Logisches ODER

Übersicht

Die Logical OR-Anreicherung führt boolesche ODER-Operationen über mehrere boolesche Attribute durch, um ein neues konsolidiertes boolesches Attribut zu erstellen. Dieser logische Operator bewertet, ob eines der ausgewählten booleschen Attribute den Wert TRUE enthält, und liefert TRUE, wenn mindestens ein Eingabewert TRUE ist. Nur wenn alle Eingaben FALSE sind, wird FALSE zurückgegeben. Die Anreicherung ist wichtig, um mehrere binäre Bedingungen, Flags oder Indikatoren zu einem einzigen aussagekräftigen Attribut zusammenzufassen, das darstellt, ob eine der verschiedenen Bedingungen erfüllt ist.

Im Prozess-Mining und in der Analyse ist die Logical OR-Anreicherung besonders wertvoll, wenn Sie Fälle identifizieren möchten, die mindestens eines von mehreren Kriterien erfüllen. Beispielsweise möchten Sie Fälle kennzeichnen, die irgendeine Art von Ausnahme aufweisen, Bestellungen identifizieren, die eine Art von Alarm ausgelöst haben, oder feststellen, ob eine Compliance-Regel verletzt wurde. Die Anreicherung arbeitet auf der Ebene des Falls, bewertet die booleschen Attribute für jeden Fall unabhängig und speichert das Ergebnis als neues Fallattribut, das in weiteren Analysen, Filtern oder Visualisierungen verwendet werden kann.

Die Anreicherung behandelt Nullwerte intelligent, indem sie diese von der Bewertung ausschließt. Wenn alle ausgewählten Attribute für einen bestimmten Fall Null sind, ist das Ergebnis ebenfalls Null, um die Datenintegrität zu wahren und falsche Positive oder Negative in Ihrer Analyse zu vermeiden.

Häufige Anwendungsfälle

Fälle mit jeglicher Art von Qualitätsproblem durch Kombination mehrerer Qualitätsprüfungsflags identifizieren
Bestellungen kennzeichnen, die eine beliebige Alarmbedingung ausgelöst haben (Zahlungsalarm ODER Lieferungsalarm ODER Betrugsalarm)
Feststellen, ob bei mehreren Compliance-Prüfungen eine Regelverletzung aufgetreten ist
Prozesse erkennen, bei denen jegliche Art von Ausnahme oder Fehlerzustand auftrat
Kunden identifizieren, die sich anhand beliebiger von mehreren Anspruchskriterien qualifizieren
Fälle markieren, die überprüft werden müssen, wenn eine Überprüfungsbedingung erfüllt ist
Mehrere Genehmigungsflags konsolidieren, um festzustellen, ob eine Genehmigung erteilt wurde

Einstellungen

Name des neuen Attributs: Geben Sie den Namen für das neue boolesche Attribut an, in dem das Ergebnis der ODER-Operation gespeichert wird. Wählen Sie einen beschreibenden Namen, der klar angibt, welche Bedingungen kombiniert werden. Beispielsweise "Any_Exception_Occurred", wenn Ausnahmesignale zusammengeführt werden, oder "Any_Approval_Granted", wenn Genehmigungsstatus kombiniert werden. Der Name muss eindeutig sein und darf nicht mit bestehenden Attributen in Ihrem Datensatz kollidieren.

Attributnamen: Wählen Sie die booleschen Attribute aus, die Sie mit ODER-Logik kombinieren möchten. Mindestens zwei boolesche Attribute müssen für die Operation ausgewählt werden. Die Anreicherung wertet alle ausgewählten Attribute für jeden Fall aus und liefert TRUE, wenn eines davon TRUE ist. Zur Auswahl stehen nur boolesche (True/False) Attribute, entweder originale Attribute aus Ihrem Datensatz oder durch andere Anreicherungen oder Kalkulatoren erstellte boolesche Attribute.

Beispiele

Beispiel 1: Qualitätssicherung - Alarmsystem

Szenario: In einem Fertigungsprozess werden mehrere Qualitätskontrollen in unterschiedlichen Phasen durchgeführt. Sie möchten Produkte identifizieren, die eine beliebige Qualitätsprüfung nicht bestanden haben, um sie weiterführend zu prüfen.

