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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
HMD Praxis der Wirtschaftsinformatik
Erschienen in: HMD Praxis der Wirtschaftsinformatik 4/2018

19.03.2018 | Spektrum

Analyse von Studienverläufen mit Process-Mining-Techniken

verfasst von: Rüdiger Buck-Emden, Franz-Dominik Dahmann

Erschienen in: HMD Praxis der Wirtschaftsinformatik | Ausgabe 4/2018

Einloggen

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

search-config
loading …

Zusammenfassung

Studenten an Hochschulen und Universitäten haben bei der Gestaltung ihrer Studienverläufe meistens viele Freiheitsgrade. Begrenzt werden diese Freiheiten durch das Curriculum, das bestimmte Rahmenbedingungen für den Studienverlauf einer Fachrichtung festlegt und Empfehlungen bzw. Vorgaben macht, welche Veranstaltungen in welchem Semester besucht werden sollen.
In der Praxis weichen viele Studenten von den Empfehlungen des Curriculums ab. Dies führt zu einer Vielzahl individueller Studienverläufe, von denen jeder einzelne mehr oder weniger erfolgreich sein kann (z. B. in Hinblick auf das Erreichen des angestrebten Abschlusses, auf die erzielte Abschlussnote oder auf die benötigte Studiendauer).
Für eine an erfolgreichen Studienverläufen orientierte Weiterentwicklung von Curricula und zugehörigen Studienberatungen fehlen den Verantwortlichen an Hochschulen und Universitäten nicht selten detaillierte Erkenntnisse über das konkrete Studienverhalten und über erfolgreiche bzw. weniger erfolgreiche Studienverlaufsmuster. Durch Process-Mining-Techniken wie Bubble-Chart-Analysen, Fuzzy Mining und Inductive Visual Mining können die Verantwortlichen Transparenz bei der Auswertung von Studienverläufen gewinnen und darauf aufbauend gezielte Maßnahmen einleiten.
Vorheriger Artikel A3M: Entwicklung eines Reifegradmodelles für 3D-Druck
Nächster Artikel Die Business-Analyse in deutschsprachigen Unternehmen

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 "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

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
Weitere Produktempfehlungen anzeigen
Fußnoten
1
Activity, Time und Case sind vom Tool Disco vorgegebene Bezeichnungen.
 
2
Bei IvM bezieht sich eine Activity auf eine konkrete Veranstaltung/Prüfung, während eine Activity beim Fuzzy Mining eine Kombination aus Veranstaltung/Prüfung, Ergebnis und Versuch darstellt.
 
