Process Mining.

Förderte man im 19. und 20. Jahrhundert Kohle oder Erz als Treiber industrieller Prozesse, sind heute Daten der Rohstoff für die digitale Transformation der Wirtschaft. Aber wie im Bergbau reicht die Extraktion für sich genommen auch bei Daten nicht aus.

Erst deren „Veredelung“ durch eingehende Analysen bringt greifbaren Mehrwert. Auf Datenebene durch sog. Data Mining, auf Prozessebene im Rahmen von Process Mining.
Overview

Was ist Process Mining?

Es liegt im Ursprung und der Natur von Wirtschaftsunternehmen, effizient arbeiten zu wollen – das heißt, mit möglichst sparsamen (oder verschwendungsfreien) