Nutzung von Process Mining-Methoden zur Rekonstruktion von BPMN-Diagrammen

Marc Bissinger, Abschlussarbeit bei sidion

Im Business Process Management (BPM)-Zyklus erfolgt bei kontinuierlicher Prozess- und Workflowoptimierung regelmäßig ein Soll-Ist-Vergleich. Insbesondere in aktuell verbreiteten Microservices-Architekturen ist die Erhebung des Ist-Zustands eines Workflows für den Fachbereich mit hohem Aufwand verbunden, denn im Informationssystem (IS) werden Prozesse implizit im Code definiert und sind zunächst nach außen hin nicht sichtbar.

Um diese operativen Prozesse transparent zu machen, werden Prozessmonitoring-Techniken eingesetzt. Eine noch recht junge Disziplin, bei der Wissen aus sogenannten Event-Logs extrahiert wird, um Ist-Modelle zu entdecken, zu überprüfen und zu erweitern, ist das Process Mining. Man spricht dabei von den drei Typen: Process Discovery, Confomance Checking und Enhancement.

Wie die folgende Abbildung zeigt, werden Ansätze der Process Science mit Bereichen der Data Science u.a. Data Mining oder Machine Learning verbunden. Diese stellen Mittel zur Verfügung, um Geschäftsprozesse in einer Vielzahl von Anwendungsbereichen zu verbessern. Eine Organisation kann durch Process Mining die eigenen Problemdiagnosen stärker auf Fakten stützen, statt auf idealisierte Soll-Prozesse zu vertrauen.

Abbildung: Process Mining als Brücke zwischen Data Science und Process Science (Vgl. van der Aalst 2016, S.18)

Das Münchner Unicorn Celonis bietet cloudbasierte und KI-gestützte Process Mining-Technologie aus der Cloud oder als On-Premise-Lösung an. Der Erfolg des 2011 gegründeten Start-Ups zeigt sich daran, dass es am Markt inzwischen mit über zwei Mrd. Euro bewertet wird und im letzten Jahr den Deutschen Zukunftspreis gewinnen konnte.

Auch sidion-intern wird das Thema Process Mining vorangetrieben und erforscht. Im Rahmen einer Bachelorarbeit an der HFT Stuttgart wurde ein Verfahren zur automatischen Erstellung von BPMN-Diagrammen durch Process Mining konzipiert und umgesetzt. Zur zentralen Sammlung fachlicher Events setzt die Arbeit Event-Logging in Verbindung mit dem Elastic Stack ein.

Auf Basis der Referenzimplementierung OpenXES können Event-Logs nach dem de-facto Standard im Process Mining extensible Event Stream (XES) erstellt werden. Dabei stellt die Korrelierung der Events zur Prozessinstanz eine wesentliche Herausforderung dar. Benötigte Daten liegen zudem häufig unstrukturiert und verstreut in den verteilten Systemen.

Process Discovery steht für die Rekonstruktion eines Ist-Modells und wird in verschiedenen Tools als Funktionalität angeboten z.B. Celonis, ProM und Disco. Einfache Discovery-Algorithmen, wie der sogenannte Alpha-Algorithmus, haben Schwierigkeiten bei der Verarbeitung von rauschenden und unvollständigen Datensätzen. Stabilere und fortgeschrittene Algorithmen nutzen u.a. heuristische und genetische Ansätze für die Erzeugung von Prozessmodellen aus Event-Protokollen.

Die Prozesssicht des Ist-Modells wird in  Modellierungsnotationen wie BPMN, EPC, YAWL oder Petri-Netzen dargestellt. Das konzipierte Verfahren bindet das Open Source-Framework ProM ein, das mit Process Mining-Techniken in Form von Plugins erweiterbar ist. Die Komponente rekonstruiert zunächst ein Petri-Netz aus einem Event-Log, welches daraufhin in die Zielnotation BPMN konvertiert wird. Business Process Model and Notation (BPMN) stellt einen weit verbreiteten und beliebten Standard zu Prozessmodellierung dar, der einerseits vom Fachbereich verstanden wird und andererseits eine Brücke zur technischen Ebene des Workflows schlägt. Zur Visualisierung stellen Open-Source Bibliotheken, wie bpmn.io von Camunda, geeignete Mittel zur Verfügung.

Die Arbeit hat gezeigt, dass Process Mining dem Kunden einen Mehrwert im täglichen Business bieten kann, indem es Prozesse transparent macht und faktengestützte Entscheidungen ermöglicht. Ein hohes Potential für kommende Forschungsarbeiten steckt insbesondere in der Entwicklung leichtgewichtiger Process Mining-Lösungen und Algorithmen, die eine verbesserte Integration der Discovery-Funktionalität in einem automatisierten Verfahren ermöglichen.

Quellen:

[1] Wil M. P. van der Aalst. Process Mining - Data Science in Action. 2. Aufl. Berlin, Heidelberg: Springer, 2016. ISBN: 978-3-662-49851-4