem Monitoring und der
Darstellung der Prozesse übergeben. Die Daten können in diesen Komponenten für die
Überwachung und Erkennung von kritischen Momenten in Prozessen wiederverwendet
werden.
Instanzen
Event-Log
PMS
Simulator
Analyse
ETL - Prozess Analyse Daten
Darstellung
der Prozesse
Monitoring
der Prozesse
Abbildung 6.1: Aufbau des Prototyps
6.2 Simulator
Basierend auf einem klassischen PMS wurde ein Prototyp eines Simulators für Prozesse
im Rahmen eines Projektes entwickelt und implementiert. Dieser Simulator besitzt
die typischen Komponenten eines Prozess-Managementsystem (siehe Abbildung 5.1).
Jedoch ist dieser Simulator nur für fehlerfreie Ausführungen ausgelegt worden. Das heißt,
dieser Simulator kann keine fehlerhafte Dauern von Aktivitäten erzeugen. Um solche
kritische und fehlerhafte Dauern zu simulieren, wurde der TimeManager des Simulators
erweitert. Dieser Erweiterung erzeugt zu einer Wahrscheinlichkeit von 70% eine korrekte
Dauer einer Aktivität, zu 20% eine kritische und zu 10% eine fehlerhafte. Durch diese
Möglichkeiten kann der Monitor, welcher in den nächsten Abschnitten vorgestellt wird, in
Echtzeit simulierte Prozesse überwachen.
68
6.3 ETL Prozess - MSQL - JAVA
6.3 ETL Prozess - MSQL - JAVA
Wie in Kapitel 4.1 erläutert, müssen für die Darstellung und das Monitoring die Daten
durch einen ETL-Prozess aufbereitet, transformiert und angepasst werden. Der erste
Schritt der Extraktion der Daten wird im SQL Server Data Tool des MSQL-Servers
der Firma Microsoft umgesetzt. Diese Umsetzung findet in einem SSIS-Projekt (SQL
Server Integration Service) statt. In den Konnektoren (siehe Abbildung 6.2 Markierungen
1) der Datenquellen werden fehlerhafte und unvollständige Daten entfernt und für die
Transformation aufbereitet. Hierbei sind die Datentypen erkannt und dem Arbeitsbereich
übergeben worden. Diese Daten werden durch eine Sortierung und Verbindung für die
Weiterverarbeitung zusammengefügt (siehe Markierungen 2).
1.
2.
Abbildung 6.2: Integration Service im SQL Server Data Tool
69
6 Prototyp und Implementierung
Diese Daten und ihre Zeitstempel können anschließend durch eine SQL-Sicht m SQL
Server Management Studio zum Verhältnis des Instanzbeginns angepasst und durch
die Informationen aus dem PMS erweitert werden (siehe Abbildung 6.3). Nach diesen
Anpassungen können die Analyse-Möglichkeiten aus Kapitel 4.2, 4.3 und 4.4 angewandt
werden. Dieser zweite Schritt der Transformation wird im nächsten Abschnitt erläutert.
Abbildung 6.3: Berechnung der Zeitstempel zum Instanz-Start
6.4 Analyse Komponente - Zweiter Transformationsschritt
Wie in Kapitel 5 beschrieben, benötigt die Monitoring-Komponente die Analyse-Daten
des Verfahrens aus Kapitel 4, wobei möglichst alle Prozesselemente semantisch korrekt
überwacht werden müssen (siehe Kapitel 1 Anforderungen). Diese korrekte Überwa-
chung ist dabei aussschließlich durch das Verfahren aus Abschnitt 4.4 möglich. Diese
offline Analyse der zeitbehafteten Geschäftsprozesse wurde in einer Java-Applikation um-
gesetzt. Diese Java-Applikation erzeugt die Analyse-Daten und entspricht der Loading-
Komponente des ETL-Prozesses. Die Daten des Loadings sind in Abbildung 6.4 be-
schrieben und können für die Monitoring- und Darstellungs-Komponente verwendet
werden.
