Dahinter steht eine Technologie, welche die Daten von Unternehmen zusammenträgt und analysiert, um anhand dieser Daten eine völlig objektive und kontinuierliche Sicht auf Prozessabläufe zu liefern. Konkret versprechen sich Unternehmen mehr Prozesstransparenz, Prozessverbesserungen sowie Kosteneinsparungen u.a. durch das Heben von Automationspotentialen. Was sich genau hinter dieser Technologie versteckt und was für eine Implementierung in Unternehmen vorausgesetzt ist, soll dieser Artikel zeigen.
Was genau verbirgt sich hinter Process Mining?
Die von Wil van der Aalst entwickelte Technologie von Process Mining zielt darauf ab, reale IST-Prozesse durch das Extrahieren von Informationen aus sogenannten Eventlogs – automatisiert generierte Aktivitätsprotokolle aus IT-Systemen – ausfindig zu machen, zu überwachen und natürlich zu verbessern.
Im Gegensatz zu einem klassischen Top-Down-Ansatz wie er im Prozessmanagement üblich ist (ausgehend von einem modellierten Prozess werden betriebliche Anwendungssysteme implementiert bzw. angepasst), liefert Process Mining in Verbindung mit Data Mining also einen Bottom-Up Ansatz. Genauer können mittels Data Mining Methoden aus gesammelten Daten der Realität entsprechende Prozessmodelle generiert werden, um diese ggf. einem existierenden Soll-Prozessmodell gegenüberzustellen. Im Speziellen können so folgende Fragen hinsichtlich eines Prozesses bzw. einer Prozesslandschaft beantwortet werden:
- Was ist wirklich in der Vergangenheit passiert?
- Wieso ist es passiert?
- Was könnte in der Zukunft geschehen?
- Wann und warum weichen Personen vom Prozess ab?
Der Zusammenhang zwischen Process Mining und den IT-Systemen eines Unternehmens veranschaulicht folgendes Schaubild im Detail. Der Informationsfluss zeigt hier auch noch einmal den Bottom-Up-Ansatz des Process Mining.
Zusammenhang und Informationsfluss zwischen Process Mining und den IT-Systemen
Hier werden auch bereits die drei Kernfunktionen des Process Mining ersichtlich:
- Process-Discovery: Entdeckung von IST-Prozessen aus großen Datenmengen
- Conformance-Checking: Übereinstimmungsprüfung zwischen Soll- und aus den Daten gewonnenem IST-Prozess
- Enhancement: Prozessverbesserung
Wie in der Grafik zu sehen, setzen all diese drei Kernfunktionen an den bereits erwähnten Eventlogs an. Diese stellen den Dreh- und Angelpunkt der gesamten Technologie dar und werden durch Anwendungssysteme wie Workflow-Management-, ERP-, CRM- oder auch andere Warenwirtschaftssysteme generiert.
Die genannten Systeme protokollieren eine enorme Anzahl an Ereignissen automatisch und das unabhängig davon, ob die Prozessaktivität automatisiert oder durch manuelle Eingabe eines Mitarbeiters ausgeführt wird. Aufgezeichnet und in Eventlogs festgehalten werden hier unter anderem Informationen bezüglich der Prozessinstanz, ein Zeitstempel und eine Aktivitätsbezeichnung. Die Protokollierung der Ereignisse kann dabei in unterschiedlichen Formen stattfinden. So ist eine Speicherung in Datenbanktabellen, Nachrichtenlogs, Mailarchiven, Transaktionslogs oder auch anderen Datenquellen möglich. Um den Nutzen aus Process Mining zu maximieren, muss die Qualität dieser Eventlogs sehr hoch sein. Doch bevor näher auf die Daten- bzw. Eventlog-Qualität eingegangen wird: Wie kann sich dieser Nutzen konkret äußern?
