Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Digital Transformation at thyssenkrupp: Challenges, Strategies and Examples Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Discovery of Fuzzy DMN Decision Models from Event Logs

verfasst von : Ekaterina Bazhenova, Stephan Haarmann, Sven Ihde, Andreas Solti, Mathias Weske

Erschienen in: Advanced Information Systems Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Successful business process management is highly dependent on effective decision making. The recent Decision Model and Notation (DMN) standard prescribes decisions to be documented and executed complementary to processes. However, the decision logic is often implicitly contained in event logs, and “as-is” decision knowledge needs to be retrieved. Commonly, decision logic is represented by rules based on Boolean algebra. The formal nature of such decisions is often hard for interpretation and utilization in practice, because imprecision is intrinsic to real-life decisions. Operations research considers fuzzy logic, based on fuzzy algebra, as a tool dealing with partial knowledge. In this paper, we explore the possibility of incorporating fuzziness into DMN decision models. Further, we propose a methodology for discovering fuzzy DMN decision models from event logs. The evaluation of our approach on a use case from the banking domain shows high comprehensibility and accuracy of the output decision model.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Linking Data and BPMN Processes to Achieve Executable Models
Fußnoten
Literatur
1.
2.
3.
Baesens, B., Setiono, R., Mues, C., Vanthienen, J.: Using neural network rule extraction and decision tables for credit-risk evaluation. Manag. Sci. 49(3), 312–329 (2003)CrossRefMATH
4.
Batoulis, K., Meyer, A., Bazhenova, E., Decker, G., Weske, M.: Extracting decision logic from process models. In: Zdravkovic, J., Kirikova, M., Johannesson, P. (eds.) CAiSE 2015. LNCS, vol. 9097, pp. 349–366. Springer, Cham (2015). doi:10.​1007/​978-3-319-19069-3_​22 CrossRef
5.
Bazhenova, E., Buelow, S., Weske, M.: Discovering decision models from event logs. In: Abramowicz, W., Alt, R., Franczyk, B. (eds.) BIS 2016. LNBIP, vol. 255, pp. 237–251. Springer, Cham (2016). doi:10.​1007/​978-3-319-39426-8_​19 CrossRef
6.
Bede, B.: Mathematics of Fuzzy Sets and Fuzzy Logic. Studies in Fuzziness and Soft Computing, vol. 295. Springer, Heidelberg (2013)MATH
7.
Capon, N.: Credit scoring systems: a critical analysis. J. Mark. 46(2), 82–91 (1982)CrossRef
8.
Chiu, S.L.: Fuzzy model identification based on cluster estimation. J. Intell. Fuzzy Syst. 2(3), 267–278 (1994)
9.
Leoni, M., Dumas, M., García-Bañuelos, L.: Discovering branching conditions from business process execution logs. In: Cortellessa, V., Varró, D. (eds.) FASE 2013. LNCS, vol. 7793, pp. 114–129. Springer, Heidelberg (2013). doi:10.​1007/​978-3-642-37057-1_​9 CrossRef
10.
Debevoise, T., Taylor, J.: The MicroGuide to Process Modeling and Decision in BPMN/DMN. CreateSpace Independent Publishing Platform (2014)
11.
Gonzalez, A., Perez, R.: Completeness and consistency conditions for learning fuzzy rules. Fuzzy Sets Syst. 96(1), 37–51 (1998)MathSciNetCrossRef
12.
Hoffmann, F., Baesens, B., Mues, C., Van Gestel, T., Vanthienen, J.: Inferring descriptive and approximate fuzzy rules for credit scoring using evolutionary algorithms. Eur. J. Oper. Res. 177(1), 540–555 (2007)CrossRefMATH
13.
Hubbard, E.M., Diester, I., Cantlon, J.F., Ansari, D., van Opstal, F., Troiani, V.: The evolution of numerical cognition: from number neurons to linguistic quantifiers. J. Neurosci. 28(46), 11819–11824 (2009)CrossRef
14.
Mannhardt, F., de Leoni, M., Reijers, H.A., van der Aalst, W.M.P.: Decision mining revisited - discovering overlapping rules. In: Nurcan, S., Soffer, P., Bajec, M., Eder, J. (eds.) CAiSE 2016. LNCS, vol. 9694, pp. 377–392. Springer, Cham (2016). doi:10.​1007/​978-3-319-39696-5_​23
15.
16.
OMG. Business Process Model and Notation (BPMN), v.2.0.2 (2013)
17.
OMG. Decision Model And Notation (DMN), v.1.1 (2016)
18.
Rozinat, A., van der Aalst, W.M.P.: Decision mining in ProM. In: Dustdar, S., Fiadeiro, J.L., Sheth, A.P. (eds.) BPM 2006. LNCS, vol. 4102, pp. 420–425. Springer, Heidelberg (2006). doi:10.​1007/​11841760_​33 CrossRef
19.
Vanthienen, J., Wets, G., Chen, G.: Incorporating fuzziness in the classical decision table formalism. Int. J. Intell. Syst. 11(11), 879–891 (1996)CrossRef
20.
Von Halle, B., Goldberg, L., Model, T.D.: A Business Logic Framework Linking Business and Technology. Taylor and Francis Group, Abingdon (2010)
21.
Witten, I.H., Frank, E.: Data Mining: Practical Machine Learning Tools and Techniques, 2nd edn. Morgan Kaufmann Publishers Inc., San Francisco (2005)MATH
22.
23.
Zimmermann, H.J.: Fuzzy Set Theory and Its Applications, 3rd edn. Kluwer Academic Publishers, Norwell (1996)CrossRefMATH
Metadaten
Titel
Discovery of Fuzzy DMN Decision Models from Event Logs
verfasst von
Ekaterina Bazhenova
Stephan Haarmann
Sven Ihde
Andreas Solti
Mathias Weske
Copyright-Jahr
2017
Buch
Advanced Information Systems Engineering

Print ISBN: 978-3-319-59535-1

Electronic ISBN: 978-3-319-59536-8

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-59536-8_39

Premium Partner

    Bildnachweise