Deep Business Optimization : concepts and architecture for an analytical business process optimization platform

Abstract

Businesses find themselves today in a highly demanding world: The proliferation of Information Technology combined with highly globalized markets and increasingly distributed value creation has created an environment of unprecedented volatility and complexity. To be able to compete in such an environment, businesses need to be able to rapidly adapt both their service and product offerings and continuously improve their internal efficiency. For many businesses, this implies the need to be able to continuously refine and optimize their business processes. The ability to efficiently and effectively optimize business processes has hence become critical success factor for many businesses and industries. This challenge has been well-recognized already in the 1990s under the umbrella term of Business Process Reengineering (BPR). To overcome the then-dominant split into functional silos, BPR advised business executives to engage in large-scale, revolutionary process changes - usually taking a clean-sheet approach to process design that designed the target state regardless of the status quo. While this approach has been successful in many situations, it has also proven to be highly risky and associated with significant implementation cost. Further, a reengineering project can take considerably longer to implement than today's business cycles would allow. Hence, both business and research have over the past years shifted their focus towards more gradual, evolutionary process optimization methodologies. Compared to revolutionary, clean-sheet process optimization, tool support is much more important in evolutionary optimization. As the status quo is taken as the starting point, the success of the optimization is contingent on understanding it as well as possible and hence depends on three optimization capabilities: First, the optimization needs to take into account as much data about the process and its context as possible. Second, the analyst conducting the optimization needs to thoroughly analyse the data and discover core, often non-obvious, insights that are relevant to the optimization goals. Third, the analyst needs to translate these insights into concrete optimizations of the process that are ideally based on best practices in the respective application domain. In practice, businesses often struggle to excel in these three capabilities, which is at least partially attributable to the (lack of) tool support for evolutionary optimization: Current tools typically offer none or insufficient data integration capabilities, possess only limited analysis support and leave it up to the subjective abilities and judgement of the analyst to spot and properly apply optimizations. As a result, optimization is often both inefficient, i.e., takes longer and is more costly than necessary and ineffective, i.e., does not yield the full potential with regards to the optimization goals. To address this challenge, this thesis presents the deep Business Optimization Platform (dBOP) that combines data integration and advanced analysis capabilities with formalized optimization best practices (so-called patterns) to enhance both the efficiency and effectiveness of Business Process Optimization (BPO): The deep Data Integration (dDI) layer of the dBOP integrates flow-oriented process execution data with subject-oriented operational data sources. While the data integration layer greatly builds on existing schema and data integration techniques, it utilizes its own set of matching rules that take advantage of the specific properties of process data (such as the propagation of matches through assignment between different variables). The deep Business Process Analytics (dBPA) layer builds on the integrated data layer and generates optimization-relevant insights through the computation of key metrics and the application of data mining techniques. The dBPA layer of the dBOP manages to make the application of data mining both powerful and accessible to novice users by tying data mining techniques to certain optimization use cases, effectively reducing required user inputs to a minimum. The results of the dBPA layer are stored in the so-called Process Insight Repository (PIR), a process repository that augments the process model with optimization-relevant insights. In doing so, optimization results can be shared between analysts and accessed in different contexts. Finally, the deep Business Process Optimization (dBPO) layer combines the insights contained in the PIR with formalized optimization best practices and a comprehensive execution strategy to present the analyst with concrete optimization proposals, including a preview of the expected effects. For these proposals that the analyst confirms, the dBOP automatically and correctly rewrites the process. Next to introducing the main concepts of the dBOP, the thesis provides a rigorous evaluation of its capabilities through a qualitative case study, its prototypical implementation and finally, an empirical experiment involving 24 graduate students applying the dBOP to a set of different optimization tasks. Particularly the empirical experiment highlights that the dBOP is a viable approach to increasing the efficiency and effectiveness of evolutionary BPO. Finally, it discusses currently ongoing extensions and future work of the dBOP approach - both within the scope of classical business processes and in the application to other domains, such as manufacturing.