Chancen durch Process Mining für Unternehmen
Hier ist zunächst eine verstärkte Prozesstransparenz zu nennen. Durch den besseren Einblick in die „reale“ Welt, können so verschiedene Potentiale entdeckt und beispielweise in Kombination mit anderen Automations-Technologien wie Robotic Process Automation (RPA) realisiert werden. Durch diese verbesserte Transparenz der Geschäftsabläufe können auch die Prozessperformance und das Redesign von Prozessen vorangetrieben und „Geschäftsprozess-Müll“ identifiziert werden. Damit eng verbunden sind Kostenersparnisse durch schnellere Durchlaufzeiten und evidenzbasierte Entscheidungsprozesse. Doch damit all diese Möglichkeiten des Process Mining im Unternehmen realisiert werden können, müssen vorher einige Voraussetzungen evaluiert werden.
Voraussetzungen für eine Implementierung im Unternehmen
Zunächst muss – trotz möglichen konfliktären Zielen – hierfür eine sehr enge bereichsübergreifende Zusammenarbeit zwischen IT und Business sichergestellt werden, um so alle notwendigen Stakeholder einzubinden. Im Rahmen dieser Zusammenarbeit sind die beiden Gruppen jeweils für spezielle Aufgabenbereiche zuständig, welche eng miteinander verzahnt sind.
Die IT-Abteilung ist für die Extraktion und Modellierung der Daten aus IT-Systemen, sowie für die Bereitstellung der notwendigen Projekt-Infrastruktur zuständig. An dieser Stelle gilt es ebenfalls zu prüfen, ob die IT-Mitarbeiter ein hinreichend gutes Verständnis bzgl. der IT-Systeme im Unternehmen haben, um die Extraktion und Modellierung der Daten vorzunehmen. Das Geschäft dagegen treibt das Projekt mit dedizierter Prozess-Exzellenz voran und ermöglicht so erst die erwünschte Transformation.
Erfahrungsgemäß tendieren Projekte zum Scheitern, wenn eine entsprechende Ausrichtung der Bereiche IT und Business nicht gegeben ist. Eine global durchgeführte Umfrage unter Process Mining Experten aus Praxis und Forschung im Jahr 2021 verdeutlicht nochmals die klaren Verantwortungsbereiche von Business und IT, sowie die Bedeutung einer cross-funktionalen Ausrichtung in Process Mining Projekten.
Eigene Abbildung der Verantwortlichkeiten von Business und IT gemäß einer Umfrage von Deloitte
Ein weiterer wichtiger Punkt ist, wie in vielen anderen Business Analytics Projekten auch, die Datenverfügbarkeit und deren Qualität. Als erstes gilt es zu evaluieren, ob dem Unternehmen genügend Daten vorliegen. Wurde eine angemessene Datenmenge bereitgestellt, muss anschließend die ausreichende Qualität der Daten gewährleistet werden. Aufgrund der großen Bedeutung der Datenqualität haben sich hier eine Reihe an Beurteilungskriterien etabliert:
- Belastbarkeit: Aufgezeichnete Ereignisse fanden tatsächlich statt und die Attributwerte der Ereignisse sind korrekt
- Vollständigkeit: In der Aufzeichnung fehlen keine Ereignisse und Log-Einträge enthalten notwendige Information (mindestens Event, Zeitstempel, Prozessinstanz)
- Semantik: Jedes aufgezeichnete Ereignis sollte eindeutig interpretierbar sein
- Sicherheit: Wo immer erforderlich, wurden Daten anonymisiert
- Validität: Daten reflektieren den realen Prozess in der richtigen Art und Weise
o Beispiel: Ein Kundenservice-Prozess, in dem der Servicemitarbeiter dem Kunden einige Fragen stellt, um ihn bei der Problemlösung zu unterstützen. Das daraus resultierende Ticket wird dann oft erst nach der Konversation erstellt und sofort wieder geschlossen. In diesem Fall würden die Zeitstempel des Events nicht die tatsächliche Dauer des Events reflektieren. Betrachtet man nun in einem durch Process Mining gewonnenen IST-Prozessmodell bspw. Durchlaufzeiten, so kann dies zu Fehleinschätzungen führen.
