Process Mining Flashcards

Question 1

Q

Traditionelle Verwendung von Geschäftsprozessmodellen

Answer

A

Einsicht
Diskussion
Dokumentation
Verifikation
Performance Analyse
Animation Spezifikation
Konfiguration

Question 2

Q

Aktuelle Herausforderung

GP Modellierung für Compliance

Answer

A

Steigende Anzahl von Regulierungen
- Finanzen Solvency 2, Basel 3
Steigende Komplexität des Compliance Nachweises
- Viele Facetten
- Wechselseitige Abhängigkeiten
- Aggregation
- Cloud Computen

Question 3

Q

Was sind Nachteile manueller Prozessmodellierung?

Answer

A

Manuelle Modelle unterscheiden sich oft von Realität
- idealisierte Sicht auf Prozesse
- nur ausführbare Modellen können Arbeitsweise erzwingen
Manuelle Erstellung of aufwendig

Question 4

Q

Wie kann man die Nachteile manueller Prozessgewinnung überwinden?

Answer

A

Konformanz Laufzeitverhalten <-> Prozessmopdell überprüfen
Prozessmodell aus Laufzeitverhalten extrahieren
Process Mining

Question 5

Q

Process Mining

Answer

A

(Teil-)automatisierte Extraktion von GP-Modellen aus Laufzeitdaten
Extraktion von Modellen basierend auf Fakten.
nicht Erzeugung eines einzelnen Modells des Prozesses.
verschiedene Sichten auf gleiche Realität auf verschiedenen Abstraktionsebenen.
Auch gesamtes Verhalten betrachtbar

Question 6

Q

Process Mining

Im Workflow Lebenszyklus

Answer

A

Process Discovery: Extraktion des Workflow Designs für ausgeführten WF
Delta Analysis Vergleich: Workflow Desing mit ausgeführtem WF

Question 7

Q

Konformanzüberprüfung durch Play-Out

Answer

A

Aus Prozessmodell Event Logs generieren
Ist Bebobachtetes Eventlog Teil des generierten EventLogs?
- Ja: Beobachtetes Eventlog Konformant zu Prozessmodell

Question 8

Q

Extraktion durch Play-In

Answer

A

Zugehöriges Prozessmodell aus gegebenen Event Logs generieren
Zugehörig bedeutet:
- Ursprüngliches Eventlog konform zu generiertem Prozessmodell
- Präzises/einfachstes Modell sollten mehrere Möglich sein

Question 9

Q

Mit Process Mining extrahierte Perspektiven

Answer

A

Kontrollfluss Perspektive
- Reihenfolge der Aktivitäten
Betriebliche Perspektive
- Informationen über Ressourcen
Fall-Perspektive
- Eigenschaften von Fällen
Zeitliche Perspektive
- Timing/Frequenz von Ereignissen

Question 10

Q

Process Mining

Verbesserung durch Replay

Answer

A

Ausführungsfolgen aus extrahiertem Modell generieren und mit ursprünglichen Event-Log vergleichen
Grad der Konformanz überprüfen
Modelle nachjustieren
Vorraussagende Modelle konstruieren
Betiebsunterstützung

Question 11

Q

Process Mining

Einschränkungen Modellbasierter Analyse

Answer

A

Idealisierte Version der Realität.
Menschliches Verhalten nicht adäquat darstellbar.
Oft falsche Abstraktionsebene.
Verifikation und Performanzanalyse braucht hochqualitative Modelle.
Bei zu großem Unterschied Modell – Wirklichkeit: modellbasierte Analyse sinnlos.
Oft fehlt Abgleich: handgemachte Modelle – Wirklichkeit.
- Geschäftsprozessmodellierung nicht vorhanden / nicht vollständig bzw. aktuell.
- Wird GP-Dokumentation in der Praxis befolgt ?

Question 12

Q

Petrinetz-Syntax

Stelle

Answer

A

Möglicher lokaler Zustand (passiv)
S: endliche Menge von Stellen

Question 13

Q

Petrinetz-Syntax

Transition

Answer

A

Lokaler Übergang (aktiv)
T: endliche Menge von Transitionen
- T= {t₁,t_2,t₃}

Question 14

Q

Petrinetz-Syntax

Bogen

Answer

A

Fluss (automatisch)
F: Menge von Bögen
- F={(t₁,s₁), (t₁,s₂), (s₁, t₂)…}
- F ⊆ S x T ∪ T x S
konsumierend
- Von Stelle zu Transition
  - Marken werden aus Stellen entnommen
erzeugend
- Von Transition zu Stelle
  - Marken werden Stellen hinzugefügrt

Question 15

Q

Petrinetz-Syntax

Marken (Token)

Answer

A

Globaler Startzustand
- M₀ : S → ℕ₀

Question 16

Q

Petrinetz-Syntax

Bogenvielfachheit

Answer

A

Gibt an wieviele Marken beim Folgen des Flusses erzeugt oder konsumiert werden
- 1 wird weggelassen
W: F → ℕ\0

Question 17

Q

Petrinetz

Syntaxdefinition

Answer

A

S: endliche Menge von Stellen
T: endliche Menge von Transitionen
- mit S≠∅, T≠∅ und S∩T=∅
F: Menge von Bögen:
- F ⊆ S x T ∪ T x S
W: Bogenvielfachheit (Gewicht):
- W: F→ℕ\0
M₀: Globaer Startzustand
- M₀ : S → ℕ₀
⇒ (S, T, F, W, M₀): Petrinetz

Question 18

Q

Petrinetz

Aktivierung von Transitionen

Answer

A

Transition t ist aktiviert wenn:
∀ p∈Vorgänger von t : W(p ,t)⩽ m_p
- W((p,t)): Gewicht des Bogens von p nach t

m_p: Anzahl Marken auf p

Question 19

Q

Petrinetz

Schalten von Transitionen

Answer

A

Eine der aktivierten Transitionen wird beim Übergang von Zustand M_x nach Zustand M_x+1geschaltet (nicht deterministische Auswahl)
- Marken auf Voränger-Stellen werden konsumiert
- Marken auf Nachfolger-Stellen werden produziert
Jede Folgemarkierung ergibt sich aus dem Schalten jweils genau einer Transition

Question 20

Q

Gibt es eine obere Grenze, wieviele Nachrichten gleichzeitig in dieser Queue enthalten sein können ?

Answer

A

In der Queue befindet sich höchstens eine Nachricht .
Ausführung der Transition „Queue füllen“, nachdem die Stellen „Nachricht empfangen“ und „Queue leer“ einen Marker besitzen.

Question 21

Q

Petrinetz

Erreichbarkeit: Notation und Definition

Answer

A

M [t> : bei Markierung M ist Transition t aktiviert ( [> symbolisiert Pfeil)
M [t> M’ : M’ ist direkte Folgemarkierung zur Markierung M nach Schaltung von Transition t
M [w> : Liste von Transitionen w=[t1,t2,…,tn] ist iterativ aktiviert unter Markierung M, d.h.: M [t1> M1 [t2> M2 … [tn> Mn
M [{t1, t2, …, tn}> : Liste von Transitionen [t1,t2,…,tn] ist in beliebiger Schaltungsreihenfolge iterativ aktiviert unter Markierung M (= alle Permutationen als Schaltfolgen aktiviert; genannt “nebenläufig aktiviert”)
[M₀> := {M | ∃ w ∈ T* mit M₀ [w> M} (Erreichbarkeitsmenge des Systems; die Markierungen M ∈ [M0> heißen erreichbar)

Question 22

Q

Petrinetz

Erreichbarkeitsalgorithmus (breadth-first)

Answer

A

Eingabe: Petrinetz Ausgabe: Erreichbarkeitstabelle

Erstelle Tabelle: Markierungsnummer, Markierung, Schaltunen und Trage M₀ ein
In aktueller Markierung M_i für jede Transition t: aktiviert?
- Falls t aktiviert: Berechne Folgemarkierung
  - Folgemarkierung bereits eine Markierung M_j?
  - Wenn nicht berechne Folgemarkierung M_j mit j > i und lege neue Zeile in der Tabelle für M_j an
- trage M_i[t> M_j in Zeile M_i ein
M_i erledigt falls alle Transitionen überprüft
Alle eingetragenen Markierungen erledigt?
1. Ja: Erreichbarkeitsanalyse abgeschlossen
2. Nein: Überprüfe nächste Markierung und fahre bei 2 fort

Question 23

Q

Petrinetz

Erreichbarkeitsalgorithmus als Graph darstellen

Answer

A

Erreichbarkeitstabelle oft als Graph dargestellt:
- Knoten:Zustände(linkeSpalte;ggf.inkl.Markierungsbelegungen)
- Kanten:Schaltungen(rechteSpalte)

Question 24

Q

Petrinetz

Analyse von Systemen:

Simulation

Answer

A

Kann zeigen, dass bestimmte Situationen auftreten können.
Kann nicht zeigen, dass bestimmte Situationen nicht auftreten.
Ausschnitt aus Menge aller möglichen Verhalten.
Keine Aussage über deren Eintrittswahrscheinlichkeit.

Question 25

Q

Petrinetz

Analyse von Systemen

Verifikation

Answer

A

Verifikation: Beweis von Eigenschaften:

Statische Eigenschaften: Unabhängig von Markierungen, nur von Netztopologie abhängig.
- z.B. Verklemmungen / Deadlocks
Dynamische Eigenschaften: Abhängig von der Menge erreichbarer Markierungen.
- Standardhilfsmittel: Erreichbarkeitsgraphen

Question 26

Q

Petrinetze

Kapazitäten

Answer

A

K: S → ℕ ∩ {∞} erklärt eine (möglicherweise unbeschränkte) Kapazität für jede Stelle.
Markierungen M: S → ℕ\0 müssen Kapazitäten respektieren, d.h. für jede Stelle s ∈ S gilt: M(s) ≤ K(s).
Transitionen sind bei Verwendung von Kapazitäten nur dann aktiviert, wenn Folgemarkierung Kapazitäten respektiert.

Question 27

Q

Petrinetz

Analyse von Systemen

Sicherheit

Answer

A

Sei P=(S,T,F,K,M0) Petrinetz.
Abbildung B: S → ℕ\0 ∪ {∞} ordnet jeder Stelle eine „kritische Markenzahl“ zu.
Petrinetz P heißt:
- B-sicher (oder B-beschränkt), wenn für alle erreichbaren Markierungen Anzahl der Markierungen pro Stelle durch B begrenzt, d.h.: für alle M ∈ [M₀> und s ∈S gilt: M(s) ≤ B(s).
- 1-sicher, 2-sicher usw., wenn B=1, B=2 usw.
- beschränkt, wenn es natürliche Zahl b gibt, für die P b-sicher.
Stelle s heisst b-sicher, wenn P B-sicher mit B(s)=b, und B(s‘)= ∞ für s’#s.
Unterschied zwischen Kapazität und Sicherheit:
- Kapazität begrenzt Stellenmarkierung (a priori-Begrenzung).
- Sicherheit beobachtet Stellenmarkierung (a posteriori-Begrenzung).

Question 28

Q

Petrinetze

Analyse von Systemen

Lebendigkeit von Transitionen

Answer

A

Transition t eines Petrinetz P=(N,M₀) heißt:

aktivierbar: In mindestens einer erreichbaren Markierung aktiviert: existiert M1 ∈ [M₀> mit: M₁[t>
lebendig: In allen erreichbaren Markierung aktivierbar: für alle M1 ∈ [M₀> gilt: existiert M₂∈ [M₁> mit: M₂[t>
tot: In keiner erreichbaren Markierung aktiviert: für alle M ∈ [M₀> gilt: ¬M[t>
Tot ist nicht logische Negation von lebendig sondern von aktivierbar !

Question 29

Q

Petrinetz

Analyse von Systemen

Lebendigkeit von Petrinetzen

Answer

A

Petrinetz P=(S,T,F,K,W,M₀) heißt:

lebendig: In jeder erreichbaren Markierung ist jede Transition aktivierbar: für alle M₁ ∈ [M₀> und t ∈ T gilt: existiert M₂ ∈ [M₁> mit: M₂[t>
deadlockfrei: In jeder erreichbaren Markierung ist mindestens eine Transition aktiviert: für alle M₁ ∈ [M₀> gilt: existiert t ∈ T mit: M₁[t>
tot: Keine Transition aktiviert: ∀t ∈ T: ¬M₀ [t>

Question 30

Q

Petrinetz

Workflownetz

Answer

A

genau eine Stelle ohne eingehenden Bogen (Start-Stelle)
genau eine Stelle ohne ausgehenden Bogen (End-Stelle)
jede Stelle und Transition auf Pfard von Start- zu End-Stelle
Initiale Markierung
- Start-Stelle genau eine Marke
- Rest: Keine Marke

Question 31

Q

Petrinetz

AND-Split

Question 32

Q

Petrinetz

AND-Join

Question 33

Q

Petrinetz

XOR-Split

Question 34

Q

Petrinetz

XOR-Join

Question 35

Q

Petrinetz

Bewertung

Answer

A

Positiv
- Einfache und wenige Notationselemente.
- Graphisch gut darstellbar.
- Marken: übersichtliche Visualisierung des Systemzustands.
- Syntax und Semantik formal definiert.
- Werkzeuge zur Erstellung, Analyse, Simulation, Code-Generierung vorhanden (z.B. Process Mining).
- Gut geeignet für kooperierende Prozesse.
Nachteil
- Zunächst keine Datenmodellierung (kann aber dahin erweitern).

