Process Mining Based Influence Analysis for Analyzing and Improving Business Processes
dc.contributor | Aalto-yliopisto | fi |
dc.contributor | Aalto University | en |
dc.contributor.advisor | Hollmén, Jaakko, Dr., Aalto University, Finland | |
dc.contributor.author | Lehto, Teemu | |
dc.contributor.department | Tietotekniikan laitos | fi |
dc.contributor.department | Department of Computer Science | en |
dc.contributor.school | Perustieteiden korkeakoulu | fi |
dc.contributor.school | School of Science | en |
dc.contributor.supervisor | Jung, Alex, Asst. Prof., Aalto University, Department of Computer Science, Finland | |
dc.date.accessioned | 2020-11-11T10:00:13Z | |
dc.date.available | 2020-11-11T10:00:13Z | |
dc.date.defence | 2020-11-26 | |
dc.date.issued | 2020 | |
dc.description | Defence 26.11.2020 14:00 – 17:00 Via remote technology (Zoom): https://aalto.zoom.us/j/69725785094 | |
dc.description | ||
dc.description.abstract | The ability to improve processes is essential for every organization. Process mining provides a fact-based understanding of actual processes in the form of discovered process diagrams, bottlenecks, compliance issues, and other operational problems. Organizations need to carry out accurate root cause analysis and efficient resource allocation to improve the process and reduce problems. This work presents a novel influence analysis method to improve the allocation of development resources, detect process changes, and discover business areas that significantly affect process flow. The method combines the usage of process mining analysis with probability-based objective measures and analysis of deviations. The method is specially designed for business analysts, process owners, line managers, and auditors in large organizations, to be used as a set of interactive root cause analyses and benchmark reports. Methods and algorithms are presented for analyzing both binary problems where each case is either successful or non-successful, and continuous variables, including process lead times and costs. A method for using case-specific weights to consider the relative business importance of each case is also presented. This work also includes data preparation methods and best practices for acquiring relevant business operations data in the event log format. Concept drift in process mining is a research area that studies business process changes over time. This dissertation shows how process mining can be used to identify changes in business operations by using the influence analysis method to identify business process changes in the business review context. Typical business reviews consist of monitoring key performance indicator (KPI) measures against targets, while the detection of activity level process changes is often based on subjective manual observations alone. Many relevant changes are not detected promptly, making organizations slow to adapt to changes. Machine learning techniques such as clustering extend the coverage of process mining analyses. A method for clustering cases based on process flow characteristics and using influence analysis to explain the results with business attributes is presented. The method identifies business areas where the process execution differs significantly from the rest of the organization. Finally, the results of using our methods with publicly available industrial datasets, including service desk data from Rabobank, loan applications process data from a Dutch Financial Institute, and publicly available purchase to pay process data are presented. | en |
