🤖 machine learning

SCOPE: Sequential Causal Optimization of Process Interventions

Dieses Paper führt SCOPE ein, einen Ansatz für das präskriptive Prozessmonitoring, der Rückwärtsinduktion und kausale Lernverfahren nutzt, um sequentielle Interventionen aus Beobachtungsdaten zu optimieren, wobei es eine überlegene Leistung gegenüber bestehenden Methoden bei der Abstimmung von Interventionen zur Verbesserung zentraler Leistungsindikatoren demonstriert.

Ursprüngliche Autoren: Jakob De Moor, Hans Weytjens, Johannes De Smedt, Jochen De Weerdt

Veröffentlicht 2026-06-10

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jakob De Moor, Hans Weytjens, Johannes De Smedt, Jochen De Weerdt

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind der Kapitän eines Schiffes, das durch einen komplexen, stürmischen Ozean navigiert. Ihr Ziel ist es, Ihre Fracht so schnell und kostengünstig wie möglich in den Hafen zu bringen. Unterwegs müssen Sie eine Reihe von Entscheidungen treffen: Ändere ich jetzt den Kurs? Beschleunige ich? Werfe ich den Anker?

Das Problem ist, dass diese Entscheidungen nicht isoliert sind. Wenn Sie jetzt beschleunigen, kann das Zeit sparen, aber wenn Sie dies vor einem spezifischen Sturm tun, riskieren Sie, dass Ihnen der Treibstoff ausgeht. Wenn Sie warten, könnten Sie stecken bleiben. Die beste Entscheidung in einem Moment hängt völlig davon ab, was Sie als Nächstes planen.

Dies ist die Herausforderung der Prescriptive Process Monitoring (PresPM). Es geht darum, Unternehmen ein „Kapitänstagebuch“ zu geben, das ihnen genau sagt, welche Maßnahme sie bei jedem Schritt eines Geschäftsprozesses (wie einer Kreditbeantragung oder einem Kundenservice-Ticket) ergreifen müssen, um das bestmögliche Endergebnis zu erzielen.

Das Problem mit den aktuellen Karten

Das Paper argumentiert, dass die meisten derzeitigen Methoden zur Bereitstellung dieser Ratschläge in zwei Hauptaspekten fehlerhaft sind:

Die „Ein-Schritt“-Blindheit: Viele Systeme betrachten den aktuellen Moment und sagen: „Beschleunigen ist gut!“, ohne zu realisieren, dass das Beschleunigen jetzt später zu einem Crash führen wird. Sie optimieren jede Entscheidung isoliert und übersehen dabei das große Ganze.
Die „Fake-Welt“-Falle: Andere Systeme versuchen dies zu lösen, indem sie eine Simulation (eine „Fake-Welt“) aufbauen, um einen KI-Agenten zu trainieren. Sie sagen: „Lass uns so tun, als wären wir in einem Videospiel, in dem wir jeden möglichen Pfad ausprobieren können.“ Das Paper nennt dies die „Reality Gap“ (Realitätslücke). Nur weil eine Strategie in der Simulation funktioniert, bedeutet das nicht, dass sie in der echten, chaotischen Welt funktioniert. Es ist, als würde man einen Piloten in einem Flugsimulator trainieren, der kein echtes Windböen-Szenario berücksichtigt; sobald er in einem echten Flugzeug sitzt, könnte er abstürzen.

Die Lösung: SCOPE

Die Autoren führen SCOPE (Sequential Causal Optimization of Process Interventions) ein. Betrachten Sie SCOPE als einen zeitreisenden Strategen.

Anstatt zu raten, was als Nächstes zu tun ist, nutzt SCOPE eine Technik namens Backward Induction (Rückwärtsinduktion). So funktioniert es, unter Verwendung einer einfachen Analogie:

Stellen Sie sich vor, Sie planen eine Autofahrt von New York nach Los Angeles und möchten in Los Angeles mit dem meisten Geld in der Tasche ankommen.

Der alte Weg: Sie schauen sich die nächste Tankstelle an und fragen: „Ist das Benzin hier günstig?“ Sie entscheiden basierend auf nur diesem einen Punkt.
Der SCOPE-Weg: Sie beginnen am Ende der Reise (Los Angeles). Sie fragen: „Wenn ich hier ankomme, was war der beste Weg, um hierher zu gelangen?“ Dann gehen Sie einen Schritt zurück zur vorherigen Stadt. Sie fragen: „Wenn ich hier bin, welche Entscheidung führt zum besten Ergebnis in Los Angeles?“ Sie bewegen sich Schritt für Schritt rückwärts, bis Sie wieder in New York sind.

