Abschlussarbeit

Zur Unterstützung unserer aktuellen Forschung im Bereich "Process Mining für partiell geordnete Event Logs" vergeben wir das Masterarbeitsthema "Clustering von partiell geordneten Traces in Process Mining".

Process Mining analysiert geloggte Ausführungsdaten eines Geschäftsprozesses, sog. Event Logs. Basierend auf diesen Daten werden beispielsweise automatisch Prozessmodelle generiert (Process Discovery), die Conformance zwischen den geloggten Daten und einem Soll-Modell überprüft (Conformance Checking) o.ä. Üblicherweise werden die geloggten Daten hierfür als eine Multimenge sequentieller Abfolgen von Events (sog. Traces) dargestellt und verarbeitet. Diese Darstellungsart greift jedoch oft zu kurz: sie kann Parallelität oder Überlappung in der Ausführung von Events nicht abbilden, ebensowenig wie fehlende oder gleiche Zeitstempel. Daher werden die Eventdaten zunehmend als Multimenge von partiellen Ordnungen dargestellt und verarbeitet. In partiell geordneten Traces sind manche Events zueinander geordnet und andere nicht.

Die Menge zu verarbeitender (sequentieller oder partiell geordneter) Traces ist in der Regel sehr groß, es gibt viel "Noise" und es ist oft eine Herausforderung, daraus automatisch aussagekräftige und verständliche Ergebnisse (z.B. Prozessmodelle) zu generieren. Um die Ergebnisse von Process Mining Algorithmen weiter zu optimieren, gibt es in der Literatur Ansätze, um Traces zunächst zu clustern. Diese Clustering-Ansätze existieren aktuell nur für sequentielle Traces.

Im Rahmen dieser Masterarbeit soll untersucht werden:

• Welche Clustering-Ansätze existieren aktuell für sequentielle Traces; welche Clustering-Algorithmen, welche Parameter der sequentiellen Traces und welche Distanzmaße werden in den Ansätzen verwendet?
• Welche Zielsetzung wird durch das Clustering in den Ansätzen jeweils verfolgt und wie wird ein "gutes" Clustering gemessen?
• Inwiefern lassen sich die verwendeten Parameter, Distanzmaße und Qualitätsziele auf partiell geordnete Traces übertragen und welche Parameter, Distanzmaße und Zielgrößen sind bei partiell geordneten Traces darüber hinaus sinnvoll?
• Welche Clustering-Algorithmen bieten sich hierfür an und welche Ansätze lassen sich daraus für partiell geordnete Traces ableiten?
• Evaluation verschiedener Ansätze in Bezug auf die definierten Zielgrößen.

Voraussetzungen:

• Studiengänge Master Data Science oder Informatik
• Fortgeschrittene Kenntnisse in der Anwendung von Clustering-Algorithmen; Erfahrungen aus der Praxis sind hilfreich
• Grundwissen im Bereich Process Mining, z.B. aus dem Modul "Geschäftsprozessmodellierung und Process Mining"
• Da es sich um ein theoretisches Thema handelt, ist ein sicherer Umgang mit mathematisch-formaler Notation unbedingt erforderlich.

Bitte bewerben Sie sich bis 14.9.2026 über unser Kontaktformular (Abschlussarbeiten -> Vorbereitung und Exposé). Beschreiben Sie kurz, wodurch Sie die o.g. Voraussetzungen erfüllen und warum Sie sich für dieses Thema interessieren. Wir melden uns nach Ablauf der Bewerbungsfrist bei Ihnen und laden Sie ggf. zu einem persönlichen Gespräch ein.

Voraussichtlicher Starttermin der Arbeit:

November 2026