dc.description.abstract | Prosessien jatkuva parantaminen on välttämätöntä jokaiselle organisaatiolle. Prosessilouhinta (process mining) tuottaa tosiasioihin perustuvan tarkan käsityksen operatiivisesta liiketoiminnasta prosessikaavioiden, tunnistettujen pullonkaulojen, vaatimustenmukaisuusongelmien ja muiden prosessihavaintojen muodossa. Prosessien kehittämiseksi ja ongelmien vähentämiseksi organisaatiot tarvitsevat tarkkaa analyysiä havaittujen ongelmien juurisyistä ja menetelmiä kehitysresurssien suuntaamiseen oikein. Tämä työ esittelee prosessilouhintaan perustuvan vaikutusanalyysimenetelmän (influence analysis) kehitysresurssien allokoinnin parantamiseksi, prosessimuutosten havaitsemiseksi ja prosessin kulkuun vaikuttavien liiketoiminta-alueiden tunnistamiseksi. Menetelmä yhdistää prosessilouhinnan käyttöä todennäköisyyslaskentaan ja poikkeamien analysointiin. Menetelmä on ensisijaisesti suunnattu suurten organisaatioiden prosessianalyytikoille, prosessien omistajille, operatiiviselle johdolle ja sisäiselle tarkastukselle. Keskeisiä käyttötapoja ovat interaktiiviset juurisyy-analyysit ja vertailuraportit. Esitämme menetelmät ja algoritmit sekä binäärisille ongelmille, joissa jokainen tapaus on joko onnistunut tai epäonnistunut, että jatkuville muuttujille, kuten prosessien läpimenoajat ja kustannukset. Esittelemme myös tapauskohtaisten painotusten käyttöä kunkin tapauksen suhteellisen liiketoimintamerkityksen huomioimiseksi vaikutusanalyyseissä. Lisäksi esittelemme menetelmiä ja kokemuksia tarvittavien lähtötietojen keräämiseen ja esikäsittelyyn. Prosessien muutosten seuranta ja analysointi (concept drift) on prosessilouhintaan liittyvä tutkimusalue liiketoimintaprosessien ajallisten muutosten tutkimiseksi. Näytämme miten vaikutusanalyysimenetelmää voi hyödyntää liiketoimintaprosessien muutosten tunnistamiseksi erityisesti liiketoimintakatsausten yhteydessä. Tyypilliset liiketoimintakatsaukset koostuvat pääosin suorituskykymittareiden seurannasta suhteessa tavoitteisiin samalla kun aktiviteettitason prosessimuutosten havaitseminen jää usein pelkästään subjektiivisten havaintojen tasolle. Varsinkin hitaasti etenevät prosessimuutokset havaitaan usein vasta pitkän ajan kuluttua, mikä osaltaan tekee organisaatioista hitaita mukautumaan muutoksiin. Koneoppimistekniikat, kuten klusterointi, laajentavat prosessilouhinta-analyysien kattavuutta. Esitämme menetelmän prosessitapausten klusteroimiseksi aktiviteettipolun perusteella ja käytämme vaikutusanalyysiä tulosten selittämiseen liiketoimintakäsitteiden avulla. Menetelmän avulla voidaan helposti havaita sellaiset liiketoiminta-alueet, joissa prosessin kulku poikkeaa muusta organisaatiosta. Lopuksi esittelemme tuloksia menetelmien käytöstä julkisesti saatavilla olevien teollisten tietoaineistojen kanssa liittyen IT palvelu-, lainahakemusten käsittely- ja ostoprosesseihin. | fi |
dc.format.extent | 134 + app. 132 | |
dc.format.mimetype | application/pdf | en |
dc.identifier.isbn | 978-952-64-0138-6 (electronic) | |
dc.identifier.isbn | 978-952-64-0137-9 (printed) | |
dc.identifier.issn | 1799-4942 (electronic) | |
dc.identifier.issn | 1799-4934 (printed) | |
dc.identifier.issn | 1799-4934 (ISSN-L) | |
dc.identifier.uri | https://aaltodoc.aalto.fi/handle/123456789/47578 | |
dc.identifier.urn | URN:ISBN:978-952-64-0138-6 | |
dc.language.iso | en | en |
dc.opn | van der Aalst, Will, Prof., RWTH Aachen University, Germany | |
dc.publisher | Aalto University | en |
dc.publisher | Aalto-yliopisto | fi |
dc.relation.haspart | [Publication 1]: Teemu Lehto, Markku Hinkka, Jaakko Hollmén. Focusing Business Improvements Using Process Mining Based Influence Analysis. In Business Process Management Forum. BPM 2016., Rio de Janeiro, Brazil, pages 177-192, 9 2016. DOI: 10.1007/978-3-319-45468-9_11 | |
dc.relation.haspart | [Publication 2]: Teemu Lehto, Markku Hinkka, Jaakko Hollmén. Focusing Business Process Lead Time Improvements Using Influence Analysis. In 7th International Symposium on Data-Driven Process Discovery and Analysis (SIMPDA 2017), Neuchatel, Switzerland, pages 54-67, 122017. Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-201803161739. | |
