Process Mining Algorithmen einfach erklärt

Algorithmen sind die Grundlage der Computerprogrammierung und ein wesentlicher Bestandteil der Datenwissenschaft. In diesem Artikel erklären wir einfach die fünf beliebtesten Algorithmen, die in Process Mining.

Was sind Process Mining Algorithmen?

Process Mining Algorithmen sind Sätze mathematischer Regeln, die zur Ermittlung von Prozessmodellen aus Geschäftssystemen mithilfe von Data-Mining-Techniken verwendet werden. Process Mining Algorithmen ermöglichen es Ihnen, den tatsächlichen Zustand von Geschäftsprozessen abzubilden, Engpässe und Effizienzsteigerungen zu ermitteln und Ihre Geschäftsprozesse datengesteuert zu verbessern.

Process Mining Algorithmen bilden die Grundlage der SoftwareProcess Mining . Zu den fünf beliebtesten Process Mining Algorithmen gehören Alpha Miner, Heuristic Miner, Fuzzy Miner, Inductive Miner und Genetic Miner.

1. Alpha Bergmann

Der Alpha Miner (oder α-Algorithmus, α-miner) verbindet Ereignisprotokolle oder beobachtete Daten und die Entdeckung eines Prozessmodells. Der Alpha-Miner war der erste process discovery Algorithmus, der von Dr. Wil van der Aalst, Dr. Ton Weijters und Dr. Laura Măruşter vorgeschlagen wurde.

So funktioniert der Alpha Miner in Process Mining

Der Alpha-Miner-Algorithmus verwendet Ereignisprotokolle als Datenquelle. Er beginnt mit der Umwandlung der Ereignisprotokolle in Direct-Follows-, Sequence-, Parallel- und Choice-Relationen und verwendet diese dann zur Erstellung eines Petrinetzes, das das Prozessmodell beschreibt. Vereinfacht ausgedrückt, wird ein mit einem Zeitstempel versehener Fluss von Geschäftsprozessen erstellt, der visualisiert werden kann.

Heute können der Alpha-Miner-Algorithmus und seine Variationen in Process Mining weit verbreitet eingesetzt werden, zum Beispiel in process discovery und bei der Konformitätsprüfung.

2. Heuristischer Bergmann

Der zweite populäre Process Mining Algorithmus, der Heuristic Miner, wurde von Dr. Ton Weijters entwickelt, um einige der wichtigsten Einschränkungen des Alpha Miners zu beseitigen. In der Informatik ist eine Heuristik eine Technik, die entwickelt wurde, um ein Problem schneller zu lösen, indem eine ungefähre Lösung gefunden wird, während klassische Algorithmen nach einer exakten Lösung suchen. Heuristische Algorithmen werden gerne in der künstlichen Intelligenz eingesetzt, wo man über große Datenmengen verfügt und auf der Grundlage des maschinellen Lernens hinreichend gute Antworten ableiten kann.

So funktioniert der Heuristic Miner in Process Mining

Wie der Alpha-Miner-Algorithmus verwendet auch der heuristische Miner ein direktes Diagramm, um die Abfolge von Geschäftsprozessen auf der Grundlage von Ereignisprotokollen darzustellen. Der Hauptunterschied besteht darin, dass der Heuristic Miner Filter anwendet, um das Rauschen bzw. bedeutungslose oder unvollständige Ereignisprotokolldaten zu reduzieren, um Flussdiagramme zu erstellen, die weniger genau, aber robuster sind als der Alpha Miner.

Heuristische Mining-Algorithmen verwenden eine Darstellung, die als Kausalnetz bezeichnet wird, um den gesamten zeitlichen und räumlichen Verlauf der verschiedenen Aktivitäten abzubilden. Dann wird untersucht, wie häufig verschiedene Ereignisse stattfinden, und ein Prozessmodell erstellt, das die seltensten Pfade aus dem visualisierten Modell ausschließt. Das Endergebnis funktioniert gut in komplexen Datenumgebungen, zum Beispiel Process Mining für besonders umfangreiche Prozesse.

