• Skip navigation
  • Skip to navigation
  • Skip to the bottom
Simulate organization breadcrumb open Simulate organization breadcrumb close
Friedrich-Alexander-Universität Chair of Digital Industrial Service Systems WISO
  • FAUTo the central FAU website
  1. Friedrich-Alexander-Universität
  2. School of Business, Economics and Society
  • Deutsch
  • Process Mining Software Comparison
  1. Friedrich-Alexander-Universität
  2. School of Business, Economics and Society
Friedrich-Alexander-Universität Chair of Digital Industrial Service Systems WISO
Navigation Navigation close
  • Home
  • Teaching
  • Research
  • Practice
  • Team
  • How To Find Us
  • Open Positions
  1. Home
  2. Research
  3. Business Process Management
  4. Bayessche Vorhersagemodelle auf Basis von Kontextinformationen für das Monitoring von Geschäftsprozessen

Bayessche Vorhersagemodelle auf Basis von Kontextinformationen für das Monitoring von Geschäftsprozessen

In page navigation: Research
  • Service Systems
    • Flexible Information Systems Architectures for Service Networks
    • Software prototypes for perceptible integration
    • Sustainable Smart Industry
    • smartmarket²: Mobile application development for location-based services
    • User Acceptance and Service Design
    • FOKUS:SE – Researcher Network Service Engineering
    • PUSH Münsterland
    • Interorganizational Interdependencies in Industrial-Internet-of-Things Business Models
    • Automated Content-Provisioning through smart control systems
  • Decision Support
    • Automated Content-Provisioning through smart control systems
  • Information Management
    • International research network for e-Government between Germany and Brazil
    • Flexible Information Systems Architectures for Service Networks
    • Software prototypes for perceptible integration
    • Nonparametric Bayesian Learning in Distributed Systems
    • Federal Information Management
  • Business Process Management
    • Identifikation von Automatisierungspotentialen mit Process Mining (IdAP)
    • Artificial-Intelligence to Reveal Potentials for Semi-Process-Automation
    • Building Bridges – Reinforcement Learning on Molecular and Process Graphs
    • Analyse von Positonsdaten zur Ermittlung von Durchlaufzeiten in der Fertigung
    • Bayessche Vorhersagemodelle auf Basis von Kontextinformationen für das Monitoring von Geschäftsprozessen
    • Initiation of Bilateral Cooperation with Brazil – Evaluating Standards for Interorganizational Process Integration in Brazilian-German Value Networks
    • Multidimensionales Conformance Checking für Prozesse
    • Propelling Business Process Management by Research and Innovation Staff Exchange
    • Deep Learning im Kontext von Predictive Maintenance
    • Joint German-Russian Innovation Forum “Promoting business process management excellence in Russia” (PropelleR 2012)
  • Further research (Chair of Digital Industrial Service Systems)
    • German-Brazilian Workshop on Management and Engineering of IT-Supported Business Networks, Administration Networks and Social Networks
    • Zukunftsforschung im Supply Chain Management
    • Data-driven analysis, benchmarking, and coordination of European IS-curricula

Bayessche Vorhersagemodelle auf Basis von Kontextinformationen für das Monitoring von Geschäftsprozessen

Bayessche Vorhersagemodelle auf Basis von Kontextinformationen für das Monitoring von Geschäftsprozessen

(Third Party Funds Single)

Project leader: Martin Matzner
Project members: Matthias Stierle
Start date: 6. March 2018
End date: 31. December 2018
Funding source: Bayerische Forschungsallianz (BayFOR)

Abstract:

Das vorausschauende Monitoring von Geschäftsprozessen ist eine der maßgeblichen Herausforderungen im Process Mining. Ein Anwendungsfeld stellt die Vorhersage von zukünftigen Prozessschritten dar, die es erlaubt mögliche Probleme frühzeitig zu erkennen. In der Regel enthält das Vorhersagemodell Informationen über die Prozessschritte. Diese sind jedoch in vielen Fällen ungenügend für eine verlässliche Vorhersage. Kontextinformationen über die Prozessinstanz haben sich in vielen Anwendungsgebieten des Geschäftsprozessmanagements als nützlich erwiesen, da sie zusätzliche Informationen zum Ziel, der Organisation sowie der Prozessumgebung enthalten. Vor diesem Hintergrund erscheint das Einbeziehen von Kontextinformationen in das Vorhersagemodell sinnvoll. Da die Hintergrundinformationen allerdings eine zusätzliche Ungewissheit für das Modell mit sich bringen, werden wir weiterhin den Einsatz von Bayesschen Verfahren für die Vorhersage evaluieren.

FAU Erlangen-Nürnberg
Chair of Digital Industrial Service Systems

Fürther Str. 248
90429 Nürnberg
  • Intranet
  • Login
  • Imprint
  • Privacy
  • Accessibility
Up