Question 36

Q

Question 37

Q

Data-Mining vs. Process-Mining

Answer

A

Process Mining: Data Mining auf Prozess-Daten
Process-Mining: Ende zu Ende Prozesse
Data-Mining: Datenbasiert und nicht prozessbasiert
Qualitätsbewertung
- Viele Ähnlichkeiten, aber auch Unterschiede
Process-Mining-Techniken können Vorteile aus Erfahrungen im Bereuch Data Mining ziehen.

Question 38

Q

Data Mining

Variablen

Answer

A

Datensatz besteht aus Instanzen (Individuen, Entitäten, Fälle, Objekte oder Aufzeichnungen).
Variablen: als Attribute, Features oder Datenelemente bezeichnet. Zwei Typen:
- Kategorielle Variablen:
  - Ordinal (hoch – mittel – niedrig)
  - Nominal (true – false, rot – pink – grün)
- Numerische Variablen (geordnet, können nicht einfach aufgezählt werden).

Question 39

Q

Data Mining

Überwachtes Lernen

Answer

A

Klassifizierte Daten (Labeled Data)
- Jede Instanz durch Response-Variable gekennzeichnet.
Ziel:
- Erkläre Response-Variable (abhängige Variable) in Form von Predictor-Variablen (unabhängige Variable).
Klassifikationstechniken (z.B.: Lernen mit Entscheidungsbäumen)
- Setzen kategorielle Response-Variablen voraus.
- Ziel: Instanzen anhand Predictor-Variablen klassifizieren.
Regressionstechniken: Benötigen numerische Response-Variablen.
- Ziel: Zu Daten passende Funktion mit wenigsten Fehlern finden.

Question 40

Q

Data Mining

Nicht überwachtes Lernen

Answer

A

Nicht überwachtes Lernen verwendet unlabeled data. Variablen nicht in Response- und Predictor-Variablen unterteilt.
Beispiele:
- Clustering (z.B.: k-means clustering und agglomerative hierarchical clustering).
- Pattern discovery (association rules).

Question 41

Q

Data Mining

Entscheidungsbaum generieren:

Grundidee

Answer

A

Teile Menge der Instanzen auf, sodass Variation in jeder Teilmenge kleiner wird
Variation messen (z.B. durch Entropie)
Minimiere durchschnittliche Entropie; maximiere Informationsgewinn pro Schritt

Question 42

Q

Data Mining

Entropie

Answer

A

Entropie E
- informationstheoretisches Maß für Chaos in einer Multimenge
Element v_{<strong>i</strong>} in einer Multimenge c_i-mal enthalten
Multimenge hat n Elemente
Einzelentropie: -log₂(p_i), wobei p_i=c_i/n
Gesamtentropie: E=−∑(p_i log₂(p_i)) (i=1, k)

Question 43

Q

Data Mining

Iterative Dichotomiser 3 (ID3)

Entscheidungsbaum generieren

Answer

A

Anwendung:
- Bei großer Datenmenge viele verschiedene Attribute von Bedeutung.
  - Entscheidungsbaum ohne große Berechnungen generieren.
Algorithmus:
- Iterativ
- Benutzt Entropie zur Bestimmung von Baum-Knoten.
- Abbruch, falls jedem Blattknoten eine Klassifikation zugeordnet.
Eingabe:
- Menge zu klassifizierender Objekte, Wurzelknoten, Menge noch zu vergebener Merkmale
Ausgabe:
- Struktur mit Tupeln (Entscheidungsbaum)

Question 44

Q

Data Mining

Iterative Dichotomiser 3 (ID3)

Algorithmus: Informell

Answer

A

Gegeben: X={x₁ ,…,x_n}⊂{1,…,v₁}×…×{1,…,v_p}, y={y₁,…,y_n}⊂{1,…,c}
Aufrufen: ID3({1,…,n}, Wurzel,{1,…,p})
Prozedur ID3(I,N,K)

Wenn alle y(I) gleich dann abbrechen
Berechne Informationsgewinn g_j((X(I),y(I))) = E(X)−∑_j∈y((∣X_j∣)/(∣X∣) ) * E(X _j)∀ j∈K
- X: Datensatz, E(X): Entropie im Datensatz, c: Klassifikation

X _j : Untermenge von X, ∣X∣: Mächtigkeit von X, ∣X_j∣: Mächtigkeit von X _j

Bestimme Gewinnermerkmal i = argmx{g_j((X(I), y(I)))}
Zerlege I in v_i disjunkte Teilmengen
für j mit I_j ≠ {}
- Generiere neuen Knoten N_j und hänge ihn an N
- Aufrufen ID3(I_j, N, I{i})

Question 45

Q

Data Mining

Bedingte Entropie

Answer

A

Maß über den Wert einer Zufallsvariable, welche verbleibt, nachdem das Ergebnis einer anderen Zufallsvariable bekannt wird.

