Zusammenfassung. Business Process Model and Notation (BPMN) 2.0 gilt als einer der vielversprechendsten Standards zur Prozessmodellierung, jedoch ist die Modellierung auch für Experten mit großem Aufwand verbunden, sodass heute versucht wird, die Modellierung durch Wiederverwendung von Prozessmodellen zu unterstützen. Hierzu werden Repositories von qualitativ hochwertigen Geschäftsprozessmodellen aufgebaut, aus denen wiederverwendbare Modelle ausgewählt werden können. In dieser Arbeit wird ein Ansatz aus dem prozessorientierten Fallbasierten Schließen für das ähnlichkeitsbasierte Retrieval von BPMN-2.0-Modellen erweitert und empirisch erprobt. Anhand eines existierenden BPMN-Repositories wird überprüft, welchen Mehrwert hierbei die Einbeziehung der Semantik in die Ähnlichkeitsberechnung gegenüber einer rein lexikalischen Bewertung erbringt.
Modellierung und Analyse von Geschäftsprozessen sind wichtige Aufgaben für
moderne Unternehmen. Es existieren heute verschiedene Notationen zur
Prozessmodellierung. Nach Allweyer [
BPMN hat in der aktuellen Version 2.0 eine weitere Verbreitung erfahren, was
dazu geführt hat, dass umfangreichere Prozessrepositorien in diesem Format entstehen
[
Fallbasiertes Schließen (Case-based Reasoning, CBR) [
Blockorientierte Modellierungssprachen definieren den Kontrollfluss über strukturierte
Aktivitäten, durch deren Verschachtelung komplexe Abläufe mit Sequenzen,
Alternativen und Schleifen erstellt werden können [
Abb. 1. BPMN-Prozessmodell aus der BPMAI
struktion von zyklischen Kantenfolgen mit mehreren Ein- und Ausstiegspunkten, was
in blockorientierten Sprachen nicht realisierbar ist [
Wir beschreiben nun eine graphbasierte Repräsentation von BPMN-Modellen, die sich
am Konzept von Bergmann und Gil [
Jede Aufgabe eines Prozesses wird durch einen Aufgabenknoten repräsentiert, dessen Aufgabe durch die semantische Beschreibung näher spezifiziert wird. Der Aufgabenknoten bietet außerdem die Möglichkeit, einen Adressaten zur Ausführung der Aufgabe festzulegen. Dies ist eine Übertragung der Rollenverteilung, die in BPMN üblicherweise über Pools und Lanes realisiert wird.
Datenobjekte werden durch Datenknoten repräsentiert. Die semantische Beschreibung dieser Knoten dient der Klassifizierung, z. B. durch eine Datentypenontologie. Datenmodellierung steht jedoch nicht im Mittelpunkt von BPMN 2.0, was sich auch an der überschaubaren Anzahl von Datenobjekten (einfaches Datenobjekt, Datenlistenobjekt, Dateninput, Datenoutput, Datenspeicher) zeigt. Außerdem werden die Zuordnung von Verantwortlichkeiten repräsentiert, um Pools und Lanes zu berücksichtigen.
Kontrollflussobjekte, wie zum Beispiel das XOR-Gateway oder das Parallele Gateway, werden durch Kontrollflussknoten repräsentiert.
Zusätzlich sind folgende Kantentypen möglich: Der Prozess-Knoten ist mit jedem anderen Knoten mit einer Part-Of-Kante verbunden. Die semantische Beschreibung einer solchen Kante beschreibt die Rolle des betreffenden Knotens im Prozessmodell.
Der Kontrollfluss zwischen Aufgabenobjekten wird durch Kontrollflusskanten repräsentiert. Kontrollflusskanten verbinden entweder zwei Aufgabenknoten oder einen Aufgabenknoten mit einem Kontrollflussknoten. Kontrollflusskanten legen die Reihenfolge fest, in der Knoten ausgeführt werden. Der Startknoten einer Kante muss immer vor dem Endknoten der Kante ausgeführt werden.
Der Datenfluss zwischen Aufgaben- und Datenobjekten wird durch Datenflusskanten repräsentiert. In BPMN 2.0 existieren verschiedene Elemente, um Datenfluss zu modellieren, wie zum Beispiel gerichtete und beidseitige Assoziation oder Nachrichtenfluss. Die semantische Beschreibung der Kante legt fest, um welches Element es sich handelt. Für gerichtete Datenflusselemente gilt: Ist der Startknoten der Kante ein Datenknoten und der Endknoten ein Aufgabenknoten, liegt ein lesender Zugriff vor, im umgekehrten Fall ist es ein schreibender Zugriff.
Abbildung 2 zeigt das Prozessmodell aus dem vorherigen Abschnitt, dargestellt als Prozessmodellgraph. Aufgabenknoten sind eckig dargestellt, Kontrollflussknoten haben eine ovale Form, n1 ist der Prozess-Knoten.
Abb. 2. Beispielhafter Prozessgraph
Ähnlichkeit von BPMN-Modellen Eine Fallbasis (Repository), der Kern eines POCBR-Ansatzes, entspricht einer Menge von Prozessmodellgraphen CB = fCW1; :::; CWng, die dieselbe semantische Metadatensprache besitzen. Auch eine Anfrage ist ein solcher Prozessmodellgraph, der aber nicht vollständig spezifiziert sein muss, d. h. es können nur einige Aktivitäten oder Datenknoten angegeben werden; auch die Verknüpfung dieser Kanten muss nicht vollständig sein oder kann auch ganz fehlen. Aufgabe des Retrievals im POCBR ist es nun, die ähnlichsten Prozessmodellgraphen zur Anfrage zu finden.
Um die Ähnlichkeit eines Prozesses aus der Fallbasis (Case) CW = (Nc; Ec; Sc; Tc)
zu einer Anfrage (Query) QW = (Nq; Eq; Sq; Tq) beurteilen zu können, müssen
sowohl die einzelnen Prozesselemente als auch die Verknüpfungsstruktur berücksichtigt
werden. Wir verwenden in dieser Arbeit das Ähnlichkeitsmodell von Bergmann und
Gil [
In dieser Arbeit werden zwei Ansätze zur Berechnung der lokalen
Ähnlichkeiten verglichen. Zum einen wird eine lexikalische Ähnlichkeitsfunktion auf Basis der
Levenshtein-Distanz der Knoten- und Kantenbeschreibungen verwendet und zum
anderen kommt die semantische Ähnlichkeitsfunktion, basierend auf den semantischen
Beschreibungen der Knoten und Kanten, zum Einsatz. Die lexikalische Ähnlichkeit ist
domänenunabhängig, wohingegen die semantische Ähnlichkeit für den jeweiligen
Gegenstandsbereich spezifisch modelliert werden muss. In dieser Arbeit wird für die Knoten
und Kanten jeweils eine Taxonomie der Knoten- und Kantenbeschreibungen
(Ontologie) genutzt, die händisch für den untersuchten Teilbereich des Repositories modelliert
wurden. Abbildung 3 zeigt einen Teilausschnitt der Knotentaxonomie. Die Ähnlichkeit
basiert nun wie folgt auf dieser Taxonomie: Die Ähnlichkeit zweier Beschreibungen
hat den Wert 1, wenn diese identisch sind; ansonsten wird die Ähnlichkeit dadurch
bestimmt, dass der gemeinsame Oberknoten in der Taxonomie ermittelt wird. Dieser wird
mit einem festen Ähnlichkeitswert annotiert, der diese Ähnlichkeit auf einfache
Weise repräsentiert (z. B. sim(“start investigation”,“x-ray inspection”) = 0:8, siehe [
Bei der Berechnung der Kantenähnlichkeit werden nicht nur die semantischen Beschreibung der betrachteten Kanten berücksichtigt, sondern auch die Ähnlichkeit der Knoten, die diese verbinden. Zwei Kontrollflusskanten sollten nur ähnlich sein, wenn diese auch ähnliche Aufgabenknoten als Start- und Endknoten verbinden. Die Funktion FE (Se; Sl; Sr) ist eine Aggregationsfunktion, die die semantische Ähnlichkeit der Kanten Se sowie der Startknoten Sl und Endknoten Sr zu einem Ähnlichkeitswert zusammenfasst. Für FE wird folgende Funktion verwendet: FE (Se; Sl; Sr) = Se 0; 5 (Sl + Sr). Die Kantenähnlichkeit und die Ähnlichkeiten der verbundenen Knoten gehen also jeweils zur Hälfte in die Berechnung der aggregierten Kantenähnlichkeit ein.
