Philosophische Perspektive auf kausales Wissen

Als ein früher Wegbereiter der Kausalitätsphilosophie stellte Hume fest, dass alles Wissen aus Erfahrung stammt und auf Assoziationen zwischen wahrgenommenen Ereignissen basiert. Waldmann griff diese Idee in seiner Arbeit zur wissensbasierten kausalen Induktion auf und bezeichnete die kausale Richtung als grundlegenden Faktor für das Verständnis statistischer Korrelationen. Der Begriff Kausalität lässt sich weiter durch Pearls dreistufige Kausalhierarchie differenzieren, die die Rolle kausalen Wissens bei Assoziationen, Interventionen und Gegenfakten betont.

Im Kontext kausalen Wissens über Geschäftsprozesse stellen Fachexpert:innen mit jahrelang erworbenem domänenspezifischem Wissen eine wertvolle Ressource für die Prozessverbesserung dar. Durch ihre Erfahrung verfügen sie über ein genaues Verständnis kausaler Zusammenhänge zwischen einzelnen Aktivitäten eines Geschäftsprozesses. So versteht etwa der Prozessverantwortliche eines Order-to-Cash-Prozesses intuitiv, dass eine Kundenbestellung schließlich zur Erstellung einer Rechnung führt. Umgekehrt ist für ihn klar, dass eine Rechnung, die auf eine Bestellung folgt, im Gegensatz zur umgekehrten Reihenfolge kausal plausibel ist – eine Rechnung vor der Bestellung widerspricht der kausalen Logik des Prozesses.

Im Bereich der Process Mining-Forschung machen sich die meisten Discovery-Algorithmen dieses kausale Prozesswissen nicht zunutze. Stattdessen betrachten sie die Daten als „einzige Quelle der Wahrheit“ für beobachtbares Verhalten und blenden dabei domänenspezifische Ursachen aus.

In einem experimentellen Setting entwickelten und testeten Rembert et al. einen Process Discovery-Algorithmus, der Vorwissen integriert. Die Ergebnisse zeigen, dass solches Vorwissen die Robustheit gegenüber Rauschen erhöht und damit die Wahrscheinlichkeit von Mess- und Reihenfolgefehlern reduziert – insbesondere bei Prozessen mit einem hohen Anteil an seltenem Verhalten.

Ähnlich nutzen Diamantini et al. Wissen in komplexen Domänen mit stark variablen Prozessen, um Event Logs zu bereinigen und realistischere Modelle zu erzeugen. Waibel et al. verwenden eine kausale Vorlage, die Prozessanalyst:innen dabei unterstützt, eine kausale Ordnung in die Strukturentdeckung von Prozessen zu integrieren – mit Fokus auf den Control-Flow. Im Vergleich zu Ansätzen ohne Domänenwissen erzeugt dieser Ansatz deutlich einfachere Modelle mit höherer Übereinstimmung zur definierten Kausalität, da die Anzahl an Selbstschleifen und fehlerhaften Verbindungen reduziert wird.

Lu et al. schlagen einen halbautomatisierten Ansatz zur Erkennung von Log-Mustern in der Prozesserkennung vor, bei dem menschliches Urteilsvermögen genutzt wird, um Musterarten zu bewerten, zu modifizieren und zu erweitern.