Question 46

Q

Data Mining

Konfusionsmatrix

Answer

A

tp: Anzahl true positives; korrekterweise als positiv klassifiziert.
fn: Anzahl false negatives; als negativ klassifiziert, aber positiv.
fp: Anzahl false positives; als positiv klassifiziert, aber negativ.
tn: Anzahl true negatives; korrekterweise als negativ klassifiziert.

Question 47

Q

Data Mining

Konfusionsmatrix

Error

Answer

A

Error = (fp+fn)/N

Question 48

Q

Data Mining

Konfusionsmatrix

accuracy

Answer

A

accuracy = (tp+tn)/N

Question 49

Q

Data Mining

Konfusionsmatrix

tp-Rate

Answer

A

tp-Rate = tp/p

p=tp+fn

Question 50

Q

Data Mining

Konfusionsmatrix

fp-Rate

Answer

A

fp-Rate = fp/n

n = fp+tn

Question 51

Q

Data Mining

Konfusionsmatrix

precision

Answer

A

precision = tp/p’

p’ = tp+fp

Question 52

Q

Data Mining

k-Means-Cluster-Analyse

Lloyd Algoritmus: Informell

Answer

A

Anzahl K zu ermittelnder Cluster vorher festlegen.
Start (i=0): Positionen der Clusterschwerpunkte zufällig initialisieren.
Objekte nächstgelegenen Schwerpunkten zuordnen. (i=1)
Bei jeder Iteration i Schwerpunkt und nächstliegende Kandidaten neu berechnen.
Dies Wiederholen bis Summe quadratischer Distanz einzelner Objekte zu ihrem jeweiligen Clusterschwerpunkt über alle Cluster ein Minimum erreicht.
- Bild
x_nDatensätze und μ_k Schwerpunkte der Cluster.
Entscheidungskriterium für Cluster-Zugehörigkeit der Testobjekte: Abstände der Testvektoren von Clusterschwerpunkten.

Question 53

Q

Data Mining

Assoziationsregel-Lernen

Ziel

Answer

A

Regeln der Form “IF X THEN Y” lernen:
- X⇒Y

Question 54

Q

Data Mining

Assoziationsregel-Lernen

support(X⇒Y)

Relevanz

Answer

A

support(X⇒Y) = N_X∧Y/N

(N_X: Anzahl Datensätze, die alle Eigenschaften in X erfüllen).

Question 55

Q

Data Mining

Assoziationsregel-Lernen

confidence(X⇒Y)

Gültigkeit

Answer

A

confidence(X⇒Y) = N_X∧Y/N_X

(N_X: Anzahl Datensätze, die alle Eigenschaften in X erfüllen).

Question 56

Q

Data Mining

Assoziationsregel-Lernen

lift(X⇒Y)

Aussagekraft

Answer

A

lift(X⇒Y) = (N_{X∧Y *}N) / (N_X * N_Y)

(N_X: Anzahl Datensätze, die alle Eigenschaften in X erfüllen).

Question 57

Q

Data Mining

Assoziationsregel-Lernen

Brute-force-Algorithmus

Answer

A

Definition: Für gegebenen support-Schwellwert minsup:
- Menge Z heißt frequent item-set, wenn N_Z / N >= minsup.
Assoziationsregeln wie folgt generierbar:

Generiere frequent item-sets: alle Mengen Z sodass N_Z / N größer als gegebener Schwellwert für support und |Z| >=2.
Für jedes frequent item-set Z betrachte Partition in nicht-leere Teilmengen X, Y.
- Behalte Regeln X => Y, für die confidence gegebenen Schwellwert überschreitet oder gleich ist.

Question 58

Q

Data Mining

Assoziationsregel-Lernen

Unter welcher Voraussetzung ist Teilmenge einer frequent item-set ebenfalls eine frequent item-set ?

Answer

A

Beobachtung: Jede nicht-leere Teilmenge einer frequent item-set ist ebenfalls frequent: Durch Teilmengen-Bildung kann sich Menge der zu erfüllenden Eigenschaften allenfalls verringern (nicht vergrößern), daher kann sich der support allenfalls vergrößern (nicht verringern), da es einfacher wird, alle Eigenschaften zu erfüllen.
Maximale frequent item-sets ausgehend von 1-elementigen frequent item-sets generierbar.

Question 59

Q

Data Mining

Hidden-Markov-Modell

Answer

A

Wahrscheinlichkeit der Sequenz berechnen (gegeben Beobachtungssequenz und Hidden-Markov-Modell)
Gegeben Beobachtungssequenz und Hidden-Markov-Modell, wahrscheinlichsten „hidden path“ im Modell berechnen (= interne Zustandsfolge; kann zur z.T. beobachtet werden).
Bei gegebener Beobachtungs- sequenz Hidden-Markov-Modell ableiten, welches mit max. Wahrscheinlichkeit Sequenzen erzeugt.

Question 60

Q

Data Mining

Qualitätsbewertung von Lernalgorithmen: Cross-Validierung

Answer

A

Mit hilfe gegebener Datan testen wie gut der Algo ist.

Question 61

Q

Ziel des Process-Minings

Answer

A

Was geschah in der Vergangenheit ?
Warum ist es passiert ?
Was wird vermutlich in der Zukunft geschehen ?
Wann und warum weichen Unternehmen und Leute voneinander ab ?
Wie kann ein Prozess besser kontrolliert werden ?
Wie kann ein Prozess neu entworfen werden, sodass die Performanz gesteigert wird ?

Question 62

Q

Datenbeschaffung

Log-Komponenten

Answer

A

Prozess enthält Fälle (cases).
Fall besteht aus Events, jeden Event genau einem Fall zuordnen.
Events innerhalb eines Falles: geordnet.
Events können Attribute haben.
Beispiele typischer Attributnamen: activity, time, costs und resource.

Question 63

Q

Datenbeschaffung

Herausforderungen beim Extrahieren des Event-Logs

Answer

A

Korrelation: Events in Event-Log: nach Fällen gruppiert.
- Nicht trivial: setzt Korrelation der Events untereinander voraus.
Zeitstempel: Events pro Fall ordnen.
- Probleme: nur Datum, unterschiedliche Uhren, verzögertes Loggen.
Snapshots: Fälle ggf. über Dauer der Aufnahme hinweg aktiv.
- Z.B.: Fall vor Beginn des Event-Logs gestartet.
Scoping: Welche Tabellen berücksichtigen ?
Granularität: Events in Event-Log: andere Granularität als für Endnutzer relevante Aktivitäten.

Question 64

Q

Datenbeschaffung

Event-Log erstellen

Answer

A

Verschieden Datenquellen zusammenfassen
Haupttabelle festlegen und Attribut zur Zusammenführung bestimmen

Answer 60

A

Minimal: Nummer der GP-Instanz („case“ / Fall), GP-Aktivität, zeitliche Ordnung
Optional: Genaue Zeit, Nutzer, assoziierte Daten etc.
„Rauschfrei“: GP-Instanznr. erlaubt irrelevante Daten wegzufiltern.
Vollständig: Relevante Daten für verschiedene GP-Instanzen vorhanden.

Answer 61

A

Angemessenheit (Fitness)
- Verhalten des Event-Logs zulassen.
Genauigkeit (Precision)
- vermeide Unteranpassung (underfitting)
- kein Verhalten ohne Bezug zu Inhalt des Event-Logs zulassen.
Verallgemeinerung (Generalization)
- vermeide Überanpassung (overfitting)
- Verallgemeinerung des Beispiel-Verhaltens im Event-Log sein.
Einfachheit (Simplicity)
- so einfach wie möglich sein.

Answer 62

A

α-Algorithmus: aus Menge von Folgen von Log-Daten GP-Modell als Petrinetz extrahieren.
Idee:
- Informationen über Abfolge der Aktivitäten durch Verwendung geeigneter Ordnungs-Relationen sammeln.
  - Ob Aktivitäten in verschiedenen Folgen in Kausal-Beziehung stehen, oder parallel bzw. unabhängig voneinander sind.
- Damit Petrinetz konstruieren.

Answer 63

A

Annahmen an zu erzeugende Petrinetze:
- Ausführung: jede Transition erzeugt jeweils ein Ereignis in Log- Datei mit zugehöriger Bezeichnung.
- Verschiedene Transitionen haben verschiedene Bezeichnungen.
- Keine Bogen-Vielfachheiten.
Annahmen an Folge von Log-Daten:
- Log-Daten alle vom relevanten GP erzeugt. GP durch Petrinetz modellierbar.
- Aufteilung der Log-Daten auf Folgen in gegebener Menge entsprechen verschiedenen GP-Instanzen.
- Abstrahieren von mehrfachen GP-Instanzen mit demselben Verlauf (und von GP-Instanznummern).

