Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Predicting undesired business process behavior using supervised machine learning
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Process mining enables making business processes efficient in order to improve productivity, to save time and cost, and to reduce waste through the incorporation of important patterns discovered in the business process behavior. This can be effectively achieved through Predictive Process Monitoring by applying a wide range of algorithms on business process datasets to let businesses take prior actions and become proactive. In this study, the previous related work was studied to identify the knowledge gap and to design the research question. The designed research question was “What supervised machine learning algorithms are suitable for predicting undesired business process behavior on imbalanced datasets?”. In order to answer it, a real–world imbalanced business process dataset was used and preprocessed, then different algorithms appropriate for the explained problem were investigated considering the proper strategies to overcome the imbalanced challenge. The results showed that the Light Gradient Boosting Algorithms with weighted cost functions outperformed Naive Bayes, Decision Tree, Random Forest, and the stacked classifier interms of the AUC ROC in general. The findings of the study can be applied to any business processes for predicting their undesired behavior where the business process datasets are imbalanced.

Abstract [sv]

Processutvinning är en metod för att effektivisera affärsprocesser så att produktiviteten ökar, tidsåtgången och kostnadernahålls nere, samt svinn reduceras. Detta sker genom att upptäcka viktiga mönster i affärsprocessernas beteende. Ett sätt att uppnå detta är att använda prediktiv processövervakning- ett samlingsnamn för algoritmer som syftar till att låta företag upptäcka och åtgärda problem proaktivt. I denna Det tidigare relaterade arbetet studerades för att identifiera kunskapsklyftan och att utforma forskningsfrågan. Den designade forskningsfrågan var “Vilka övervakade maskininlärningsalgoritmer är lämpliga för att förutsäga oönskat affärsprocessbeteende på obalanserad datamängd?”. För att svara på det, användes en förbalanserad affärsprocessdatamängd som användes och förbehandlades i realtid, då undersöktes olika algoritmer som var lämpliga för det förklarade problemet, med tanke på de rätta strategierna för att övervinna den obalanserad utmaningen. Resultaten visade att textit Light Gradient Boosting Algorithms med viktade kostnadsfunktioner överträffade NaiveBayes, Decision Tree, Random Forest och den staplade klassificeringsenheten i termer av AUC ROC i allmänhet. Resultatet av studien kan tillämpas på alla affärsprocesser för att förutsäga deras oönskade beteende där affärsprocessdatabasen är obalanserad.

Place, publisher, year, edition, pages
2018. , p. 54
Series
TRITA-EECS-EX ; 2018:585
Keywords [en]
Process Prediction, Process Monitoring, Business Process Management, Process Mining, Machine Learning.
Keywords [sv]
Processprognos, Processövervakning, Business Process Management, Process Mining, Maskininlärning.
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-244004OAI: oai:DiVA.org:kth-244004DiVA, id: diva2:1287997
Supervisors
Examiners
Available from: 2019-02-12 Created: 2019-02-12 Last updated: 2019-02-12Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 111 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf