BEGIN:VCALENDAR
VERSION:2.0
PRODID:https://github.com/derhansen/sf_event_mgt
METHOD:PUBLISH
BEGIN:VEVENT
UID:6744-2631@rg-rhein-main.gi.de
CLASS: PUBLIC
SUMMARY:Analyse und Interpretation von Prozessen mit Process Mining und Mac
 hine Learning
DESCRIPTION:Process Mining ist die Disziplin an der Schnittstelle von Data 
 Science und Process Science. Process Mining bietet eine Reihe von Methoden 
 und Technologien, um in ereignisbasierten Daten Geschäftsprozesse zu erkenn
 en, zu analysieren und zu interpretieren. Im sogenanntem Predictive Process
  Monitoring wird Machine Learning eingesetzt, um die Struktur und das Verha
 lten eines Geschäftsprozesses automatisch zu lernen und das zukünftige Verh
 alten von aktuell laufenden Prozessinstanzen vorherzusagen. Traditionelles 
 Predictive Process Monitoring konzentriert sich auf hochstrukturierte Proze
 sse, wie sie typischerweise in Unternehmenssoftware (z. B. SAP) ausgeführt 
 werden.\n\nUnser Forschungsfeld konzentriert sich auf unstrukturierte Proze
 sse und Abläufe, ihrer Analyse und Interpretation, um Vorhersagen zu treffe
 n. Solche Prozesse und Abläufe findet man z. B. in den Bereichen Medizin (e
 twa in individuellen medizinischen Behandlungspfaden jeweiliger Patienten) 
 und Medien (etwa bei der Auswahl und Ausspielung nicht-linearer Medien über
  Mediatheken oder der Metadatenerzeugung von Medien). Wir stellen in unsere
 m Vortrag den Einsatz von Process Mining in diesen Bereichen vor und zeigen
  Chancen und Herausforderungen für den Einsatz von Predictive Process Monit
 oring und Machine Learning zur Vorhersage in laufenden Prozessen.\n\nVortra
 gende:\n\nProf. Dr. Tobias Walter\n\nProf. Dr. Tobias Walter ist Professor 
 für Wirtschaftsinformatik, insbesondere für betriebliche Informationssystem
 e und Geschäftsprozesse an der Hochschule Mainz. Zuvor arbeitete er als Ber
 ater und Unternehmensarchitekt bei Capgemini und IBM. Promoviert hat er 201
 1 an der Universität Koblenz im Rahmen eines von der Europäischen Union gef
 örderten Forschungsprojekts mit Partnern aus Wissenschaft und Industrie. Se
 in Informatik-Studium hat er an der RWTH Aachen absolviert. Einen MBA mit S
 chwerpunkt Risiko-Management erwarb er 2018 an der Hochschule Koblenz.\n\nP
 rof. Dr. Sven Pagel\n\nProf. Dr. Sven Pagel ist Professor für Wirtschaftsin
 formatik und Medienmanagement an der Hochschule Mainz und Leiter der gleich
 namigen Forschungsgruppe WIMM mit rund zehn Mitarbeiter*innen. Als Studieng
 angleiter verantwortet er den Bachelor „Digital Media“. Er ist Sprecher des
  Profilbereichs „Digital Innovation“. Zuvor arbeitete er bei ZDF, SWR und a
 rte in den Bereichen IT, Digital-TV und Internetredaktion. Er ist Autor und
  Gutachter für namhafte Fachzeitschriften.\n\nJana Vormann\n\nJana Vormann 
 ist seit Mai 2024 wissenschaftliche Mitarbeiterin und Doktorandin im kooper
 ativen Promotions- und Forschungskollegs „AI-DPA“ der Hochschule Mainz und 
 der Universität Koblenz. Neben ihrem berufsbegleitendem IT-Management Maste
 rstudiums (Hochschule Mainz) war Sie als SAP-Prozessmanagerin in der REWE G
 roup tätig und befasste sich bereits im Rahmen Ihrer Abschlussarbeit mit de
 m Einsatz von Predictive Process Monitoring im dortigen Purchase-to-Pay-Pro
 zess. Zuvor war sie vier Jahre, ebenfalls als Prozessmanagerin, in der Deut
 sche Leasing Gruppe (Unternehmen der Sparkassenfinanzgruppe) tätig.\n\nFlav
 io Horbach\n\nFlavio Horbach absolvierte 2016 eine Ausbildung als Fachinfor
 matiker für Anwendungsentwicklung in einem Unternehmen für Gebäudeleittechn
 ik. In den Jahren 2018-2023 studierte er im Bachelor und Master Informatik 
 an der Hochschule Mainz und dem Umwelt Campus Birkenfeld. Als wissenschaftl
 icher Mitarbeiter beschäftigte er sich in dieser Zeit mit Natural Language 
 Processing Aufgaben im Zusammenhang mit Bewegtbild. Seit Anfang 2024 ist er
  Mitarbeiter im Forschungskolleg AI-DPA, in welchem er eine kooperative Pro
 motion anstrebt und sich mit dem Einsatz von Predictive Process Monitoring 
 im Medienumfeld beschäftigt.
LOCATION:Hochschule Mainz
DTSTAMP:20241030T122724Z
DTSTART:20241127T170000Z
DTEND:20241127T181500Z
END:VEVENT
END:VCALENDAR