Answer 64

A

Direkte Nachfolge: x >_W y
- ∃ σ∈W worin y direkt auf x folgt
Kausalität x →_W y

x >_W y und nicht y >_W x

Parralelität x ||_W y

x>_Wy und y>_Wx

Unabhängigkeit x #_W y

nicht x>_W y und nicht y>_W x

Answer 65

A

Gesucht: Workflow-Schema als Petrinetz α(W) = (Stellen P_W, Transitionen T_W, Verbindungen F_W)
Transitionen
- 1. T_W ={ t ∈ T | ∃_σ∈W t ∈ σ }
- 1. T_I={t∈T | ∃_σ∈W t=first(σ)} Start-Transitionen
- 1. T_O={t∈T | ∃_σ∈Wt=last(σ)} End-Transitionen
Kandidaten für Stellen
- 4. X_W = { (A,B) | A ⊆ T_W ∧ A ≠ ∅ ∧ B ⊆ T_W ∧ B ≠ ∅ ∧ ∀_{a ∈ A} ∀_{b ∈ B} a →_W b ∧ ∀_{a1,a2 ∈ A} a₁#_w a₂ ∧ ∀_{b1,b2 ∈ B}b₁#_W b₂ }
Stellen
- 5. Y_W = {(A,B) ∈ X_W | ∀_{(A´,B´) ∈ Xw} A⊆A´ ∧ B⊆B´ ⇒ (A,B) = (A´,B´)}
- 1. P_W={(p(A,B)) | (A,B)∈Y_W}∪{i_W,o_W}
Verbindungen und Resultat
- 1. F_W={(a,p_(A,B) ) | (A,B)∈Y_W∧a∈A} ∪ {p_(A,B) ,b | ( A,B) ∈ Y_W∧ b∈B} ∪ {(i_W ,t)|t∈T_I} ∪ {(t,o_W )| t∈T_O}
- 1. α(W )=(P_W, T_W, F_W)

Answer 66

A

Rauschen
- Event-Log enthält seltenes und unregelmäßiges Verhalten.
- Nicht typisches Verhalten des Prozesses.
- Lösung z.B. durch Betrachtung der Häufigkeit
Unvollständigkeit
- Event-Log enthält zu wenig Events, um alle

Kontrollflüsse zu erfassen.

Answer 67

A

Paradebeispiel für unterangepasstes Modell:
jedes Verhalten auf Basis der Ereignisse a, …, h zulässig.

Answer 68

A

Keine negativen Beispiele:
- Logs zeigen, was geschah. Nicht: was nicht passieren kann.
Durch Nebenläufigkeit, Schleifen, Verzweigungen:
- Suchraum hat komplexe Struktur.
- Log enthält nur Teil des möglichen Verhaltens.
Kein Zusammenhang zwi. Größe des Modells und seinem Verhalten:
- Kleines Modell kann mehr/weniger Verhalten generieren.
- Klassische Analyse- und Evaluations-Methoden erwarten Monotonie-Eigenschaften.

Answer 69

A

Auditierung: Evaluation von Unternehmen und ihren Prozessen.
Audits stellen Validität und Zuverlässigkeit von Informationen über Unternehmen und entsprechende Prozesse sicher.
Test von Ausführung der GP in bestimmten Grenzen (von Managern, der Politik und anderen Interessenvertretern gesetzt).
Process-Mining: bei Aufdecken von Betrug, Fehlverhalten, Risiken und Ineffizienzen hilfreich.
Alle Events eines GP evaluierbar, auch während Prozess noch läuft.

Answer 70

A

In jedem Schritt gibt es Zähler:
- p (produzierte Tokens)
- c (konsumierte Tokens)
- m (fehlende Tokens),
- r (überbleibende Tokens).
Am Anfang: alle leer.
Umgebung produziert ein Token für Stelle Start →p=1.
Transition a konsumiert ein Token und produziert 2 Tokens → p = 3, c = 1.
Am Ende konsumiert die Umgebung ein Token → c inkrementieren.
Durchführen bei jeder Transition

Answer 71

A

produced, consumed, missing, remaining
(1-m/c) berechnet Anteil fehlender Tokens.
(1- r/P) berechnet Anteil überbleibender Tokens.
σ: Log, N: Modell.
0 ≤ fitness(σ, N) ≤ 1.
Falls fitness (σ, N) = 1: Keine fehlende oder überbleibende Token.
fittness(σ, N) = 1/2 * (1 - m/c) + 1/2 * (1 - r/p)

Answer 72

A

Fehlerfreie Workflow-Ausführung ? Workflow-Ausführung mit geringem oder normalem
Ressourcenverbrauch ?
Identifikation kritischer Aktivitäten (hoher Ressourcenverbrauch).
Wie sehen häufige / typische Ausführungen aus?