Unternehmen befinden sich heutzutage in einer höchst anspruchsvollen Situation: Die rapide Verbreitung von Informationstechnologie in Kombination mit der umfassenden Globalisierung und zunehmenend verteilter Wertschöpfung haben eine Umgebung von nie dagewesener Volatilität und Komplexität geschaffen. Um in einer solchen Umgebung wettbewerbsfähig sein zu können, müssen Unternehmen in der Lage sein, sowohl ihre Dienstleistungs- und Produktangebote in kürzester Zeit anzupassen als auch kontinuierlich die Effizienz ihrer internen Wertschöpfung zu verbessern. Für viele Unternehmen und Industrien bedeutet dies insbesondere auch die Fähigkeit zur kontinuierlichen Verbessung der Geschäftsprozesse. Die Fähigkeit, Geschäftsprozesse effizient und effektiv zu optimieren ist so zum kritischen Wettbewerbsvorteil geworden. Diese Herausforderung wurde bereits in den 90er Jahren erkannt und unter dem Begriff Business Process Reengineering (BPR) diskutiert. Um die damals dominante Aufteilung in einzelne funktionale Silos aufzubrechen, rat BPR der Geschäftsführung von Unternehmen dazu, radikale, revolutionäre Prozessoptimierungen durchzuführen. In der Praxis führte dies häufig zur Gestaltung völlig neuer Prozesse mit keiner oder nur geringer Berücksichtigung des Status Quo. Obwohl dieser Ansatz in verschiedenen Situationen durchaus erfolgreich war, hat sich gleichzeitig auch gezeigt, dass er oft mit hohen Risiken und Kosten verbunden ist. Des weiteren ist er in der Regel nur im Rahmen größerer, langlaufender Projekte umsetzbar - und benötigt so mehr Zeit, als es die heutigen Geschäftszyklen erlauben. Aus diesem Grund vollzieht sich seit einigen Jahren - sowohl in Forschung als auch Anwendung - ein Wechsel hinzu graduellen, evolutionären Business Process Optimization (BPO) Methoden. Im Vergleich zum revolutionären BPR spielt die Werkzeugunterstützung im Fall von evolutionären BPO eine deutlich stärkere Rolle. Da der Status Quo als Ausgangspunkt der Optimierung dient, ist der Erfolg der Optimierung von einem bestmöglichen Verständnisses des Prozesses und seinem Kontext abhängig. Um dies zu erreichen, sind die folgenden drei Fähigkeiten kritisch: Als erstes muss die Optimierung sämtliche Daten, welche für die Charakterisierung des Prozesses oder seines Kontexts zur Verfügung stehen, berücksichtigen. Zweitens muss der Analyst, welcher die Optimierung durchführt, ein möglichst breites und tiefes Spektrum an - oft nicht trivialen - Erkenntnissen in den Prozess auf Basis der integrierten Datenbasis bekommen. Drittens muss der Analyst diese Erkenntnisse in konkrete Optimierungen übersetzen - welche im Idealfall auf anerkannten Leitlinien bzw. sogenannter Best Practices in der jeweiligen Anwendungsdomäne beruhen. In der praktischen Umsetzung fällt es Unternehmen oft schwer, sämtliche dieser drei Fähigkeiten optimal auszufüllen - was zumindest teilweise auf eine mangelhafte Werkzeugunterstützung zurückzuführen ist: Aktuelle Werkzeuge zur Prozessmodellierung und -optimierung bieten typischerweise keine oder nur unzureichende Fähigkeiten zur Datenintegration. Des Weiteren sind die analytischen Fähigkeiten oft auf einfache Metriken beschränkt und die Identifikation von Verbesserungspotenzial - sowie die zugehörige Optimierung des Prozesses - bleibt vollständig dem Analysten überlassen. Die Optimierung ist im Ergebnis daher oft ineffizient, also langsamer und/oder teurer als notwendig und ineffektiv, lässt also Potenzial bzgl. der Ziele der Optimierung ungenutzt. Um diesen Herausforderungen zu begegnen stellt diese Arbeit die deep Business Optimization Platform (dBOP) vor. Die dBOP kombinert Datenintegrations- und Analysefähigkeiten mit formalisierten Entwurfsmustern um sowohl die Effizienz als auch die Effektivität von evolutionärem BPO zu verbessern: Die deep Data Integration (dDI) Schicht der Plattform integriert flussorientierte Prozess-Ausführungsdaten mit subjektorientierten operativen Daten. Die Datenintegrationsschicht der dBOP baut stark auf existierenden Integrationstechniken auf, erweitert diese aber um spezifische Fähigkeiten für den Umgang mit Prozessdaten - z.B. die Verbreitung von Verknüpfungen durch die Zuweisung von Werten zwischen Prozessvariablen. Die deep Business Process Analytics (dBPA Schicht enthält die Analysekomponenten der dBOP. Aufbauend auf der integrierten Datenbasis der dDI Schicht berechnet die dBPA Schicht eine Vielzahl optimierungsrelevanter Metriken und generiert Data Mining Modelle, welche für die Optimierung relevant sind. Durch die Verknüpfung von Data Mining Techniken mit konkreten Anwendungsfällen wird es dabei auch unerfahrenen Analysten ermöglicht, diese Techniken anzuwenden. Die Ergebnisse der dBPA Schicht werden im sogenannten Process Insight Repository (PIR) gespeichert - ein zentrales Verzeichnis in dem sowohl das Prozessmodell als auch die zugehörigen Analyseergebnisse abgelegt werden. Durch das PIR wird es ermöglicht, Ergebnisse zwischen Analysten zu teilen und sie in verschiedenen Kontexten und Werkzeugen zu verwenden. Die deep Business Process Optimization (dBPO) Schicht kombiniert die im PIR gespeicherten Erkenntnisse mit formalisierten Entwurfsmustern, einer umfassenden Ausführungsstrategie und der Erfahrung des Analysten um die Optimierung des Prozesses durchzuführen. Auf Basis des PIR und der Entwurfsmuster werden Verbesserungspotenziale identifiziert und dem Analysten präsentiert. Für jene Vorschläge, die der Analyst bestätigt, schreibt die dBOP dann automatisch und korrekt den Prozess um. Neben der Diskussion der wesentlichen Konzepte der dBOP umfasst die Arbeit auch eine rigorose Evaluation der vorgestellten Fähigkeiten. Diese Evaluation hat drei Bestandteile: Erstens wird in der Arbeit eine durchgehende (qualitative) Fallstudie verwendet um die Relevanz der eingeführten Konzepte für die praktische Anwendung zu demonstrieren. Zweitens erfolgte eine prototypische Implementierung der Plattform. Drittens wurde zum Abschluss der Arbeit eine empirische Evaluation der Fähigkeiten der Plattform im Rahmen eines kontrollierten Experiments mit 24 Studenten durchgeführt. Im Rahmen des Experiments wurde die dBOP auf verschiedene Optimierungsaufgaben angewendet. Die Auswertung des Experiments zeigt dabei sowohl qualitativ als auch quantitativ, dass die dBOP ein geeigneter Ansatz zur Verbesserung der Effizienz und Effektivität von evolutionärer BPO sein kann. Abschließend betrachtet die Arbeit verschiedene laufende oder mögliche zukünftige Erweiterungen der dBOP - sowohl in Bezug auf ihre Anwendungsmöglichkeiten in der klassischen Geschäftsprozessoptimierung als auch in der Anwendung auf andere Domänen, wie z.B. in der Produktion.