Situation Prediction for Situation-Aware Workflows on Customer Order Settlements

Abstract

These days, companies and manufacturers experience a need for faster and automated adaptions or re-configurations of their workflows and business processes. By means of context- and situation-aware systems, these desires are partially achievable, however only in a reactive manner. This situation based reactive behavior leads to expensive, non-efficient and time-consuming delays within workflows and business processes and hence asks for more research. Current state of the art in the topic of machine learning enables new approaches to investigate in, for workflow adaptions by predicting situations and allow proactive measurements for workflow adaptions and re-configurations. In this thesis an abstract concept is developed, that allows to turn reactive workflow adaptions into proactive adaptions within situation-aware workflow management systems, by predicting situations. This is achievable through computation of situation confidence scores by means of machine learning models and algorithms. Further, this concept allows using these algorithms without expert knowledge in the topic of machine learning, by hiding the implementation details from the user. The concept of predicting situation confidence is tested on a use case scenario for real orders of a manufacturing company and compares the classification approaches Support Vector Machine, Multilayer Perceptron and Random Forest for the prediction of orders. Results show only good performance for the Random Forest classifier, but also a concomitant possible applicability of the concept. More algorithms need to be tested and the tested algorithms need improvements, to fortify the applicability of the developed concept.

Heutzutage steht die schnelle Anpassung und Neukonfiguration von Abläufen und Geschäftsprozessen im Fokus vieler Unternehmen und Hersteller. Bisher kann dieses Bedürfnis durch rein reaktives Verhalten mittels Kontext- und Situations-bewusster Systeme teilweise befriedigt werden. Dieses reaktive Verfahren geht mit enormen Kosten, Ineffizienz und einem hohen Zeitaufwand innerhalb der Abläufe einher. Dank dem aktuellen Stand der Technik im Bereich des maschinellen Lernens, gibt es neue Forschungsansätze für die Anpassung wichtiger Abläufe durch das Vorhersagen von Situationen, welche das proaktive Einleiten von Maßnahmen erlauben. In dieser Thesis wird dazu ein abstraktes Konzept entwickelt, welches mittels Vorhersagen von Situation die Möglichkeit bietet, reaktives Verhalten in proaktives Verhalten umzuwandeln. Dies kann durch das Herleiten von situationsbezogenen Eintrittswahrscheinlichkeiten mittels Algorithmen aus dem Bereich des maschinellen Lernens geschehen. Weiterhin erlaubt diese Konzeptionierung durch die Verdeckung von programmiertechnischen Details, das Verwenden von diesen Algorithmen ohne Expertise im Bereich des maschinellen Lernens. Dieses Konzept, der Vorhersage von Situations Eintrittswahrscheinlichkeiten, wird auf einem Anwendungsszenario für Auftragsvorhersagen eines Herstellers getestet und es werden die drei Klassifizierungsalgorithmen Support Vector Machine, Multilayer Perceptron und Random Forest für die Vorhersagen von Aufträgen verglichen. Die Auswertungen zeigen gute Ergebnisse für den Random Forest Klassifizierer und unterstützen die Anwendbarkeit des Konzeptes. Allerdings zeigen die Ergebnisse auch, dass noch viele weitere Algorithmen getestet und die bestehenden Algorithmen verbessert werden müssen um die Anwendbarkeit des Konzeptes zu bestärken.