Process Mining ist ein leistungsfähiges Instrument, das Prozessverantwortlichen und -analysten wertvolle Erkenntnisse liefert und Verbesserungen unterstützt. Ein Teil der Verbesserung ist Process Enhancement, die wiederum Model Repair nutzt, um ein bestehendes Prozessmodell hinsichtlich eines bestimmten Ziels anzupassen. Die in dieser Arbeit verwendete Methodik berücksichtigt Key Performance Indicators (KPI), um die Leistung des Prozessverhaltens, das in einem Modell dargestellt wird, zu verbessern. Der Schwerpunkt liegt dabei auf Fertigungsdaten, einem im Kontext des Process Mining selten behandelter Bereich. Es werden zwei Erweiterungen zu bestehenden Model-Repair-Techniken vorgestellt, um einen maßgeschneiderten Ansatz für die Reparatur von Fertigungsprozessen zu bieten. Eine Erweiterung hat den Namen avoid-flower und zielt auf präzise reparierte Modelle ab. Die andere wird move-loc genannt und befasst sich mit der Auswahl der Merkmale, die beim Erlernen des Musters zwischen KPI-Wert und Trace-Verhalten herangezogen werden. Die Erweiterungen sind in einer Python-Anwendung implementiert. Fallstudiendaten aus Fertigungs- und Verwaltungsprozessen werden analysiert, um ein bestehendes Modell durch Hinzufügen von erwünschtem Prozessverhalten zu verbessern. Die Ergebnisse zeigen, dass move-loc geeignet ist, ein Originalmodell besser an die Testdaten anzupassen und bessere KPI-Werte zu erzielen als Model Repair ohne diese Erweiterung. Demgegenüber erzeugt avoid-flower einfache reparierte Modelle und ist für Prozesse mit geringer Variabilität geeignet. Darüber hinaus werden in dieser Arbeit weitere Varianten von Model Repair, die Rolle von KPIs und andere Aspekte der Modellqualität behandelt.

Process mining is a powerful tool for process owners and analysts by offering valuable insights and aiding in improvements. One part of improvement is process enhancement which in turn uses model mepair to adapt an existing process model towards better performance. The goal of this thesis is to utilize Key Performance Indicators (KPI) to improve the performance of process behavior which is represented in models. The focus is on manufacturing data which is a rarely discussed field in the context of process mining. Two extensions to existing model repair techniques are proposed to provide a tailored approach to model repair on manufacturing processes. One extension is named avoid-flower and focuses on precise repaired models. The other - moveloc - addresses feature selection when learning the pattern between KPI value and trace behavior. The extensions are implemented in a Python application. Case study data from manufacturing organizations and administrative processes is analyzed aiming to improve an original model by adding desirable process behavior. The results show that move-loc is suitable for adapting an original model better to test data and achieving better KPI values than model repair without this extension. On the other hand, avoid-flower creates simple repaired models and is suitable for processes with low variability. Furthermore, this thesis discusses additional versions of model repair, the role of KPIs and other process model quality dimensions.