Completed Theses

Motivation
Techniken aus dem Process Mining können zur Analyse von Aufzeichnungen aus Prozessabläufen genutzt werden, um neue Erkenntnisse über die Prozessabläufe extrahieren zu können. Um den Zugang zu den Prozessdaten zu erleichtern, können auf Prozessablaufdaten Algorithmen aus dem Process Mining angewandt werden, um das tatsächlich gelebte Prozessmodell zu erhalten, welches visuell dargestellt werden kann. Da Prozessabläufe zueinander sehr unterschiedlich sein können, kann die Visualisierung eine sehr komplexe und unstrukturierte Form annehmen und dadurch, bedingt durch eine sehr hohe Anzahl an unterschiedlichen Prozessaktivitäten sowie potenziell sehr hohen Anzahl an Kanten, die von Prozessaktivitäten ausgehen, können, potenziell wichtige Zusammenhänge aus der Visualisierung nicht wahrgenommen werden.

Ziel
Das Ziel der Arbeit ist die Reduktion der Komplexität von Prozessmodellen durch Clustering von Prozessabläufen und die Charakterisierung der generierten Cluster. Um den Zugang zu den Prozessablaufdaten zu erleichtert, können Prozessabläufe geclustert werden. Wenn jedes Cluster zueinander ähnliche Prozessabläufe enthält, nimmt die Visualisierung des Prozessmodells aus den Clustern eine strukturierte Gestalt an. Mit dem Clustering von Prozessabläufen kann zwar eine Reduktion der Komplexität erreicht werden, aber dies kann in einer sehr hohen Anzahl an Clustern resultieren, deren Analyse eine sehr zeitaufwändige Hürde darstellt. Eine spannende wissenschaftliche Fragestellung, die sich daraus ergibt ist, wie die Effizienz der Analyse der Prozesse dieser Cluster verbessert werden kann. Im Speziellen muss untersucht werden, welche Potenziale zur maschinellen Charakterisierung von Clustern überhaupt vorhanden sind, damit mit Hilfe der Charakteristika der Cluster eine Analyse effizienter erfolgen kann.

Start: 03.01.2018

Betreuer:

• Alexander Seeliger (seeliger(a-t)tk.tu-darmstadt.de)

Forschungsgebiete: Telecooperation