Neben den Verfahren für die Analyse von zeitbehafteten Geschäftsprozessen wurde in
Kapitel 4 die Analyse für Ausführungszeiträume vorgestellt. Hierbei wurde die Ausfüh-
rungszeiten der Aktivitäten nach ihrem Tag (siehe Analyse-Datei in Abbildung 6.5) und
je nach Granularität der Stunden, Minuten oder Sekunden einsortiert. Durch diese Sor-
70
6.5 Monitoring Komponente
Abbildung 6.4: Loading-Daten der Boxplots
tierung lassen sich beliebte Ausführungszeiträume bestimmen und für die Vorhersage
verwenden.
Abbildung 6.5: Loading-Daten der Ausführungszeiträume
Im letzten Abschnitt werden die offline und online Monitoring-Komponente vorgestellt,
wobei die online Analyse im vorliegenden Monitor nicht implementiert ist.
6.5 Monitoring Komponente
Wie im Abschnitt 6.1 gezeigt, besteht der Prototyp des Monitorings aus zwei Bereichen.
Diese Bereiche sind in das offline und online Monitoring eingeteilt. Dieses Monitoring
wurde in einer Java-Applikation umgesetzt und visualisiert. Die Visualisierung des offline
und online Monitoring ist in Abbildung 6.6 zu erkennen. Die Dauern von Aktivitäten wurde
durch die Informationen des Analyse-Verfahrens bewertet, wobei in diesem Beispiel
einer Instanz Node 30 als kritisch, Node 28 als fehlerhafte und die Nodes 0, 2, 29 und
die laufende Node 34 als korrekt eingestuft wurden. Die Nodes 36 und 35 sind in einem
abgewählten Entscheidungs-Zweig. Der Fortschritt, welcher durch das offline Monitoring
bewertet wird, bewertet die Instanz als korrekt (grün). Nicht bewertete Prozesselemente
wurden hellblau gefärbt.
Durch diese Machbarkeitsanalyse wurde gezeigt, dass die Analyse- und das Monitoring-
Verfahren aus Kapitel 4.4 & 5 umgesetzt werden kann. Die Analyse erkennt Entschei-
71
6 Prototyp und Implementierung
Abbildung 6.6: View des Monitors
dungen und der Monitor bewertet diese während der Ausführung mit den korrekten
Zuständen. Im letzten Kapitel wird ein Fazit über die Ergebnisse dieser Arbeit gezo-
gen und ein Ausblick auf mögliche Entwicklungen in den angesprochenen Bereichen
gegeben.
72
7
Zusammenfassung
7.1 Fazit
In dieser Arbeit wurde untersucht, wie zeitbehaftete Geschäftsprozesse durch eine
Analyse für das Monitoring und Vorhersagen von korrekten Ausführungen in einem
PMS aufbereitet werden können. Grundlegend für dieses Verfahren ist das Prozess-
Managementsystem
AristaFlow
, welches durch Zeitconstraints und Zeitaspekte in der
Prozess-Metasprache
ADEPT2
erweitert wurde. Für diese Verfahren und Komponen-
ten wurden zunächst Anforderungen und Eigenschaften definiert, die unterstützt und
abgebildet werden müssen.
Nachdem die Anforderungen und der Rahmen der Arbeit abgesteckt waren, wurden
verwandte Verfahren für die Analyse, das Monitoring und für die Vorhersage vorgestellt.
Zudem wurde auf Zeitaspekte und Prozesstransformationen eingegangen, welche an-
73
7 Zusammenfassung
hand ihrer Eigenschaften bewertet und ausgewertet wurden. Die Bewertungen zeigten,
dass statistische Verfahren für die Erzeugung der Analyse hervorragend geeignet sind.
Insbesondere stellte sich heraus, dass Boxplots, welche ausreißerneutral sind, effizient
auf zeitbehaftete Daten angewendet werden können, allerdings wird dazu zunächst eine
Transformation und weitere Eigenschaften des Prozesses benötigt.
