Event-sequence data is increasingly used to understand complex processes in domains such as healthcare, manufacturing, user behaviour, and workflow analysis. However, a central challenge in event-sequence analysis is choosing an appropriate level of event granularity. Traditional process mining and sequential pattern mining approaches often require events to be represented at a fixed abstraction level before analysis, which can hide important patterns or make results difficult to interpret. This thesis addresses the lack of visual analytics systems that support interactive exploration of event-sequence patterns across multiple levels of granularity. The aim of this thesis is to design, implement, and evaluate an interactive visual analytics prototype for exploring and refining event-sequence patterns through local granularity adjustment. The work follows an iterative design-study-inspired process, including literature review, problem characterisation, task abstraction, requirement definition, prototype development, and qualitative evaluation with domain experts. The resulting prototype, SCOPE, supports coarse-to-fine exploration of pre-mined event-sequence patterns. It enables users to selectively split individual event nodes into lower-level subcategories, preview the consequences of these changes, apply constraints, inspect matching raw event traces, and compare saved patterns at different abstraction levels. The evaluation indicates that local granularity adjustment can support exploratory analysis by helping analysts understand how high-level patterns relate to more detailed behaviours. The prototype also demonstrates how coordinated graph, ontology, bar-chart, and timeline views can make changes in abstraction more transparent. While SCOPE is not optimized for scalability or real-time mining, it contributes design insights into how visual analytics systems can support mixed-granularity pattern exploration. The thesis concludes that interactive, local control of event granularity can improve the interpretability and flexibility of event-sequence analysis, and identifies opportunities for future work in richer interaction design and integration with mining algorithms.

Eventsekvensdata används i allt större utsträckning för att förstå komplexa processer inom områden såsom hälso- och sjukvård, tillverkning, användarbeteende och arbetsflödesanalys. En central utmaning inom analys av eventsekvenser är dock att välja en lämplig granularitetsnivå för event. Traditionella metoder inom process mining och sekventiell mönsterutvinning kräver ofta att event representeras på en fast abstraktionsnivå innan analysen genomförs, vilket kan dölja viktiga mönster eller göra resultaten svåra att tolka. Denna avhandling adresserar bristen på visuella analyssystem som stödjer interaktiv utforskning av eventsekvensmönster över flera granularitetsnivåer. Syftet med denna avhandling är att designa, implementera och utvärdera en interaktiv visuell analysprototyp för att utforska och förfina eventsekvensmönster genom lokal granularitetsjustering. Arbetet följer en iterativ process inspirerad av design studies och omfattar litteraturöversikt, problemkaraktärisering, uppgiftsabstraktion, kravdefinition, prototyputveckling och kvalitativ utvärdering med domänexperter. Den resulterande prototypen, SCOPE, stödjer utforskning från grova till mer detaljerade nivåer av förutvunna eventsekvensmönster. Den gör det möjligt för användare att selektivt dela upp enskilda eventnoder i underkategorier på lägre nivåer, förhandsgranska konsekvenserna av dessa ändringar, tillämpa begränsningar, granska matchande råa eventspår och jämföra sparade mönster på olika abstraktionsnivåer. Utvärderingen visar att lokal granularitetsjustering kan stödja explorativ analys genom att hjälpa analytiker att förstå hur mönster på hög nivå relaterar till mer detaljerade beteenden. Prototypen visar även hur samordnade graf-, ontologi-, stapeldiagrams- och tidslinjevyer kan göra förändringar i abstraktionsnivå mer transparenta. Även om SCOPE inte är optimerat för skalbarhet eller realtidsbaserad mönsterutvinning, bidrar arbetet med designinsikter kring hur visuella analyssystem kan stödja utforskning av mönster med blandad granularitet. Avhandlingen drar slutsatsen att interaktiv, lokal kontroll över eventgranularitet kan förbättra tolkningsbarheten och flexibiliteten i analys av eventsekvenser, samt identifierar möjligheter för framtida arbete inom rikare interaktionsdesign och integration med mönsterutvinningsalgoritmer.