Was sind die Schwächen von Directly-Follows Ansätzen?

Directly-Follows-Ansätze (Directly-Follows Graphs, DFG) bauen Prozessmodelle allein daraus, welche Aktivität unmittelbar auf eine andere folgt. Diese rein sequenzielle Betrachtung kann Nebenläufigkeit, Schleifen und echte Abhängigkeiten nicht korrekt darstellen und ist zudem empfindlich gegenüber Rauschen und unvollständigen Daten. Das Ergebnis sind oft ungenaue oder irreführende Modelle.

Warum ist das wichtig?

Da viele Process-Mining-Werkzeuge auf DFGs basieren, entstehen häufig unübersichtliche "Spaghetti-Diagramme" und falsche Kausalannahmen. Wer diese Schwächen kennt, kann bewusst auf ausdrucksstärkere Methoden wie Event Knowledge Graphs und Causal Process Mining setzen.

Wie sieht das konkret aus?

Laufen Bonitätsprüfung und Lagerprüfung parallel, erscheinen sie im Log mal in der einen, mal in der anderen Reihenfolge. Ein Directly-Follows-Graph zeichnet daraus Kanten in beide Richtungen und suggeriert eine Schleife, die es nie gab. Das Modell wirkt komplizierter als der Prozess — und die vermeintliche Schleife zieht Analysen auf sich, die ins Leere laufen.

Nicht zu verwechseln mit

Nicht als genereller Einwand gegen Process Mining zu lesen: Directly-Follows-Graphen sind eine — allerdings sehr verbreitete — Modellierungsform unter mehreren. Verfahren wie Inductive Mining sowie objektzentrierte und kausale Ansätze umgehen genau diese Schwächen.