Einstellungen:

Name des neuen Attributs: Any_Quality_Issue
Attributnamen: Visual_Inspection_Failed, Dimension_Check_Failed, Weight_Check_Failed, Functionality_Test_Failed

Ausgabe: Erstellt ein neues boolesches Attribut "Any_Quality_Issue", das TRUE ist, wenn eine Qualitätsprüfung nicht bestanden wurde:

Case ID	Visual_Inspection_Failed	Dimension_Check_Failed	Weight_Check_Failed	Functionality_Test_Failed	Any_Quality_Issue
P-001	FALSE	FALSE	FALSE	FALSE	FALSE
P-002	TRUE	FALSE	FALSE	FALSE	TRUE
P-003	FALSE	FALSE	TRUE	FALSE	TRUE
P-004	TRUE	TRUE	FALSE	TRUE	TRUE

Erkenntnisse: Diese konsolidierte Kennzeichnung ermöglicht es Qualitätsmanagern, schnell alle Produkte zu identifizieren, die eine Prüfung nicht bestanden haben, unabhängig davon, welche genau, und optimiert damit den Qualitätskontrollprozess.

Beispiel 2: Priorisierung im Kundenservice

Szenario: Ein Customer-Service-Center möchte Support-Tickets mit hoher Priorität erkennen, die mindestens eines von mehreren Eskalationskriterien erfüllen, um sie sofort zu bearbeiten.

Einstellungen:

Name des neuen Attributs: Requires_Immediate_Attention
Attributnamen: Is_VIP_Customer, Multiple_Contact_Attempts, Complaint_Contains_Legal_Terms, Service_Level_Breach

Ausgabe: Die Anreicherung bewertet jeden Fall und setzt "Requires_Immediate_Attention" auf TRUE, wenn ein Eskalationskriterium erfüllt ist:

Case ID	Is_VIP_Customer	Multiple_Contact_Attempts	Complaint_Contains_Legal_Terms	Service_Level_Breach	Requires_Immediate_Attention
CS-101	FALSE	FALSE	FALSE	FALSE	FALSE
CS-102	TRUE	FALSE	FALSE	FALSE	TRUE
CS-103	FALSE	TRUE	TRUE	FALSE	TRUE
CS-104	FALSE	FALSE	FALSE	TRUE	TRUE

Erkenntnisse: Support-Manager können so Tickets filtern und priorisieren, die sofortige Aufmerksamkeit erfordern, und sicherstellen, dass kritische Probleme unabhängig vom Auslöser prompt bearbeitet werden.

Beispiel 3: Betrugserkennung bei Finanztransaktionen

Szenario: Eine Finanzinstitution nutzt mehrere Betrugsindikatoren, um verdächtige Transaktionen zu markieren. Jeder positive Indikator soll eine Betrugsprüfung auslösen.

Einstellungen:

Name des neuen Attributs: Potential_Fraud_Alert
Attributnamen: Unusual_Amount_Flag, Location_Mismatch, Velocity_Check_Failed, Blacklist_Match, Pattern_Anomaly_Detected

Ausgabe: Erstellt "Potential_Fraud_Alert", das ausgelöst wird, wenn ein Betrugsindikator positiv ist:

Transaction	Unusual_Amount_Flag	Location_Mismatch	Velocity_Check_Failed	Blacklist_Match	Pattern_Anomaly_Detected	Potential_Fraud_Alert
TXN-8901	FALSE	FALSE	FALSE	FALSE	FALSE	FALSE
TXN-8902	TRUE	FALSE	FALSE	FALSE	FALSE	TRUE
TXN-8903	FALSE	FALSE	TRUE	FALSE	TRUE	TRUE
TXN-8904	FALSE	TRUE	FALSE	TRUE	FALSE	TRUE

Erkenntnisse: Das Betrugsteam kann sofort alle Transaktionen erkennen, die überprüft werden müssen, und ermöglicht so eine schnelle Reaktion, während die spezifischen Indikatoren Kontext für die Untersuchung liefern.

Beispiel 4: Risikobewertung im Gesundheitswesen

Szenario: Eine Notaufnahme eines Krankenhauses muss Patienten identifizieren, die mindestens eines der Kriterien für eine Hochrisikoklassifizierung erfüllen, um die passenden Behandlungsprotokolle einzuleiten.