Auf diesen Kriterien aufbauend, lassen sich wiederum fünf Reifegrade für Ereignislogs unterscheiden, welche von schlechter (handschriftliche Protokolle, Post-its etc.) bis exzellenter (Logs aus Workflow-Management-Systemen) Qualität kategorisiert sind. Zusammenfassend ist an dieser Stelle zu sagen, dass qualitativ hochwertige Ergebnisse unabdinglich qualitativ hochwertigen Input benötigen.
Eine weitere Voraussetzung, welche wiederum alle anderen Erfolgsfaktoren beeinflusst, ist ein entsprechendes Leadership-Commitment. Eine starke Unterstützung von Process Mining Projekten durch das Management hilft Widerstände einzelner Personen oder Teams zu vermeiden und kann sogar zusätzliche Unterstützer und Befürworter des Projekts gewinnen. Es erleichtert also die Change-Prozesse erheblich. Weiter kann der Management-Support die abteilungsübergreifende Kommunikation fördern und die Entscheidungsfindung beschleunigen. An dieser Stelle wird bereits deutlich, dass es bei Process Mining vielmehr um die Befähigung der Organisation und einen positiven Einfluss auf das Geschäft, als um die Technologie selbst geht.
Betrachtet man nochmals die beteiligten Ressourcen an einem Process Mining Projekt, sollte aufgrund starker Abhängigkeiten deren Verfügbarkeit und Methodenkompetenzen sichergestellt werden. Für eine erfolgreiche Projektdurchführung sind Prozesswissen, analytische Fähigkeiten, Data Engineering, Prozess-Modellierung und Managementfähigkeiten zwingend notwendig. Um dies zu gewährleisten, hilft die Etablierung eines Center of Excellence. Dadurch wird zum einen die Ressourcenverfügbarkeit sichergestellt, aber auch eine verstärkte Ausrichtung von IT und Business aneinander gefördert. Dies erhöht wiederum die Wahrscheinlichkeit der Management-Unterstützung und reduziert Risiken wie Projektverzögerungen oder sogar das Scheitern des Projekts.
Die aufgeführten Faktoren sind nur die gebräuchlichsten und in der Praxis etablierten Voraussetzungen. Natürlich muss diese Sammlung um unternehmensindividuelle Faktoren erweitert werden. Diese könnten beispielsweise die Definition von KPI’s oder auch die Verfügbarkeit von digitalen Prozessen darstellen.
Fazit und Ausblick
Zusammenfassend kann man sagen, dass die Technologie sehr großes Potential für Unternehmen bietet – vor allem Prozesstransparenz und damit verbundene Kosteneinsparungen. Will man diese Potentiale jedoch realisieren, gilt es vorab gewisse Voraussetzungen zu prüfen. Entscheidende Punkte sind hier die Datenverfügbarkeit/-qualität und ausreichender Management-Support. Vor allem die Datenverfügbarkeit ist in der Praxis in den meisten Fällen erst ab einer bestimmten Unternehmensgröße gegeben. Es sollte also als Benchmark eine Unternehmensgröße vorliegen, für die sich der Einsatz von Unternehmenssoftware (ERP-, CRM-Systeme) lohnt und diese im besten Fall bereits implementiert ist. Weiter zeigt sich in der Praxis, dass die Technologie aktuell fast ausschließlich in unterstützenden Prozessen (Accounting, order-to-cash, Service-Management etc.) und nicht in Kerngeschäftsprozessen eingesetzt wird. Dies ist darauf zurückzuführen, dass das Effizienzpotential bei den angesprochenen unterstützenden Prozessen meist deutlich höher ist, was es jedoch zu hinterfragen gilt. Die oben bereits erwähnte Process Mining Umfrage bestärkt auch diesen Sachverhalt in folgendem Diagramm zu aktuellen Anwendungsbereichen des Process Mining.
Aktuelle Anwendungsbereiche von Process Mining
Forschungsseitig gibt es zukünftig ebenfalls noch einige Lücken zu schließen, um die Technologie weiter voranzutreiben. Dazu zählen u.a. eine automatisierte Generierung von Eventlogs (Eventlog Preprocessing) oder auch eine Datenqualitätsmessung zur Überprüfung der Tauglichkeit von Process Mining im jeweiligen Unternehmen. KI kann an dieser Stelle ein entscheidender Treiber sein.