Die Grundlage der Ähnlichkeitsberechnung zwischen einer Query QW und einem
Prozessmodell CW bildet ein zulässiges Mapping m [
Abb. 3. Teilausschnitt der Import/Export-Taxonomie
eine typerhaltende, partielle Abbildung m : Nq [ Eq ! Nc [ Ec. Ein solches Mapping
muss die Bedingungen erfüllen, dass ein Knoten oder eine Kante aus QW jeweils nur
auf einen Knoten oder eine Kante aus CW abgebildet wird. Außerdem können Kanten
nur zugewiesen werden, wenn die von der Kante verbundenen Knoten auch
entsprechend als Start- und Zielknoten der Zielkante zugewiesen wurden. Für ein gegebenes
Mapping können somit die Elemente der Query auf die Elemente im Prozessmodell
abgebildet werden, so dass nun eine Ähnlichkeitsberechnung der zugeordneten Elemente
möglich ist. Die resultierenden lokalen Ähnlichkeitswerte können dann zur
Gesamtähnlichkeit aggregiert werden. Um die Ähnlichkeit zu bestimmen, ist somit die Kenntnis
eines Mappings erforderlich. Diese kann gemäß des von Bergmann und Gil [
Ziel der Evaluation ist es herauszufinden, ob das Ranking von Prozessmodellen durch
die beschriebene Ähnlichkeitsberechnung vergleichbare Ergebnisse liefert, wie das
Ranking von Experten. Des Weiteren werden die Ergebnisse des semantischen
Ähnlichkeitsmaßes mit denen des lexikalischen Ähnlichkeitsmaßes verglichen. Zur Erstellung
der Fallbasis wurden die Prozessmodelldatenbanken der BPMAI [
Zu jeder Domäne wurden fünf plausible Suchanfragen händisch formuliert. Die
Anfragen sind meist kleine, leicht abgeänderte Teilabschnitte der Prozessmodelle aus der
Fallbasis. Zu jeder dieser Anfragen wurden von Experten (Studierende der
Wirtschaftsinformatik) die fünf ähnlichsten Prozessmodelle aus der Fallbasis ausgesucht und nach
Ähnlichkeit sortiert. Die Ranglisten der Experten wurden mit den Ergebnissen der
Ähnlichkeitsberechnungen verglichen. Die Bewertung der Ähnlichkeit erfolgt mit Hilfe der
Evaluationskriterien Korrektheit und Vollständigkeit nach der Ranglistenberechnung
von Cheng et al. [
Import/Export Bestellungen Abrechnungen Ähnlichkeitsmaß Korr.
Voll.
Korr. Voll. Korr.
Voll. lexikalisch semantisch
Die Korrektheit des semantischen Ähnlichkeitsmaßes liegt in allen Domänen über dem des lexikalischen Maßes, am deutlichsten in der Domäne Abrechnungen, in der das lexikalische Ähnlichkeitsmaß mit einem Wert von 0.351 kaum zu brauchbaren Ergebnissen führt. Die Vollständigkeit ist hingegen beim lexikalischen Ähnlichkeitsmaß in allen Domänen maximal, was darin begründet ist, dass aus dem Levenshtein-Vergleich von zwei Knotenlabels sehr differenzierte Ähnlichkeitswerte resultieren, wohingegen beim semantischen Ähnlichkeitsmaß nur die in der Taxonomie hinterlegten Ähnlichkeitswerte vorkommen. Somit bewertet das lexikalische Maß nur selten zwei Prozessmodelle in der Fallbasis mit der gleichen Ähnlichkeit, sodass grundsätzlich zwischen allen Fällen eine Ordnungsrelation besteht. Auch wenn diese nicht korrekt ist, führt dies zu einer Vollständigkeit von 1. Beim semantischen Ähnlichkeitsmaß kommt es hingegen vor, dass zwei Prozessmodelle als gleich ähnlich eingestuft werden, obwohl Experten dies nicht so bewerten. Ein stärker differenzierendes semantisches Ähnlichkeitsmaß könnte die Ergebnisse für die Vollständigkeit verbessern. Insgesamt ist zur Einschätzung des praktischen Nutzens aber die Korrektheit ein wichtigeres Kriterium als die Vollständigkeit. Bei Verwendung des semantischen Ähnlichkeitsmaßes wird daher eine deutlich bessere Übereinstimmung mit der Einschätzung der Experten erzielt. 6
Diese Arbeit setzt an der aktuellen Problemstellung an, Prozessdatenbanken mittels Anfragen nach ähnlichen Prozessmodellen zu durchsuchen, um die Modellierung von neuen Prozessmodellen zu erleichtern. Der vorgestellte Ansatz auf Basis von prozessorientiertem Fallbasierten Schließen eignet sich zur Ähnlichkeitsberechnung und zum Retrieval von Prozessmodellen im BPMN-2.0-Format. Die Einbeziehung der Semantik von Prozessmodellen hat sich als gute Möglichkeit erwiesen, um die Retrievalqualität des Systems gegenüber einer rein syntaktischen Auswertung zu steigern. Dies wird jedoch erkauft durch den höheren Aufwand zur Modellierung der Ähnlichkeitsmaße mittels Taxonomien. Die manuelle Erstellung von Taxonomien könnte sich bei großen Repositorien auf Grund des Modellierungsaufwands als impraktikabel erweisen. Als Ansatzpunkt für weitere Forschungsarbeiten bietet es sich daher an, alternative Verfahren zu untersuchen, die keine manuelle Modellierung erfordern, um die semantischen Ähnlichkeiten zwischen Labels in Prozessmodellen zu bestimmen. Es könnte beispielsweise ein semantisches Vektorraummodell zur Ähnlichkeitsberechnung genutzt werden, das zusätzlich durch Fachtexte domänenspezifisch angereichert werden könnte.