Im ersten Hauptteil dieser Arbeit, dem Kapitel 4, wurden unterschiedliche Verfahren für
die Analyse- und Darstellungs-Möglichkeit vorgestellt. Diese Verfahren sind Teil eines
ETL-Prozesses. In diesem ETL-Prozess werden Prozess-Event-Log mit dem Prozess-
modell und weitere Informationen aus dem PMS kombiniert. Hierbei wurde auch das
Prozessmodell durch eine Transformation in ein Zeitmodell mit weiteren Prozesseigen-
schaften überführt. Ohne diese Transformation und Abbildung des Prozesses wären
nicht alle Anforderungen an Analyse, Monitoring und Vorhersage abgedeckt. Durch sol-
che Transformation können Schleifen, Wiederholungen, Entscheidungen und Sequenzen
in beliebiger Variation analysiert und überwacht werden.
Nach der Vorstellung der Analyse- und Darstellungs-Möglichkeit wurde im nächsten
Hauptteil das Monitoring und die Vorhersage der zeitbehafteten Geschäftsprozesse
behandelt. Dieses Monitoring und die Vorhersage basiert auf den Analyse-Verfahren des
vorigen Kapitels der Boxplots mit der Prozesstransformation und weiteren Prozessei-
genschaften. Durch diese Analyse-Daten können Dauern von Aktivitäten und Abstände
zwischen Aktivitäten in Echtzeit überwacht und durch eine Bewertungsgrundlage einem
Zustand zugeordnet werden. Diese Zustände sind je nach Ausführbarkeit dem Umfeld ei-
nes Benutzers angepasst und basiert der farblichen Einteilung einer Ampel (
grün/korrekt
,
gelb/kritisch
und
rot/fehlerhaft
). Nach der Einteilung kann der Fortschritt der Instanz
gemessen und durch die Zustände bewertet werden, wobei das Monitoring-Verfahren in
online und offline Monitoring unterteilt wird. Das online Monitoring ist für die Echtzeit-
überwachung zuständig und das offline Monitoring für die Bewertung des Fortschrittes
beim Auftreten von Ereignisse. Integriert in diesem Monitor ist die online Analyse, welche
die Vorhersage von zeitbehafteten Geschäftsprozessen umsetzt. Diese Vorhersage
benutzt die Informationen der Analyse-Daten der Boxplots und verbindet sie mit der
Analyse der Ausführungszeiträume aus Kapitel 4.2. Durch diese Verbindung können
Aussagen über zukünftige Prozesselemente erstellt und vorhergesagt werden. Durch
74
7.2 Ausblick
solche Vorhersagen kann ein rückwirkendes Monitoring betrieben werden, welches im
letzten Abschnitt kurz angesprochen wird.
Nach den Analyse-Verfahren, des Monitorings und der Vorhersage wurde zuletzt eine
Machbarkeitsanalyse implementiert. Sie zeigt die Realisierbarkeit der Grundideen der
Analyse und des Monitorings. Hierbei wurden verschiedene Technologien, wie das PMS
AristaFlow
, der Datenbank-Server mit der ETL-Komponente
MSQL
-Server und ein auf
Java- basierender Prozesssimulator verwendet.
Wie diese Arbeit zeigt ist das Monitoring, die Analyse und Vorhersage von zeitbehafteten
Geschäftsprozessen möglich. Das Verfahren der Boxplots mit der Prozesstransformation
in Kombination mit weiteren Prozesseigenschaften ermöglicht eine einfache Darstellung
der Zeitaspekte in einem Prozess und stellt die Analyse-Daten für das Monitoring und
der Vorhersage zur Verfügung. Somit können fehlerhafte und kritische Ausführungen
in einer Instanz frühzeitig erkannt und behoben werden. Jedoch sind in diesem Ver-
fahren längst nicht alle Elemente eines Prozesses umgesetzt. Besonders existieren
zusätzliche Zeitconstraints, die nicht ohne erheblichen Aufwand auf das angewandte
Analyse-Verfahren abgebildet werden können. Neben diesen Verfahren der Analyse der
Prozesselementen ist das Verfahren für die Bestimmung von Ausführungszeiträume
nur für die komplette Benutzergruppe einer Aktivität möglich. Diese Benutzergruppen
sollten feiner bestimmt werden können. Das rückwirkende Monitoring stellt eine einfache
Methode zur Behebung fehlerhafter Ausführungen dar, allerdings bleibt die Optimierung
der Ausführungsreihenfolgen in Verbindung mit den fehlerhaften Prozesselementen
offen und kann in weiterführenden Forschung optimiert werden.
7.2 Ausblick
Wie im vorigen Abschnitt erwähnt wurden nicht alle Eigenschaften von zeitbehafteten
Geschäftsprozessen umgesetzt. Diese Eigenschaften, die Ereignisbasiert von einer
externen Anwendung geschaltet werden oder fixe Startpunkte von Prozesselementen
besitzen, sind durch die Analyse und den Monitor schwer zu erkennen. Daher ist
75
7 Zusammenfassung
wünschenswert, wenn weitere Zeitaspekte aus der Tabelle 2.3 analysiert, dargestellt
und überwacht werden können.
Nach der Betrachtung des Monitorings und die mögliche Erkennung von fehlerhaften
Instanzen stellt sich im Weiteren die Frage, weshalb die entsprechende Instanz und
Prozesselemente nicht korrekt ablief. Daher sollte eine Generierung von zeitbehafteten
Regeln in Geschäftsprozessen für die Fehlererkennung entwickelt werden. Neben diesen
Regeln in einer Instanz eines Geschäftsprozesses müssen Abhängigkeiten zwischen
parallel ablaufenden Instanzen bewertet und überwacht werden können. Hierbei spielt
die Organisationsstruktur aller Benutzer in einem Unternehmen eine wichtige Rolle.
Neben der Erkennung der Fehler durch den Monitor und der Vorhersage müssen
kritische und fehlerhafte Instanzen wieder korrigiert werden. Dies wurde in Kapitel 5 des
rückwirkende Monitoring angesprochen, jedoch ist dieses Verfahren der Priorisierung
nicht effizient und Teils nicht zielführend. Daher müssen Optimierungs-Verfahren in
Kombination mit der Fehlerkorrektur einer Instanz in einem PMS angesprochen werden.
Zuletzt sollten die Verfahren des Monitorings, der Analyse, die Darstellung und Vorher-
sage von dem Prozess-Managementsystem unabhängig sein. Das heißt, dass Prozesse
aus dem Prozess-Event-Log selbst erstellt und entdeckt werden. An diese entdeckte
Prozesse, kann die Darstellung der Verfahren aus dieser Arbeit annotiert werden. Zu-
dem muss die Machbarkeitsanalyse und der Prototyp weiter entwickelt und mit allen
vorgestellten Verfahren ausgerüstet werden. Abschließend lässt sich feststellen, dass
durch das Verfahren der Boxplots in Kombination und Transformation von weiteren Pro-
zesseigenschaften die Anforderungen der Analyse erfolgreich abgebildet und somit der
Grundstein für ein weites Feld der Optimierung, Darstellung, Fehlerkorrektur, Vorhersage
und Überwachung gelegt werden konnte. Diese Verfahren ermöglichen dem Benutzer
eine einfache Orientierung über den Zustand einer Instanz und weisen ihn in Echtzeit
auf bestehende Probleme im Prozess hin.
76
Abbildungsverzeichnis
2.1 Einfacher Prozess in ADEPT ......................... 6
2.2 Basiselemente des ADEPT-Metamodells ................... 8
2.3 Pattern Kategorie [LWR10] .......................... 8
2.4 Aktivitäten- und Prozessdauer . . . ..................... 9
2.5 Prozess mit Zeitkanten in ADEPT . . ..................... 10
2.6 Weiderholungen bzw. Cycles [LWR10] .................... 12
2.7 ADEPT Knotenzustände mit Zeiterweiterung (in Anlehnung an [Rei00]) . 14
3.1 Boxplot, Antennen und Ausreißer . . ..................... 18
3.2 Unterschiedliche Histogramme mit gleichem Datensatz .......... 19
3.3 Clustering von Messreihen [KP98] . ..................... 21
3.4 Verteilungen auf zeitbehafteten Messreihen [RSW12] ........... 23
3.5 Einfache Berechnung und Analysen der Zeitaspekte [ASS11] ....... 24
3.6 Zusammenspiel der Komponenten [BDDW07] ................ 25
3.7 Prozess in Verbindung mit Events [HKRS12] ................ 26
3.8 Verschiedene Event-Typen [BDDW07] .................... 27
3.9 Abstände zum Schluss [CP99] . . . ..................... 28
3.10 Transformation von zeitbehafteten Prozessen [LR14] ............ 29
