Was ist Process Mining?

Process Mining ist eine Technik, bei der Daten aus Ereignisprotokollen analysiert werden, um Unternehmen dabei zu helfen, ihre Geschäftsprozesse zu erkennen, zu überwachen und zu verbessern. Es liegt an der Schnittstelle zwischen Data Science und Prozessmanagement. Mithilfe spezieller Algorithmen liest Process Mining die digitalen Spuren, die in Systemen wie ERP- oder CRM-Tools hinterlassen werden. Diese Rohdaten werden in eine visuelle Karte Ihrer Geschäftsprozesse umgewandelt.

Entwickler und Führungskräfte können auf diesen Karten genau sehen, was in Echtzeit passiert. Sie geht über das bloße Vermuten oder Annehmen der Funktionsweise eines Prozesses hinaus. Stattdessen wird ein sachliches, datengestütztes Bild vermittelt. So können Unternehmen Engpässe und Ineffizienzen erkennen und Möglichkeiten finden, Abläufe zu optimieren.

So funktioniert Process Mining: Von Ereignislogs zu Erkenntnissen

Die Process Mining-Technologie extrahiert Wissen aus den Daten, die bereits in den Informationssystemen Ihres Unternehmens vorhanden sind. Dabei wird ein bestimmter Workflow befolgt, um verstreute Daten in umsetzbare Erkenntnisse zu verwandeln.

  • Aufnahme: Im ersten Schritt werden Ereignisprotokolle erfasst. Jedes Mal, wenn ein Nutzer mit einem Softwaresystem interagiert, wird ein Datensatz erstellt. Dieser Datensatz enthält in der Regel eine Fall-ID (ein bestimmtes Vorkommnis eines Prozesses, z. B. Bestellung #123), einen Zeitstempel (wann es passiert ist) und eine Aktivität (was passiert ist, z. B. „Bestellung genehmigt“). Process-Mining-Tools verarbeiten diese Daten und bilden so die Grundlage für die Analyse.
  • Erkennung: Nach der Aufnahme der Daten rekonstruieren Algorithmen wie der Alpha-Algorithmus oder der Inductive Miner den Prozessablauf. Sie sehen sich die Abfolge der Aktivitäten für jeden einzelnen Fall an, und Software wie Looker erstellt dann automatisch eine Prozesslandkarte. Diese Karte visualisiert die Pfade, die verschiedene Fälle nehmen, und zeigt die häufigsten Routen und die Ausreißer ohne menschliche Verzerrung.
  • Analyse: Schließlich analysieren die Teams die Ergebnisse mit der Software. Sie suchen nach dem „Happy Path“, dem idealen, effizientesten Weg, den ein Prozess nehmen sollte. Diese werden dann mit Abweichungen, Schleifen oder Verzögerungen verglichen, um zu ermitteln, wo die Arbeit ins Stocken gerät oder wo Teams zusätzliche, unnötige Schritte ausführen.

Arten von Process Mining

Es gibt drei Haupttechniken für Process Mining, die Unternehmen je nach ihren Zielen einsetzen. Jeder Typ dient einem anderen Zweck beim Verständnis und der Verbesserung von Workflows.

Die Ermittlung ist oft der Ausgangspunkt. Bei dieser Technik erstellen Sie ein Modell von Grund auf, indem Sie nur die Ereignisprotokolldaten verwenden. Sie beginnen nicht mit einer Hypothese oder einem bereits vorhandenen Modell, wie der Prozess funktionieren sollte, da die Algorithmen einfach die Daten betrachten und ein Modell erstellen, das die Realität widerspiegelt. Das kann hilfreich sein, wenn Sie ohne Vorurteile sehen möchten, was tatsächlich passiert.

Bei der Konformitätsprüfung wird die Realität mit einem Standard verglichen. Hier nehmen Sie die realen Daten und vergleichen sie mit einem vordefinierten „idealen“ Modell oder einer Reihe von Regeln. Ziel ist es, Verstöße zu finden. Wenn beispielsweise ein Auftrag genehmigt werden muss, bevor eine Rechnung bezahlt wird, kennzeichnet die Konformitätsprüfung alle Fälle, in denen die Zahlung zuerst erfolgte. So können Sie sicherstellen, dass sich Teams an die Regeln halten.

Bei der Optimierung werden Daten verwendet, um ein bestehendes Prozessmodell zu verbessern oder zu erweitern. Es geht nicht nur darum, Fehler zu finden, sondern auch darum, einen Mehrwert zu schaffen. Sie können beispielsweise eine vorhandene Prozesslandkarte mit Zeitstempeldaten überlagern, um genau zu sehen, wo es zu Verzögerungen kommt. So können Sie das Modell reparieren oder den Prozess anpassen, um die Realität des Geschäftsumfelds besser abzubilden.

Process Mining im Vergleich zu Data Mining und Prozessmodellierung

Diese Begriffe werden oft verwechselt, bezeichnen aber unterschiedliche Disziplinen. Sie alle arbeiten mit Daten und Geschäftsanalysen, gehen aber aus unterschiedlichen Perspektiven an die Probleme heran.

  • Prozessmodellierung ist traditionell eine manuelle Aufgabe. Dabei führen Business-Analysten Interviews, veranstalten Workshops und verwenden Haftnotizen, um zu ermitteln, wie ein Prozess funktionieren soll. Sie ist subjektiv und repräsentiert den Sollzustand.
  • Data Mining ist ein sehr breites Feld. Es sucht nach Mustern in allen Arten von Datensätzen, nicht nur in Prozessdaten. Sie können damit Fragen wie „Welche Kunden werden wahrscheinlich abwandern?“ beantworten, nicht aber „Warum dauert der Versand so lange?“.
  • Process Mining konzentriert sich speziell auf prozessorientierte Daten, um Sequenzen und Abläufe zu visualisieren.

Funktion

Prozessmodellierung

Data Mining

Process Mining

Primäre Quelle

Interviews, Workshops

Große Datasets

Ereignisprotokolle (Systemdaten)

Fokus

So sollte ein Prozess funktionieren

Muster und Korrelationen

Wie ein Prozess tatsächlich funktioniert

Objektivität

Subjektiv (Meinungsbasiert)

Objektiv (Faktenbasiert)

Ziel

Ergebnis

Statische Diagramme

Vorhersagemodelle/Cluster

Dynamische Prozessdiagramme

Funktion

Prozessmodellierung

Data Mining

Process Mining

Primäre Quelle

Interviews, Workshops

Große Datasets

Ereignisprotokolle (Systemdaten)

Fokus

So sollte ein Prozess funktionieren

Muster und Korrelationen

Wie ein Prozess tatsächlich funktioniert

Objektivität

Subjektiv (Meinungsbasiert)

Objektiv (Faktenbasiert)

Ziel

Ergebnis

Statische Diagramme

Vorhersagemodelle/Cluster

Dynamische Prozessdiagramme

Anwendungsfälle für Process Mining nach Branche

Process Mining-Anwendungen werden in verschiedenen Branchen eingesetzt. Jede Abteilung, die auf strukturierte Workflows angewiesen ist, kann diese Techniken nutzen, um die Leistung zu verbessern.

Finanzabteilungen sind oft die ersten, die Process Mining einsetzen. Sie können damit die Kreditoren- und Debitorenbuchhaltung optimieren, beispielsweise die Bearbeitungszeit von Rechnungen verkürzen. So lassen sich doppelte Zahlungen und nicht genehmigte Anbieter, auch bekannt als „Maverick Buying“, vermeiden. Wenn Finanzteams den genauen Ablauf einer Rechnung sehen, können sie sicherstellen, dass sie Rabatte für vorzeitige Zahlungen nutzen und Verzugsgebühren vermeiden.

Unternehmen, die mit physischen Gütern handeln, können mit Process Mining die Komplexität der Lieferkette besser bewältigen. So lassen sich beispielsweise Produktionslinien optimieren, indem die Stationen identifiziert werden, die zu Verzögerungen führen.

In der Logistik hilft es, die genaue Bewegung von Gütern durch die Lieferkette zu visualisieren, vom Lager bis zum Kunden. So können sie Verzögerungen vorhersagen, Übergaben von Inventar reibungsloser gestalten und dafür sorgen, dass die Produktionspläne mit der Kundennachfrage übereinstimmen.

Im Gesundheitswesen kann Process Mining zur Verbesserung der Patientenzufriedenheit eingesetzt werden. Krankenhäuser können damit den „Patientenpfad“ von der Aufnahme bis zur Entlassung visualisieren. Durch die Analyse der Zeit zwischen den verschiedenen Phasen – wie Triage, Tests und Behandlung – können Administratoren Engpässe identifizieren, die zu langen Wartezeiten führen. So kann die Effizienz der Triage verbessert und sichergestellt werden, dass Ressourcen dort eingesetzt werden, wo sie am dringendsten benötigt werden, um die Behandlungsergebnisse zu verbessern.

Telekommunikationsunternehmen können Process Mining nutzen, um den Kundenservice und das Onboarding zu verbessern. Die Aktivierung einer neuen Leitung oder die Einrichtung eines Internetdienstes umfasst viele Schritte und Abteilungen. Process Mining hilft, Reibungspunkte zu identifizieren, an denen Kunden abspringen. Es kann aufzeigen, warum Aktivierungstickets hängen bleiben oder zwischen Technik- und Supportabteilung hin- und hergeschickt werden. So kann das Unternehmen die Ursache beheben und die Kundenzufriedenheit verbessern.

Die Rolle von KI im Process Mining

Künstliche Intelligenz (KI) wandelt Process Mining von einem diagnostischen in ein prädiktives Tool um. Während herkömmliches Process Mining analysiert, was in der Vergangenheit passiert ist, nutzt Process Mining AI Machine Learning, um zukünftige Ergebnisse vorherzusagen. Ein Modell könnte beispielsweise aktuelle offene Fälle analysieren und eine bestimmte Bestellung kennzeichnen, indem es auf der Grundlage von Mustern in historischen Daten vorhersagt: „Diese Bestellung wird sich verzögern“. So können Teams eingreifen, bevor ein Problem tatsächlich auftritt.

Generative KI macht die Technologie auch zugänglicher. Anstatt dass ein Data Scientist komplexe Abfragen schreiben muss, können Nutzer ihre Prozessdaten mit natürlicher Sprache abfragen. Eine Führungskraft könnte einfach fragen: „Zeige mir die drei größten Engpässe im Werk Berlin“ und das System würde die Analyse erstellen. So wird der Zugang zu Informationen demokratisiert und auch Nutzer ohne technischen Hintergrund können datengestützte Entscheidungen treffen.

Vorteile von Process Mining für den Geschäftsbetrieb

Process Mining kann zu erheblichen Verbesserungen der betrieblichen Abläufe eines Unternehmens führen. Wenn Unternehmen datengestützte Entscheidungen treffen, erzielen sie oft einen deutlichen Return on Investment (ROI).

Transparenz

Process Mining bietet nahezu 100% Transparenz für Abläufe. Da jede einzelne im System aufgezeichnete Transaktion berücksichtigt wird, bleibt nichts verborgen. Führungskräfte können sich ein Bild von den Workflows in verschiedenen Abteilungen und an verschiedenen Standorten machen und so die „Blackbox“ komplexer Abläufe beseitigen.

Effizienz

Die Technologie eignet sich hervorragend, um Engpässe zu erkennen und zu beseitigen. In einer Lieferkette könnte beispielsweise festgestellt werden, dass Bestellungen drei Tage lang den Status „Ausstehend“ haben, weil eine manuelle Unterschrift erforderlich ist. Wenn Unternehmen diese Verzögerungen erkennen, können sie Abläufe optimieren und Produkte schneller an die Kundschaft liefern.

Compliance

So lassen sich beispielsweise Verstöße wie „Maverick Buying“ erkennen, bei denen Mitarbeitende die üblichen Beschaffungsverfahren umgehen. Außerdem wird auf Verstöße gegen Service Level Agreements (SLAs) geachtet, um sicherzustellen, dass vertragliche Verpflichtungen eingehalten werden und das Risiko von Strafen reduziert wird.

Automatisierung

Process Mining ist ein guter Vorläufer der Automatisierung. Damit wird ermittelt, welche Schritte sich wiederholen und stabil genug sind, um durch Robotic Process Automation (RPA) abgedeckt zu werden. Statt zu raten, welche Prozesse automatisiert werden sollten, nutzen Unternehmen die Daten, um die Prozesse auszuwählen, die die größten Effizienzsteigerungen ermöglichen.

Meistern Sie Ihre geschäftlichen Herausforderungen mit Google Cloud

Neukunden erhalten ein Guthaben im Wert von 300 $ für Google Cloud.

Beispiel für eine Pipeline für Process Mining erstellen

Für Entwickler geht es beim Process Mining nicht nur darum, ein Dashboard zu betrachten, sondern auch darum, die Datenpipeline zu erstellen, die diese Erkenntnisse ermöglicht. Hier ist ein praktisches Beispiel dafür, wie Sie mit Google Cloud eine Lösung zur Optimierung eines E-Commerce-Bestellsystems entwickeln können.

  • Schritt 1: Logs zentralisieren Ihre erste Aufgabe ist es, die Rohdaten aus Ihrer Anwendung zu extrahieren und an einem Ort zu speichern, an dem sie analysiert werden können. Sie können Ihre E-Commerce-Anwendung (die in der Google Kubernetes Engine oder Compute Engine ausgeführt wird) so konfigurieren, dass Anwendungslogs an Cloud Logging gesendet werden. Dort erstellen Sie eine Senke, um diese Logs automatisch in BigQuery zu exportieren. So wird sichergestellt, dass jedes Ereignis wie „Bestellung aufgegeben“, „Zahlung verarbeitet“ und „Artikel versandt“ dauerhaft in einem skalierbaren Data Warehouse gespeichert wird.
  • Schritt 2: Daten in Ereignislogs umwandeln Rohdaten aus Anwendungsprotokollen sind oft unübersichtliche JSON-Blobs. Sie müssen sie in ein sauberes „Ereignisprotokoll“-Format umwandeln, das von Process-Mining-Algorithmen gelesen werden kann. Sie können BigQuery SQL oder Dataform verwenden, um eine Transformationspipeline zu schreiben. Diese Pipeline extrahiert die drei wichtigsten Spalten: Anfrage-ID (Bestellnummer), Zeitstempel (Zeitpunkt des Ereignisses) und Aktivitätsname (z. B. Zahlung genehmigt“).
  • Schritt 3: Ergebnisse mit KI vorhersagen Sobald sich die bereinigte Ereignisprotokolltabelle in BigQuery befindet, können Sie mit Vertex AI Vorhersagefunktionen hinzufügen. Sie können ein tabellarisches Klassifikationsmodell direkt mit Ihren BigQuery-Daten trainieren, um binäre Ergebnisse vorherzusagen, z. B. „Wird diese Bestellung zu spät geliefert? (Ja/Nein).“ Sie können diese Vorhersagen dann wieder in BigQuery schreiben und Ihre Prozessdaten mit zukünftigen Wahrscheinlichkeiten anreichern.
  • Schritt 4: Visualisierung und Benachrichtigung Schließlich können Sie Looker mit Ihren BigQuery-Tabellen verbinden, um den Prozessablauf und die vorhergesagten Verzögerungen zu visualisieren. Sie können auch eine Cloud Run-Funktion einrichten, die eine Benachrichtigung an das Kundenserviceteam sendet, wenn Vertex AI eine hohe Wahrscheinlichkeit für eine Lieferverzögerung vorhersagt. So kann das Team proaktiv Kontakt mit dem Kunden aufnehmen.

Zusätzliche Ressourcen

Hier erfahren Sie mehr über die Konzepte, Datengrundlagen und Google Cloud-Technologien, die Process Mining ermöglichen.

Gleich loslegen

Profitieren Sie von einem Guthaben in Höhe von 300 $, um Google Cloud und mehr als 20 immer kostenlose Produkte kennenzulernen.

Google Cloud