Unterstützung von Geschäftsprozessmodellierung durch musterbasierte Vorschlagssysteme (ProPoneRe)

• Antragsteller: Professor Dr. Patrick Delfmann; Professor Dr. Volker Gruhn; Professor Dr. Ralf Laue
• Fachliche Zuordnung: Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 445156547

Im Rahmen des Forschungsvorhabens ProPoneRe soll ein Prozessmodellierungsansatz entwickelt werden, mit dessen Hilfe die Qualität von Prozessmodellen durch automatisierte Analyse- und Konstruktionshilfen erhöht werden kann. Mithilfe der Analyse der Beschriftungen historischer Prozessmodelle sollen auf Basis natürlicher Sprachverarbeitung (Natural Language Processing, NLP) Ablaufmuster ermittelt werden. Die Ablaufmuster stellen typische Vorgänge in Geschäftsprozessmodellen auf einer hohen Abstraktionsstufe dar (z. B. „Entscheidung über einen Antrag“) und können mehrere Aktivitäten umfassen. Hierfür werden zunächst den in Geschäftsprozessmodellen verwendeten Tätigkeitswörtern abstrakte Kategorien zugeordnet. Mehrere im Zusammenhang betrachtete Prozessmodellelemente, die aufgrund ihrer Tätigkeitswörter unterschiedlichen Kategorien zugeordnet werden können, bilden dann ein Ablaufmuster.Zur Identifikation der Muster werden zunächst typische Prozessmodell-Aktivitäten mithilfe von NLP-Methoden zur Erkennung von Verben, Substantivierungen, vagen Ausdrücken, thematischen Rollen und der Disambiguierung auf Basis historischer Prozessmodelle identifiziert und kategorisiert. Die ermittelten Aktivitätskategorien werden in einem zweiten Schritt zu Ablaufmustern zusammengefasst. Mit den Ablaufmustern werden später bei der Modellierung die bereits modellierten Modellfragmente abgeglichen. Auf Basis der Ablaufmuster wird ein Recommender-System entwickelt, das den Modellierer auf mehrfache Weise beim Modellieren unterstützt: Erstens ist aufgrund des aus historischen Modellen extrahierten Wissens bekannt, welche Modellelemente wahrscheinlich (bzw. typischerweise) als nächstes zu modellieren wären. Diese werden dem Modellierer vorgeschlagen. So wird sichergestellt, dass während des Modellierungsprozesses keine Aspekte übersehen werden. Da es sich lediglich um Vorschläge handelt, werden ebenfalls Situationen nicht ausgeschlossen, in denen völlig neue (d. h. dem System noch unbekannte) Situationen modelliert werden müssen. Zweitens kann ein solches System aufgrund des historischen Wissens erkennen, ob möglicherweise beim Modellieren inhaltliche Fehler begangen wurden, und den Modellierer darauf hinweisen. Für die Recommender-Funktion kommen Methoden infrage, die aufgrund bereits modellierter Modellfragmente und des historischen Prozesswissens Vorhersagen (z. B. über weitere zu modellierende Prozessmodellelemente oder wahrscheinliche Fehler) treffen können. Sie wird deshalb multimethodisch mithilfe von N-Grammen und probabilistischen endlichen Automaten, welche beide für den Einsatz mit Prozessmodellen und Ablaufmustern modifiziert und weiterentwickelt werden, konzipiert. Das Recommender-System wird implementiert, mithilfe von Probanden und existenten historischen Prozessmodellen aus der Wirtschaft evaluiert und der wissenschaftlichen Community als Programmbibliothek verfügbar gemacht.

• DFG-Verfahren: Sachbeihilfen