Literatur
van der Aalst W, Weijters A (2004) Process mining: a research agenda. Comput Ind 53(3):231–244CrossRef
van der Aalst W, Weijters A, Maruster L (2004) Workflow mining: discovering process models from event logs. IEEE Trans Knowl Data Eng 16(9):1128–1142CrossRef
Bannert M, Reimann P, Sonnenberg C (2014) Process mining techniques for analysing patterns and strategies in students’ self-regulated learning. Metacogn Learn 9(2):161–185CrossRef
Bogarín A, Cerezo R, Romero C (2017) A survey on educational process mining. Wiley interdisciplinary reviews: data mining and knowledge discovery, S 1–17
Bolt A, de Leoni M, van der Aalst W, Gorissen P (2015) Business process reporting using process mining, analytic workflows and process cubes: a case study in education. In: International symposium on data-driven process discovery and analysis, S 28–53
Bose R, Verbeek E, van der Aalst W (2011) Discovering hierarchical process models using proM. CAiSE Forum 107:33–48
Cairns AH, Gueni B, Fhima M, Cairns A, David S, Khelifa N (2015) Process mining in the education domain. Int J Adv Intell Sys 8(1):219–232
van Dongen B, de Medeiros A, Verbeek H, Weijters A, van der Aalst W (2005) The proM framework: a new era in process mining tool support. Proc. 26th Int. Conf. On Applications and Theory of Petri Nets (ICATPN 2005), Miami, S 444–454MATH
Dumas M, García-Bañuelos L (2015) Process mining reloaded: event structures as a unified representation of process models and event logs. Proc. International Conference on Applications and Theory of Petri Nets and Concurrency, S 33–48MATH
Emond B, Buffett S (2015) Analyzing student inquiry data using process discovery and sequence classification. Proc. 8th International Conference on Educational Data Mining, Madrid, S 412–415
Grigori D, Casati F, Castellanos M, Dayal U, Sayal M, Shan MC (2004) Business process intelligence. Comput Ind 53(3):321–343CrossRef
Günther C, van der Aalst W (2007) Fuzzy mining – adaptive process simplification based on multi-perspective metrics. Proc. 5th Int. Conf. on Business Process Management, Brisbane. Lecture Notes in Computer Science, Vol 4714. Springer, Berlin, Heidelberg, S 328–343
Günther C, Rozinat A (2012) Disco: discover your processes. 10th Int. Conf. On Business Process Management (BPM 2012), Tallinn, S 40–44 (BPM (Demos))
Gupta E (2014) Process mining – a comparative study. Int J Adv Res Comput Commun Eng 3(11):8594–8598CrossRef
Jans M, van der Werf J, Lybaert N, Vanhoof K (2011) A business process mining application for internal transaction fraud mitigation. Expert Syst Appl 38(10):13351–13359CrossRef
Leemans S, Fahland D, van der Aalst W (2013) Discovering block-structured process models from event logs containing infrequent behaviour. Proc. 11th Int. Conf. on Business Process Management, Beijing, S 66–78
Leemans S, Fahland D, van der Aalst W (2014) Exploring processes and deviations. Proc. 12th Int. Conf. on Business Process Management (BPM 2014), Eindhoven. Springer, Cham, S 304–316
Linden M, Felden C, Chamoni P (2010) Dimensions of business process intelligence. Business Process Management Workshops (BPM 2010), S 208–213
Mierswa I (2009) Open source data mining mit rapidminer. Künstliche Intell 2/2009:62–63
Mukala P, Buijs J, van der Aalst W (2015) Exploring students’ learning behaviour in MOOcs using process mining techniques. Eindhoven. BPM Center Report BPM-15-10. BPMCenter.org, Eindhoven
Rischawe R, Buck-Emden R (2015) Process-Mining in der Assekuranz. HMD Prax Wirtschaftsinform 52(3):433–443CrossRef
Romero C, Ventura S (2007) Educational data mining: a survey from 1995 to 2005. Expert Syst Appl 33(1):135–146CrossRef
Schulte J, Fernandez de Mendonca P, Martinez-Maldonado R, Buckingham Shum S (2017) Large scale predictive process mining and analytics of university degree course data. Proc. 7th International Learning Analytics & Knowledge Conference (LAK 2017), Vancouver. ACM, New York, S 538–539
Trčka N, Pechenizkiy M (2009) From local patterns to global models: towards domain driven educational process mining. Proc. 9th International Conference on Intelligent Systems Design and Applications (ISDA’09), S 1114–1119
Trčka N, Pechenizkiy M, van der Aalst W (2010) Process mining from educational data. In: Romero C, al (Hrsg) Handbook of educational data mining. CRC Press, Boca Raton, S 123–142CrossRef
Wang R, Zaiane O (2015) Discovering process in curriculum data to provide recommendations. Proc 8th International Conference on Educational Data Mining, Madrid, S 580–581
Weijters A, van der Aalst W, De Medeiros A (2006) Process mining with the heuristics miner-algorithm. Tech. Rep. WP, Vol. 166. Technische Universität, Eindhoven, S 1–34
Zadeh L (1988) Fuzzy Logic. Computer (Long Beach Calif) 21(4):83–93
Metadaten
Titel
Analyse von Studienverläufen mit Process-Mining-Techniken
verfasst von
Rüdiger Buck-Emden
Franz-Dominik Dahmann
Publikationsdatum
19.03.2018
Verlag
Springer Fachmedien Wiesbaden
Erschienen in
HMD Praxis der Wirtschaftsinformatik / Ausgabe 4/2018
Print ISSN: 1436-3011
Elektronische ISSN: 2198-2775
DOI
https://doi.org/10.1365/s40702-018-0410-1

Weitere Artikel der Ausgabe 4/2018

HMD Praxis der Wirtschaftsinformatik 4/2018 Zur Ausgabe

Schwerpunkt

Wissensarbeit mit Social Media Plattformen – Unsicherheitsfaktoren als Managementansatz

Schwerpunkt

Wie können Wissensmanagementsysteme nutzerorientiert gestaltet werden?

Schwerpunkt

Chatbot – Der digitale Helfer im Unternehmen: Praxisbeispiele der Schweizerischen Post

Rezensionen

Rezension „Wissensmanagement für Qualitätsmanager“

Spektrum

A3M: Entwicklung eines Reifegradmodelles für 3D-Druck

Rezensionen

Rezension „Gemeinsam sind wir blöd?“