Answer 73

A

(Timed) Replay: Timing-Information mit Modellelementen verknüpfen. Ziele:
- Visualisierung
- Analyse
der Zeit-Informationen

Answer 74

A

Entscheidungspunkte in extrahierten Petrinetzen zunächst „nicht-deterministisch“:
- im Modell nicht determiniert, welcher Ausführungszweig in welcher Ausführung gewählt wird
Nützliche Information !
- Idee: Klassifikationstechniken (s. Abschnitt 2.2) anwenden, um Rationale hinter der in den Ausführungen gewählten Entscheidungen auf Basis der Logdaten zu erkennen.
=> „Decision Mining“

Answer 75

A

Wenn eine Stelle die Wahl zwischen 2 Transitionen hat.

Answer 76

A

Flaschenhälse entdecken.
Abweichungen / Probleme entdecken.
Performanz-Messungen.
Verbesserungen vorschlagen.
Entscheidungshilfe (z.B.: Empfehlung und Vorhersage).
Rückkopplung geben.

Answer 77

A

“Post-mortem”-Eventdaten
Abgeschlossene Fälle.
Zur Verbesserung und Auditierung. Nicht, um gegebenen Fall zu beeinflussen.
“Pre-mortem”-Eventdaten:
Nicht abgeschlossene Fälle.
Wenn Fall läuft / „lebt“ (pre-mortem):
Informationen aus Event-Log über Fall (akt. Daten) verwertbar.
 Korrekte und effiziente Durchführung des Falls sicherstellen.

Answer 78

A

Stark strukturierte Prozesse

Verhalten ist “vorhersehbar”

Answer 79

A

unstrukturierte Prozesse mit vielen möglichen Pfaden

Answer 80

A

Weise jedem Datenpunkt einen Cluster zu
Füge die beiden nächsten Cluster zusammen (merge)
Wiederhole 2 bis nur noch ein Cluster existiert.

Answer 81

A

Discovery/Extraktion:
- Es existiert kein Modell, das die Vorgänge in der Bank modelliert. Zuständigkeiten einzelner Mitarbeiter und erlaubte / mögliche Aktionen des Kunden können über Process Mining ermittelt werden.
Conformance/Konformanz:
- Es existiert ein Modell, das die Bank modelliert. Das Modell wird mit den Logs verglichen, die bei der Ausführung der Systeme entstehen. So können zum Beispiel Indizien gesammelt werden, um festzustellen, ob Mitarbeiter ihre Kompetenzen überschreiten oder das Vier-Augen-Prinzip verletzt wird. Darüber hinaus können auch Lücken im Prozess festgestellt werden: wenn der Bankautomat nach einem Softwareupdate auch Kreditanträge bearbeiten kann und dies nicht im Prozessmodell nachgepflegt wurde, kann dies aufgedeckt werden.
Enhancement/Verbesserung:
- Ein bereits vorhandener Prozess soll um Informationen angereichert werden. Hier können bspw. lange Laufzeiten einer Kontoeröffnung auf- gedeckt werden und zu einer Optimierung oder Erweiterung eines Prozesses führen.

Answer 82

A

Extraktion: Play-in
Konformanz: Play-out
Verbesserung: Replay

Answer 83

A

Vielfach werden IT-Systeme und interne Prozesse überhaupt an zuvor modellierten Prozessen ausgerichtet. Hier kann also gar kein Mining-Ansatz benutzt werden, bevor nicht mit GP-Modellierung gearbeitet worden ist.

Answer 84

A

Informationen, die Process Mining liefert, basieren grundsätzlich auf der Auswertung einer begrenzten Zeitspanne. Aktivitäten, die in dieser Zeit nicht im Log auftauchen, aber eigentlich benötigt werden, können so aber nicht beachtet werden.
Die Abstraktionsebene wird durch das Log bestimmt und nicht dadurch welche Abstraktion sinnvoll ist.

Answer 85

A

Beim überwachten Lernen ist das Ziel eine abhängige Variable (die Response-Variable) durch unabhänige Variablen (die Predictor-Variablen) zu erklären. Beim nicht überwachten Lernen gibt es keine Unterscheidung zwischen den Variablen und das Ziel ist es diese zu Clustern oder ihre Beziehung untereinander darzustellen.

Answer 86

A

Fall-Nummer :
- Wird zur Bildung der Sequenzen benötigt. Ohne Fallnummer ist das Extrahieren eines Netzes nur dann möglich wenn es keine parallelen Ausführungen des Prozesses gibt.
Task :
- Werden in Transitionen überführt. Ohne eindeutigen Bezeichner für einzelne Tasks würden mehrere Transitionen pro Task erzeugt und ein verfälschtes Netz entstehen.
zeitliche Ordnung :
- Wird zur Bildung der Relationen zwischen Transitionen benötigt.
Rauschfrei :
- Der α Algorithmus ist nicht in der Lage fehlerhafte oder unvollständige Sequenzen zu filtern.
Vollständig :
- Das Log File ist vollständig.