3.11 Aktivität mit Mapping auf CSTNU [LPCR13] ................. 30
4.1 ETL-Prozess .................................. 34
4.2 Erstellung des zeitbasierten Histogramms .................. 37
4.3 Zusammenführen von Klassen . . . ..................... 37
77
Abbildungsverzeichnis
4.4 Ausreißerproblem bei Histogrammen mit Eliminierung ........... 38
4.5 Prozess mit Histogramm Annotationen .................... 40
4.6 Optimales und verschobenes Boxplot .................... 42
4.7 Prozess mit Boxplot Annotationen ...................... 44
4.8 Prozess mit Entscheidungen und Schleifen ................. 45
4.9 Problematische Abstände und Dauern .................... 46
4.10 Transformation des Prozessgraphen und der Instanzen .......... 49
4.11 Berechnung der Dauer einer Aktivität ..................... 50
4.12 Berechnung des Abstands zwischen Aktivitäten ............... 50
4.13 Schleifen und in Verbindung mit den BranchIDs ............... 51
4.14 Darstellung der Zusammenführung von Boxplots .............. 52
4.15 Analyse des Ausführungszeitraumes ..................... 53
5.1 Zusammenspiel von Analyse, Daten-Logs und des Monitors ........ 57
5.2 Aufbau des Online Monitorings . ....................... 58
5.3 Aufbau des Offline Monitorings . ....................... 58
5.4 Boxplot mit Bewertung ............................. 59
5.5 Monitoring von Entscheidungen . ....................... 61
5.6 Laufende Instanz mit Bewertungen ...................... 62
5.7 Online und Offline Monitoring . . ....................... 64
5.8 Online-Analyse und Vorhersage bei Instanz-Start .............. 65
5.9 Aufbau des rückwirkenden Monitorings .................... 66
6.1 Aufbau des Prototyps ............................. 68
6.2 Integration Service im SQL Server Data Tool ................ 69
6.3 Berechnung der Zeitstempel zum Instanz-Start ............... 70
6.4 Loading-Daten der Boxplots . . . ....................... 71
6.5 Loading-Daten der Ausführungszeiträume .................. 71
6.6 View des Monitors ............................... 72
78
Literaturverzeichnis
[ASS11]
A
ALST
, Wil M. d. ; S
CHONENBERG
,MH;S
ONG
, Minseok: Time prediction
based on process mining. In: Information Systems (2011)
[BDDW07]
BARROS, Alistair ; DECKER, Gero ; DUMAS, Marlon ; WEBER, Franz: Corre-
lation Patterns in Service-Oriented Architectures. In: D
WYER
, MatthewB.
(Hrsg.) ; L
OPES
, Antónia (Hrsg.):
Fundamental Approaches to Software
Engineering Bd. 4422. Springer Berlin Heidelberg, 2007
[BH06]
B
HATTACHARYA
, Arindam ; H
EMERLING
, Jim: Organizing for Global Advan-
tage in China, India, and Other Rapidly Developing Economies. In:
The
Boston Consulting Group (2006)
[BSS00]
B
ARTEL
, Wolfgang ; S
CHWARZ
, Stefan ; S
TRASSER
, Gerhard: Der ETL-
Prozess des Data Warehousing. In:
Data Warehousing Strategie
. Springer,
2000
[Bul13]
B
ULLINGER
, Hans-Jörg:
Wege aus der Krise: Geschäftsprozeßoptimie-
rung und Informationslogistik. Bd. 41. Springer-Verlag, 2013
[Cha83] CHAMBERS, John M.: Graphical methods for data analysis. 1983
[CP99]
CHEN, Xiaodong ; PETROUNIAS, Ilias: Mining temporal features in associati-
on rules. In:
Principles of Data Mining and Knowledge Discovery
. Springer,
1999
[DRRM+09]
D
ADAM
,Peter;R
EICHERT
, Manfred ; R
INDERLE
-M
A
, Stefanie ; G
ÖSER
,
Kevin ; KREHER, Ulrich ; JURISCH, Martin: Von ADEPT zur AristaFlow BPM
79
Literaturverzeichnis
Suite-Eine Vision wird Realität:"Correctness by Constructionünd flexible,
robuste Ausführung von Unternehmensprozessen. (2009)
[GCC+04]
G
RIGORI
, Daniela ; C
ASATI
, Fabio ; C
ASTELLANOS
, Malu ; D
AYAL
, Umes-
hwar ; SAYAL, Mehmet ; SHAN, Ming-Chien: Business process intelligence.