3. Unscharfer Bergmann

Der Fuzzy Miner ist ein dritter Kernalgorithmus von Process Mining , der für das Mining weniger strukturierter Prozesse geeignet ist. Er wurde von Christian W. Günther entwickelt und zielt darauf ab, Process Mining einen Teil der schwersten Datenverarbeitung abzunehmen, indem er sich auf das konzentriert, was der Benutzer entdecken und analysieren möchte.

So funktioniert der Fuzzy Miner in Process Mining

Der Fuzzy Miner verwendet Signifikanz-/Korrelationsmetriken, um das Prozessmodell auf der gewünschten Detailebene interaktiv zu vereinfachen. Vereinfacht ausgedrückt, führt er das richtige Maß an Data Mining durch, je nachdem, worauf der Benutzer achtet. Wenn der Benutzer mehr ins Detail gehen möchte, wird das Modell mehr Details enthalten. Wenn der Benutzer die übergeordnete Ansicht betrachtet, wird das Modell geclustert und "unschärfer".

‍

4. Induktiver Bergmann

Der induktive Miner ist ein weiterer gängiger Algorithmus, der in Process Mining verwendet wird, um Prozessmodelle aus Ereignisprotokollen zu entdecken. Diese Technik beruht auf der Idee, Ereignisprotokolle in kleinere Unterprotokolle zu zerschneiden, die als Schnitte oder Splits bezeichnet werden, und dann verschiedene Schnitte auf dem direkt folgenden Graphen zu erkennen, der aus den Ereignisprotokollen erstellt wurde. Der Hauptvorteil des induktiven Miners ist seine Flexibilität und Skalierbarkeit.

So funktioniert der Inductive Miner in Process Mining

Der einzigartige Aspekt von Inductive Miner ist die Methodik der Entdeckung verschiedener Unterteilungen im Direct-Follows-Graphen und die Verwendung der kleineren Komponenten nach der Unterteilung, um die Ausführungsreihenfolge der Aktivitäten darzustellen. Der Inductive Miner-Algorithmus erforscht iterativ den Raum möglicher Prozessmodelle und ist in der Lage, eine breite Palette von Prozessstrukturen zu erkennen, von linearen bis hin zu komplexeren Modellen mit Gleichzeitigkeit, Schleifen und Oder-Verzweigungen.

5. Genetischer Bergmann

Der Genetic Miner hat seinen Namen aus der Biologie und funktioniert ähnlich wie die natürliche Selektion. Er arbeitet mit einem genetischen Algorithmus, der einen Raum möglicher Prozessmodelle durchsucht, um das wahrscheinlichste Prozessmodell zu ermitteln. Der Genetic Miner kann als ein evolutionärer Ansatz betrachtet werden, bei dem Prozessmodelle mutiert und kombiniert werden, um bessere Modelle zu finden.

So funktioniert der Genetic Miner in Process Mining

Der Genetic Miner-Algorithmus bewertet jedes Prozessmodell und verwendet Auswahl-, Crossover- und Mutationsoperationen, um neue Prozessmodelle zu erzeugen. Die Prozessmodelle werden bewertet, und das geeignetste Modell wird als endgültiges Prozessmodell ausgewählt. Der Genetic Miner ist in der Lage, Prozessmodelle mit mehreren Varianten zu identifizieren und komplexe Prozessstrukturen, wie Schleifen und Gleichzeitigkeit, zu erkennen.

‍

Process Mining in Python-Schnelltutorial

Ein sehr vereinfachtes Beispiel ist, dass man mit der Programmiersprache Python schnell auf Open-Source-Algorithmen von Process Mining zugreifen und diese nutzen kann.

