Die automatische Erkennung von Abweichungen von einem gewünschten Prozessverhalten ist ein häufiges Forschungsthema auf dem Gebiet des Geschäftsprozessmanagements. Eine gängige Technik zur Analyse von Prozessen wird als Conformance Checking bezeichnet. Ausgehend von der Definition eines Prozesses in Form eines Prozessmodells kann mit Hilfe von Conformance Checking überprüft werden, ob die Ausführungen eines Prozesses, die in einem so genannten Event Log enthalten sind, mit dem definierten Prozess konform sind. Das Ergebnis ist ein Vergleich der tatsächlichen Ausführungen und ihrer jeweils korrekten Ausführung gemäß dem Prozessmodell. Diese Technik gibt Aufschluss darüber, wo die Divergenz aufgetreten ist und wie die Ausführung geändert werden muss, um dem Prozessmodell zu entsprechen. Ein Problem besteht jedoch darin, dass dazu ein Prozessmodell verfügbar sein muss. Prozessmodelle im korrekten Format sind nicht immer verfügbar.

Im Gegensatz zur Konformitätsprüfung zielt Process Anomaly Detection darauf ab, anomale Ausführungen zu finden, ohne sich auf ein vordefiniertes Prozessmodell zu stützen. Ein Algorithmus zur Erkennung von Prozessanomalien leitet die Prozesslogik aus dem Event Log selbst ab und nutzt die im Ereignisprotokoll gefundenen Muster aus, um normale von anomalen Prozessausführungen zu unterscheiden. Obwohl die Erkennung von Prozessanomalien den Vorteil bietet, dass sie sich nicht auf ein Prozessmodell stützt, bietet sie in der Regel nicht den Detaillierungsgrad, den Conformance Checking bietet. Eine Prozessausführung kann entweder normal oder anomal sein.

In dieser Dissertation wird Process Anomaly Correction vorgeschlagen, ein neuartiger Ansatz, der die Vorteile von Conformance Checking und Process Anomaly Detection kombiniert. Nur unter Verwendung des Event Logs, erkennt die Process Anomaly Correction anomale Ausführungen, zeigt deutlich, wo die Anomalie während der Ausführung aufgetreten ist, und schlägt mögliche Korrekturmaßnahmen vor. Die in dieser Arbeit vorgestellte Lösung basiert auf einem neuen Konzept für den Bereich der Erkennung von Prozessanomalien: Process Learning. Beim Process Learning wird die Aufgabe, den Prozess auf der Grundlage der Beispieldaten zu verstehen, in ein Lernproblem umgewandelt, bei dem ein neuronales Netz darauf trainiert wird, die nächste Aktivität in einer laufenden Prozessausführung vorherzusagen. Das resultierende Modell des maschinellen Lernens stellt somit eine Annäherung an den realen Prozess dar, der die Daten erzeugt hat.

Diese kumulative Dissertation besteht aus fünf Beiträgen aus dem Gebiet des Geschäftsprozessmanagements, die zeigen, wie, ausgehend von Process Anomaly Detection, Process Anomaly Correction in einer Reihe von vier Schritten erreicht wird. (1) Process Learning wird eingesetzt, um ein approximiertes Modell der Prozesslogik zu erzeugen. (2) Die Beschränkung, nur zwischen normalen und anomalen Prozessausführungen zu unterscheiden, wird durch die Anwendung des Process Learning Modells überwunden, welches die Prozessausführungen auf einer feineren Detailebene verarbeitet als bestehende Ansätze. (3) Die Notwendigkeit der Bereitstellung manueller Schwellenwerteinstellungen, wie sie für Algorithmen zur Erkennung von Prozessanomalien typisch sind, wird durch eine automatische Parametrisierung unter Verwendung des Process Learning Modells ersetzt. (4) Die prädiktiven Fähigkeiten des Process Learning Modells werden ausgenutzt, um mögliche Korrekturen der erkannten Anomalien zu generieren.

Der sich daraus ergebende Ansatz zur Korrektur von Prozessanomalien kann in Szenarien eingesetzt werden, in denen klassisches Conformance Checking aufgrund der Einschränkung, von einem Prozessmodell abhängig zu sein, nicht durchführbar wäre. Darüber hinaus kann dieser Ansatz zusätzlich zu klassischem Conformance Checking eingesetzt werden, da er mehr Informationen aus dem Event Log einbezieht als klassisches Conformance Checking (z. B. Mitarbeiter, die einen Prozessschritt ausführen, in welchem Land der Prozess ausgeführt wird usw.) und somit eine neue Perspektive für den Prozessanalysten bietet.