Viele Unternehmen haben ihre Arbeitsabläufe mittels prozessorientierter Informationssysteme digitalisiert. Diese Informationssysteme sammeln eine große Menge an Ereignisdaten über das Tagesgeschäft von Unternehmen. Durch die Analyse dieser Daten erhoffen sich Unternehmen ihre Geschäftsprozesse zu optimieren. Process Mining ist ein Forschungsgebiet, das solche Ereignisdaten analysiert, um wertvolle Erkenntnisse über den tatsächlichen Ablauf von Prozessen zu gewinnen. Im Gegensatz zu Interview-basierten Methoden nutzt Process Mining ausschließlich aufgezeichnete Ereignisdaten, um Prozessperformance und Konformitätsverstöße zu ermitteln.

Die Analyse von Geschäftsprozessen mittels aktueller Process-Mining-Werkzeuge ist jedoch zum größten Teil durch viele manuelle Arbeitsschritte charakterisiert. Das stetige Wachstum an verfügbaren Daten sowie die zunehmende Komplexität von Geschäftsprozessen führen in der Praxis daher zu erheblichen Problemen bei der Analyse. Viele Process-Mining-Methoden wurden nicht speziell für große Ereignisprotokolle optimiert, was oft zu langen Berechnungszeiten führt. Daher müssen oft sinnvolle Teilmengen selektiert werden, um die Analyse erfolgreich ausführen zu können. Zudem erfordern viele Process-Mining-Methoden umfangreiches prozessspezifisches Fachwissen sowie Process-Mining-Knowhow, um wertvolle Erkenntnisse zu gewinnen. Trotz der Systematisierung von Process-Mining-Aufgaben fehlen derzeitigen Werkzeugen intelligente computergestützte Analyseempfehlungen.

Diese Arbeit stellt mehrere Beiträge entlang der Vorgehensweise von Analysten im Process Mining vor, um die beschriebenen Problemfelder zu adressieren. Die Arbeit ist in drei Hauptteile gegliedert: Im ersten Teil wird ein Rahmenwerk vorgestellt, welches die Datenextraktion und -verarbeitung von Prozessdaten aus heterogenen Datenquellen vereinfacht, um Process Mining anwenden zu können. Der zweite Teil stellt drei Algorithmen vor, die speziell für die Verarbeitung von großen und komplexen Ereignisprotokollen entwickelt wurden. Ein neuartiger Compliance-Checking-Algorithmus erkennt Konformitätsverstöße auch in sehr umfangreichen Ereignisprotokollen und zeichnet sich dabei durch deutlich verbesserte Laufzeit aus. Ein parameter-freier Process-Drift-Detection-Algorithmus detektiert automatisiert Veränderungen des Prozessverhaltens über die Zeit in Ereignisprotokollen, die zu potenziellen Prozessproblemen führen können. Ein neuartiger Multi-Perspective-Trace-Clustering-Algorithmus extrahiert verschiedene Prozessverhalten in Ereignisprotokollen auf Basis von Kontrollfluss und Datenattributen automatisch, um Process Discovery zu verbessern. Der dritte Teil der Arbeit integriert die ersten beiden Teile und stellt ein interaktives Analyseempfehlungssystem vor, das Analysten konkrete Analysevorschläge erzeugt. Schließlich wird ein Ansatz vorgestellt, der auf Basis zuvor definierter Ziele Verbesserungen an Prozessmodellen vorschlägt.

Die vorgestellten Algorithmen und Methoden wurden mittels synthetischer und realer Ereignisprotokollen ausgewertet, um deren qualitative Leistung und deren praktischen Nutzen zu demonstrieren. Mittels einer durchgeführten Nutzerstudie mit Process Mining Experten wurde das interaktive Analyseempfehlungssystem ausgewertet, um dessen Nützlichkeit im Rahmen von Process Mining Projekten zu bewerten.