dc.relation.haspart | [Publication 3]: Teemu Lehto, Markku Hinkka, Jaakko Hollmén. Analyzing Business Process Changes Using Influence Analysis. In 8th International Symposium on Data-Driven Process Discovery and Analysis (SIMPDA 2018), Seville, Spain, 12 2018 | |
dc.relation.haspart | [Publication 4]: Teemu Lehto, Markku Hinkka. Discovering Business Area Effects To Process Mining Analysis Using Clustering and Influence Analysis. In 23rd International Conference on Business Information Systems (BIS 2020), Colorado Springs, USA, 6 2020. DOI: 10.1007/978-3-030-53337-3_18 | |
dc.relation.haspart | [Publication 5]: Markku Hinkka, Teemu Lehto, Keijo Heljanko. Assessing Big Data SQL Frameworks for Analyzing Event Logs. In 24th Euromicro International Conference on Parallel, Distributed, and Network-Based Processing, Heraklion, Crete, Greece, 101-108, 2 2016. DOI: 10.1109/PDP.2016.26 | |
dc.relation.haspart | [Publication 6]: Markku Hinkka, Teemu Lehto, Keijo Heljanko, Alex Jung. Structural Feature Selection for Event Logs. In Business Process Management Workshops - BPM 2017 International Workshops, Barcelona, Spain, Revised Papers, volume 308 of Lecture Notes in Business InformationProcessing, pages 20-35, 9 2017. DOI: 10.1007/978-3-319-74030-0_2 | |
dc.relation.haspart | [Publication 7]: Markku Hinkka, Teemu Lehto, Keijo Heljanko, Alex Jung. Classifying Process Instances Using Recurrent Neural Networks. In Business Process Management Workshops - BPM 2018 International Workshops, Sydney, NSW, Australia, September 9-14, 2018, Revised Papers, volume 342 of Lecture Notes in Business Information Processing, pages 313-324, 9 2018. DOI: 10.1007/978-3-030-11641-5_25 | |
dc.relation.haspart | [Publication 8]: Markku Hinkka, Teemu Lehto, Keijo Heljanko. Exploiting Event Log Data-Attributes in RNN Based Prediction. Lecture Notes in Business Information Processing, Volume 379, Data-Driven Process Discovery and Analysis 8th and 9th IFIP WG 2.6 International Symposium,SIMPDA 2018 - 2019, Revised Selected Papers, 2020 | |
dc.relation.ispartofseries | Aalto University publication series DOCTORAL DISSERTATIONS | en |
dc.relation.ispartofseries | 187/2020 | |
dc.rev | van der Aalst, Will, Prof., RWTH Aachen University, Germany | |
dc.rev | Mannhardt, Felix, Asst. Prof., Eindhoven University of Technology, Netherlands | |
dc.subject.keyword | process mining | en |
dc.subject.keyword | root cause analysis | en |
dc.subject.keyword | process improvement | en |
dc.subject.keyword | process analysis | en |
dc.subject.keyword | data mining | en |
dc.subject.keyword | influence analysis | en |
dc.subject.keyword | machine learning | en |
dc.subject.keyword | clustering | en |
dc.subject.keyword | lead times | en |
dc.subject.keyword | prosessilouhinta | fi |
dc.subject.keyword | juurisyyanalyysi | fi |
dc.subject.keyword | prosessikehitys | fi |
dc.subject.keyword | prosessianalyysi | fi |
dc.subject.keyword | tiedonlouhinta | fi |
dc.subject.keyword | vaikutusanalyysi | fi |
dc.subject.keyword | koneoppiminen | fi |
dc.subject.keyword | klusterointi | fi |
dc.subject.keyword | läpimenoajat | fi |
dc.subject.other | Computer science | en |
dc.title | Process Mining Based Influence Analysis for Analyzing and Improving Business Processes | en |
dc.title | Prosessilouhintaan perustuva vaikutusanalyysi liiketoimintaprosessien kehittämiseen. | fi |
dc.type | G5 Artikkeliväitöskirja | fi |
dc.type.dcmitype | text | en |
dc.type.ontasot | Doctoral dissertation (article-based) | en |
dc.type.ontasot | Väitöskirja (artikkeli) | fi |
local.aalto.acrisexportstatus | checked 2020-12-28_1748 | |
local.aalto.archive | yes | |
local.aalto.formfolder | 2020_11_10_klo_14_40 |