Einstellungen:

Name des neuen Attributs: High_Risk_Patient
Attributnamen: Elderly_Patient, Chronic_Condition, Immunocompromised, Recent_Surgery, Critical_Vitals

Ausgabe: Bewertet mehrere Risikofaktoren und identifiziert Hochrisikopatienten:

Patient ID	Elderly_Patient	Chronic_Condition	Immunocompromised	Recent_Surgery	Critical_Vitals	High_Risk_Patient
PT-201	FALSE	FALSE	FALSE	FALSE	FALSE	FALSE
PT-202	TRUE	TRUE	FALSE	FALSE	FALSE	TRUE
PT-203	FALSE	FALSE	FALSE	TRUE	FALSE	TRUE
PT-204	FALSE	TRUE	TRUE	FALSE	TRUE	TRUE

Erkenntnisse: Medizinisches Personal kann schnell Patienten identifizieren, die verstärkte Überwachung oder spezielle Behandlungsprotokolle benötigen, und somit Patienten-sicherheit und Behandlungsqualität verbessern.

Beispiel 5: Erkennung von Lieferkettenstörungen

Szenario: Ein Logistikunternehmen überwacht mehrere Indikatoren auf potenzielle Störungen in der Lieferkette und möchte Sendungen markieren, die von irgendeiner Art Störung betroffen sein könnten.

Einstellungen:

Name des neuen Attributs: Disruption_Risk_Flag
Attributnamen: Weather_Alert, Port_Congestion, Carrier_Issue, Customs_Hold_Risk, Route_Restriction

Ausgabe: Kombiniert mehrere Risikoindikatoren, um Lieferungen mit potenziellem Störungsrisiko zu identifizieren:

Shipment	Weather_Alert	Port_Congestion	Carrier_Issue	Customs_Hold_Risk	Route_Restriction	Disruption_Risk_Flag
SH-5001	FALSE	FALSE	FALSE	FALSE	FALSE	FALSE
SH-5002	TRUE	FALSE	FALSE	FALSE	FALSE	TRUE
SH-5003	FALSE	TRUE	FALSE	TRUE	FALSE	TRUE
SH-5004	FALSE	FALSE	FALSE	FALSE	NULL	FALSE

Erkenntnisse: Logistikkoordinatoren können so Sendungen mit jeglichem Störungsrisiko proaktiv managen, was Contingency-Planung und Kundenkommunikation erleichtert.

Ausgabe

Die Logical OR-Anreicherung erzeugt ein neues boolesches Fallattribut mit dem im Feld "Name des neuen Attributs" angegebenen Namen. Dieses Attribut enthält TRUE- oder FALSE-Werte basierend auf der OR-Logik-Auswertung der ausgewählten Eingabeattribute.

Logische Operation: Die Anreicherung implementiert die Standard-Boolesche ODER-Operation:

Liefert TRUE, wenn mindestens ein ausgewähltes Attribut TRUE ist
Liefert FALSE nur, wenn alle ausgewählten Attribute FALSE sind
Liefert NULL, wenn alle ausgewählten Attribute NULL sind

Umgang mit Nullwerten: Die Anreicherung behandelt Nullwerte in den Eingabeattributen intelligent:

Nullwerte werden bei der ODER-Auswertung ausgeschlossen
Sind einige Attribute NULL und andere FALSE, ist das Ergebnis FALSE
Sind einige Attribute NULL und mindestens eines TRUE, ist das Ergebnis TRUE
Nur wenn alle Attribute NULL sind, ist das Ergebnis NULL

Datentyp: Das Ausgabeattribut ist immer vom booleschen Typ und wird je nach Visualisierungseinstellungen in mindzieStudio als TRUE/FALSE, Ja/Nein oder 1/0 angezeigt.

Integrationsmöglichkeiten: Das durch diese Anreicherung erzeugte neue boolesche Attribut kann:

Als Eingabe für andere logische Anreicherungen verwendet werden (zur Erstellung komplexer logischer Ausdrücke)
In Fallfiltern zur Auswahl von Teilmengen genutzt werden
In konditionalen Kalkulatoren und Anreicherungen eingesetzt werden
In Prozesskarten dargestellt werden, um Fälle hervorzuheben, die ein beliebiges Kriterium erfüllen
Zusammen mit dem angereicherten Datensatz für externe Analysen exportiert werden
In Dashboards und Berichten mit anderen booleschen Attributen kombiniert werden

Siehe auch

Negate – Invertiert boolesche Werte (NICHT-Operation)
Boolean Count – Zählt, wie viele boolesche Attribute TRUE sind
Case Compare Attributes – Vergleicht Attribute und erstellt boolesche Ergebnisse
Filter Cases – Verwenden Sie das ODER-Ergebnis, um Ihren Datensatz zu filtern

Diese Dokumentation ist Teil der mindzie Studio Prozess-Mining-Plattform.