(2004)
[GHS95]
G
EORGAKOPOULOS
, Diimitrios ; H
ORNICK
, Mark ; S
HETH
, Amit: An over-
view of workflow management: From process modeling to workflow auto-
mation infrastructure. (1995)
[HKRS12]
H
ERZBERG
, Nico ; K
UNZE
, Matthias ; R
OGGE
-S
OLTI
, Andreas: Towards
Process Evaluation in Non-Automated Process Execution Environments.
In: ZEUS, 2012
[JB96]
J
ABLONSKI
, Stefan ; B
USSLER
, Christoph:
Workflow Management: Mode-
ling Concepts, Architecture and Implementation
. International Thomson
Computer Press, 1996
[KP98]
KEOGH, Eamonn J. ; PAZZANI, Michael J.: An Enhanced Representation of
Time Series Which Allows Fast and Accurate Classification, Clustering and
Relevance Feedback., 1998
[LM08]
L
AUE
, Ralf ; M
ENDLING
, Jan:
The impact of structuredness on error pro-
bability of process models. Springer, 2008
[LPCR13]
LANZ, Andreas ; POSENATO, Roberto ; COMBI, Carlo ; REICHERT, Manfred:
Controllability of time-aware processes at run time Springer, 2013
[LR14]
L
ANZ
, Andreas ; R
EICHERT
, Manfred: Analyzing the Impact of Process
Change Operations on Time-Aware Processes. (2014)
[LWR10]
L
ANZ
, Andreas ; W
EBER
, Barbara ; R
EICHERT
, Manfred: Workflow Time
Patterns for Process-aware Information Systems. Hammamet, Tunesia :
Springer Berlin / Heidelberg, 2010
[McC02]
M
C
C
OY
, David W.: Business Activity Monitoring: Calm Before the Storm.
Gartner. In: Inc., Apr (2002)
80
Literaturverzeichnis
[RA08]
R
OZINAT
, Anne ; A
ALST
, Wil M. d.: Conformance checking of processes
based on monitoring real behavior. In: Information Systems (2008)
[RCWR04]
R
EICHERT
, Manfred ; C
ATRINESCU
-W
IEDEMUTH
, Ursula ; R
INDERLE
, Ste-
fanie: Evolution von Zugriffsregelungen in Informationssystemen. (2004)
[Rei00]
R
EICHERT
, Manfred: Dynamische Ablaufänderungen in Workflow-
Management-Systemen, University Ulm, 2000
[RSW12]
R
OGGE
-S
OLTI
, Andreas ; W
ESKE
, Mathias: Enabling probabilistic pro-
cess monitoring in non-automated environments. In:
Enterprise, Business-
Process and Information Systems Modeling. Springer, 2012
[SCO79]
SCOTT, DAVID W.: On optimal and data-based histograms. In:
Biometrika
(1979)
[SS08]
S
CHMELZER
, Hermann J. ; S
ESSELMANN
, Wolfgang: Geschäftsprozess-
management in der Praxis. In: Kunden zufrieden (2008)
[Tuk77] TUKEY, John W.: Exploratory data analysis. In: Reading, Ma 231 (1977)
[vv02]
VAN DER
A
ALST
, Wil ;
VAN
H
EE
, Kees:
Workflow Management: Models,
Methods, and Systems. The MIT Press, 2002
[Zuk13]
Z
UKERMAN
, Moshe: Introduction to queueing theory and stochastic tele-
traffic models. In: arXiv preprint arXiv:1307.2968 (2013)
81
Name: MARTIN SOMMER Matrikelnummer: 643177
Erklärung
Ich erkläre, dass ich die Arbeit selbstständig verfasst und keine anderen als die angege-
benen Quellen und Hilfsmittel verwendet habe.
Ulm, den .............................................................................
MARTIN SOMMER