Um Process Mining in Python auszuführen, können Sie die pm4py-Bibliothek verwenden, die verschiedene Funktionen für process discovery, Konformitätsprüfung und Prozessverbesserung bietet. Hier finden Sie eine einfache Schritt-für-Schritt-Anleitung für den Einstieg in Process Mining mit der pm4py-Bibliothek:

Schritt 1: pm4py installieren

Zuerst müssen Sie die pm4py-Bibliothek installieren. Sie können dies mit pip tun:

bashCopy-Code

pip install pm4py

Schritt 2: Importieren der erforderlichen Bibliotheken

Als nächstes importieren Sie die erforderlichen Bibliotheken in Ihr Python-Skript:

pythonCopy code

import pm4py
from pm4py.objects.log.importer.xes import importer as xes_importer
from pm4py.algo.discovery.alpha import algorithm as alpha_miner
from pm4py.visualization.petrinet import visualizer as pn_visualizer

Schritt 3: Laden des Ereignisprotokolls

Laden Sie die Ereignisprotokolldaten mit dem entsprechenden Importer. In diesem Beispiel werden wir eine XES-Ereignisprotokolldatei verwenden:

pythonCopy code

event_log_file = "path/to/your/event_log.xes"
log = xes_importer.apply(event_log_file)

Sie können auch ein Ereignisprotokoll aus einer CSV-Datei erstellen, indem Sie die pm4py-Bibliothek verwenden. Hier ist ein Beispiel:

pythonCopy code

import pandas as pd
from pm4py.objects.conversion.log import converter as log_converter
from pm4py.objects.log.util import dataframe_utils

csv_file = "path/to/your/csv_file.csv"
dataframe = pd.read_csv(csv_file)
dataframe = dataframe_utils.convert_timestamp_columns_in_df(dataframe)
dataframe = dataframe.sort_values("timestamp_column_name")
log = log_converter.apply(dataframe)

Schritt 4: Anwendung eines process discovery Algorithmus

Wenden Sie einen process discovery Algorithmus auf die Ereignisprotokolldaten an, um das Prozessmodell zu extrahieren. In diesem Beispiel wird der Alpha Miner Algorithmus verwendet:

pythonCopy code

net, initial_marking, final_marking = alpha_miner.apply(log)

Sie können auch andere process discovery Algorithmen wie den Inductive Miner oder den Heuristics Miner ausprobieren, die in der pm4py-Bibliothek verfügbar sind.

Schritt 5: Visualisierung des Prozessmodells

Visualisieren Sie das ermittelte Prozessmodell mit dem Petri-Netz-Visualisierer:

pythonCopy code

gviz = pn_visualizer.apply(net, initial_marking, final_marking)
pn_visualizer.view(gviz)

Dadurch wird die Petri-Netz-Visualisierung des ermittelten Prozessmodells angezeigt.

Schritt 6: Durchführung zusätzlicher Analysen (optional)

Sie können die pm4py-Bibliothek verwenden, um zusätzliche Analysen wie Konformitätsprüfung, Engpassanalyse oder Leistungsanalyse durchzuführen. In der Dokumentation und den Beispielen der Bibliothek erfahren Sie mehr über diese Funktionalitäten.

Wenn Sie diese Schritte befolgen, können Sie grundlegende Process Mining in Python mit der pm4py-Bibliothek ausführen. Für fortgeschrittene Anwendungsfälle und Anpassungen lesen Sie bitte die offizielle pm4py-Dokumentation und Beispiele:

• Offizielle Dokumentation: https://pm4py.fit.fraunhofer.de/documentation
• Beispiele: https://github.com/pm4py/pm4py-core/tree/stable/examples

Das obige Beispiel ist eine zu starke Vereinfachung für die Bedürfnisse der meisten Unternehmensleiter. Die Realität der Entwicklung und Anwendung von Prozessanalysen ist oft viel komplizierter, so dass sich Unternehmen zunehmend für spezielle Lösungen von Anbietern entscheiden.

Codefreie Alternative zu Process Mining

Wenn Sie nach einer mühelosen Alternative für Process Mining suchen, könnte Work API für Sie interessant sein. Dabei handelt es sich um einen neuen hybriden Ansatz, der Elemente von task mining und Process Mining kombiniert, ohne dass Data Science oder Integrationsaufwand erforderlich sind. Weitere Informationen finden Sie in dem WhitepaperWork API .