Indem SCOPE am Ziel ansetzt und sich rückwärts arbeitet, versteht das System, dass ein „schlechter“ Zug im Moment notwendig sein kann, um einen „großartigen“ Zug später vorzubereiten. Es bringt alle Ihre Entscheidungen in einer perfekten Sequenz in Einklang.

Wie es lernt (ohne einen Simulator)

SCOPE benötigt keinen Simulator, um eine „Fake-Welt“ zu bauen oder Millionen von Simulationen durchzuführen. Stattdessen analysiert es reale historische Daten (die tatsächlichen Logbücher vergangener Reisen eines Schiffes).

Reale Daten sind jedoch schwierig. In der Vergangenheit haben Kapitäne vielleicht schlechte Entscheidungen getroffen, weil sie durch Unternehmensregeln oder Pech dazu gezwungen wurden. Dies nennt man Confounding (Störvariablen/Konfundierung).

Beispiel: Eine Bank bietet vielleicht nur Hochzins-Kredite an risikoreiche Kunden an. Wenn man nur die Daten betrachtet, sieht es so aus, als ob „Hohe Zinsen = Schlechtes Ergebnis“ bedeuten würden. Aber eigentlich hat das Risiko des Kunden zum schlechten Ergebnis geführt, nicht die Zinssätze.

SCOPE nutzt Causal Learning (kausales Lernen), um dieses Rauschen zu durchschneiden. Es ist wie ein Detektiv, der Ursache von Korrelation trennt. Es findet heraus: „Wenn wir in dieser spezifischen Situation eine andere Maßnahme ergriffen hätten, was wäre dann passiert?“ Dies ermöglicht es, aus Fehlern der realen Welt zu lernen, ohne sie simulieren zu müssen.

Die Ergebnisse: Ein besserer Kapitän

Die Autoren haben SCOPE in zwei „Testfahrten“ getestet:

SimBank: Ein simulierter Bankkreditprozess.
SimBPIC17: Eine neue, halb-simulierte Version eines echten Kreditprotokolls, das sie erstellt haben, um komplexe Szenarien zu testen.

Sie verglichen SCOPE mit:

Der „Ein-Schritt“-Methode: Welche Entscheidungen nacheinander optimiert.
Der „Simulator“-Methode: Welche den „Fake-Welt“-Ansatz nutzt.

Das Urteil:
SCOPE gewann konsequent. Es traf bessere Entscheidungen, insbesondere wenn der Pfad lang und kompliziert wurde (mehr Entscheidungspunkte).

Als die Daten unordentlich waren (hohes „Confounding“), fand SCOPE dennoch den besten Pfad.
Die „Simulator“-Methode scheiterte oft, weil ihre Fake-Welt nicht mit der Realität übereinstimmte.
Die „Ein-Schritt“-Methode scheiterte, weil sie nicht sehen konnte, wie die heutigen Entscheidungen das Morgen beeinflussen.

Zusammenfassend

SCOPE ist eine neue Art, geschäftliche Ratschläge zu geben. Anstatt nur einen Schritt nach dem anderen zu betrachten oder so zu tun, als lebe man in einem Videospiel, betrachtet es die gesamte Reise, arbeitet sich vom Ziel rückwärts vor und nutzt die reale Geschichte, um die perfekte Abfolge von Bewegungen zu ermitteln. Es ist der Unterschied zwischen einem Kapitän, der nur das Steuer bedient, und einem, der eine Karte des gesamten Ozeans besitzt und genau weiß, wie jede Wendung das Endergebnis beeinflusst.

Technisches Resümee: SCOPE – Sequenzielle kausale Optimierung von Prozessinterventionen

Problemstellung

Prescriptive Process Monitoring (PresPM) zielt darauf ab, während der Ausführung von Geschäftsprozessen Interventionen zu empfehlen, um Leistungskennzahlen (KPIs) wie die Durchlaufzeit oder Kosten zu optimieren. Während bestehende Methoden einzelne Interventionsentscheidungen effektiv handhaben können, versagen sie oft in realistischen Szenarien, in denen Interventionen nicht isoliert auftreten. In vielen Prozessen existieren mehrere interdependenter Entscheidungspunkte, bei denen das Ergebnis einer früheren Intervention von nachfolgenden Aktionen abhängt und umgekehrt.

Aktuelle Ansätze leiden unter drei primären Einschränkungen:

Fokus auf Einzelinterventionen: Viele Methoden optimieren nur einen einzelnen Entscheidungspunkt und ignorieren die Sequenz zukünftiger Entscheidungen.
Isolierte sequenzielle Optimierung: Einige Methoden behandeln zwar Sequenzen, optimieren jedoch jeden Entscheidungspunkt isoliert (z. B. Maximierung der unmittelbaren Belohnung), wodurch eine Abstimmung der Aktionen über den gesamten Fall hinweg zur Maximierung der finalen KPI fehlschlägt.
Abhängigkeit von Prozessapproximationen: Methoden, die eine sequenzielle Optimierung versuchen, stützen sich oft auf Reinforcement Learning (RL), das auf approximierten Prozessen (z. B. Markov-Entscheidungsprozessen) oder augmentierten Daten trainiert wurde. Dies führt zu einer „Realitätslücke“ (Reality Gap), wobei Fehlspezifikationen in der Approximation zu verzerrten oder suboptimalen Policies führen. Darüber hinaus haben diese Methoden oft Schwierigkeiten mit der hohen Heterogenität der Prozesspräfixe und der variablen Kontrollflüsse, die in realen Ereignisprotokollen vorkommen.

Methodik: SCOPE

Die Autoren schlagen SCOPE (Sequential Causal Optimization of Process Interventions) vor, ein Framework, das aus Beobachtungsprotokollen direkt abgestimmte sequenzielle Interventions-Policies lernt, ohne eine Prozesssimulation oder Datenaugmentation zu erfordern.

Kernkomponenten

SCOPE integriert kausales Lernen mit Backward Induction (rückwärtsgerichteter Induktion), um das Problem der sequenziellen Entscheidungsfindung unter variablen Kontrollflüssen zu adressen.

Backward Induction Framework:
- Die Methode passt das Dynamic Treatment Regimes (DTR)-Framework an Geschäftsprozesse an. Sie iteriert rückwärts vom letzten Entscheidungspunkt ( $K$ ) zum ersten ($1$).
- An jedem Entscheidungspunkt $k$ schätzt sie eine Q-Funktion ( $Q_k$ ), welche das erwartete Ergebnis darstellt, wenn die Aktion $a_k$ unter Berücksichtigung des aktuellen Prozesspräfixes $\sigma_k$ ergriffen wird, unter der Annahme, dass im Anschluss optimale Aktionen getroffen werden.
- Sie berechnet eine Value Function ( $V_k$ ), welche das bestmögliche Ergebnis ausgehend vom Präfix $\sigma_k$ repräsentiert.
- Entscheidend ist, dass SCOPE eine Regret-basierte Formulierung für die Value Function nutzt: $V_k(\sigma_k) = E[V_{k+1}(\sigma_{k+1}) + (Q_k(\sigma_k, a^{opt}_k) - Q_k(\sigma_k, a^{obs}_k) | \sigma_k]$ . Diese Formulierung wurde aufgrund ihrer Robustheit gegenüber Modellfehlspezifikationen und Fehlerfortpflanzung gewählt, was angesichts der heterogenen Natur der Prozesspräfixe kritisch ist.
Kausale Lerner:
- Um die Q-Funktionen aus Beobachtungsdaten (die Konfundierungsfaktoren enthalten) zu schätzen, verwendet SCOPE kausale Lerner. Es vermeidet Inverse Propensity Weighting (IPW aufgrund der Instabilität in hochdimensionalen Präfixräumen.
- Das Framework unterstützt modellagnostische Lerner und testet spezifisch:
  - S-Learner: Ein einzelnes Modell, das Ergebnisse für alle Aktionen vorhersagt.
  - T-Learner: Separate Modelle für jede Aktion.
  - RA-Learner: Ein zweistufiger Ansatz, der zuerst die Q-Funktion schätzt und dann ein Pseudo-Outcome bestimmt, um sich auf kausale Effekte zu konzentrieren.
- Diese Lerner ermöglichen es dem System, Aktionen zu identifizieren, die historisch selten gewählt wurden, aber wahrscheinlich die KPI verbessern, wodurch das Problem der Konfundierung ohne randomisierte kontrollierte Studien effektiv gehandhabt wird.
Algorithmus (SCOPE-S):
- Training: Der Algorithmus beginnt beim letzten Entscheidungspunkt. Für Fälle, die Punkt $k$ erreichen, trainiert er ein kausales Modell, um $Q_k$ zu schätzen. Er berechnet dann die optimale Aktion und aktualisiert die Wertschätzung für den vorangehenden Entscheidungspunkt unter Verwendung der Regret-basierten Formulierung. Wenn ein Fall aufgrund des Kontrollflusses einen Entscheidungspunkt überspringt, wird der Wert rückwärts getragen.
- Inferenz: Der Prozess bewegt sich vorwärts. Beim Erreichen eines Entscheidungspunkts fragt der Algorithmus das vortrainierte Modell für diesen spezifischen Punkt ab, um die Aktion mit dem höchsten geschätzten Q-Wert auszuwählen.

Wichtigste Beiträge

SCOPE Framework: Die Einführung eines PresPM-Ansatzes, der kausale Lerner mit Backward Induction kombiniert, um kausal fundierte, abgestimmte sequenzielle Policies zu lernen. Es operiert direkt auf Beobachtungsprotokollen und eliminiert die Notwendigkeit von Prozesssimulatoren oder Datenaugmentation.
Neuer Benchmark (SimBPIC17): Die Erstellung und Veröffentlichung eines semi-synthetischen Datensatzes basierend auf dem realen BPIC17_W Ereignisprotokoll. Dieser Benchmark ermöglicht die Evaluierung sequenzieller PresPM-Methoden mit variablen Entscheidungspunkten und realistischer Konfundierung, womit der Mangel an Ground-Truth-Kontrafaktualitäten in realen Daten adressiert wird.
Empirische Validierung: Umfassende Experimente, die zeigen, dass SCOPE die State-of-the-Art-Baselines über verschiedene synthetische und semi-synthetische Datensätze hinweg übertrifft.

Experimentelle Ergebnisse

Die Autoren evaluierten SCOPE gegen drei Baselines:

KMeans-Q (Branchi et al. [5]): Ein sequenzieller Ansatz unter Verwendung von Prozessapproximation (MDP) und RL.
SEP-S (adaptiert von de Leoni et al. [9]): Ein Ansatz, der Entscheidungspunkte unabhängig voneinander optimiert.
Random Policy & Upper Bound.

Wichtigste Erkenntnisse:

Performance: SCOPE übertraf beide Baselines konsistent in verschiedenen Settings, einschließlich unterschiedlicher Konfundierungsgrade ( $\delta$ ), Trainingsset-Größen und der Anzahl der Entscheidungspunkte.
Auswirkung der Abstimmung (Alignment): Der Vorteil von SCOPE gegenüber der unabhängigen Optimierungs-Baseline (SEP-S) wuchs mit zunehmender Anzahl der Entscheidungspunkte, was die Bedeutung der Abstimmung von Interventionen über die Sequenz hinweg bestätigt.
Robustheit gegenüber Konfundierung: Während die Performance generell mit höherer Konfundierung sank, blieb SCOPE robust. Der RA-Learner und der S-Learner schnitten am besten ab, während der T-Learner unter hoher Konfundierung eine Verschlechterung zeigte.
Approximation vs. Direktes Lernen: Die Prozess-Approximationsmethode (KMeans-Q) schnitt schlecht und variabel ab, was darauf hindeutet, dass die Approximation des Prozesses für RL weniger effektiv sein kann als die unabhängige Behandlung von Interventionen, geschweige denn die kausale Abstimmung durch SCOPE.
Komplexität: Trotz der theoretischen Komplexität des Trainings mehrerer Modelle trainierte SCOPE in der Praxis signifikant schneller als KMeans-Q und entsprach in der Inferenzkomplexität der unabhängigen Baseline.

Bedeutung und Behauptungen

Das Paper behauptet, dass SCOPE einen bedeutenden Schritt nach vorn in der PresPM darstellt, indem es die „Realitätslücke“ adressiert, die in RL-basierten sequenziellen Ansätzen inhärent ist. Durch die Nutzung von kausalem Lernen und Backward Induction kann SCOPE optimale sequenzielle Policies aus Beobachtungsdaten ableiten, ohne potenziell fehlspezifizierte Prozessmodelle konstruieren zu müssen.

Die Autoren betonen, dass SCOPE zwar auf die Vorhersagegenauigkeit der zugrunde liegenden Modelle angewiesen ist und die Annahme trifft, dass keine Interferenz zwischen den Fällen besteht (SUTVA), es jedoch erfolgreich effektive sequenzielle Policies unter realistischen Konfundierungsgraden identifiziert. Das Paper schließt damit, dass die Kombination von kausalem Lernen mit Backward Induction essenziell ist, um KPIs in Prozessen mit interdependenten Entscheidungspunkten zu optimieren, und bietet eine praktische Alternative zu simulationsintensiven Methoden. Die Veröffentlichung des SimBPIC17-Benchmarks soll die weitere Forschung im Bereich des sequenziellen PresPM unterstützen.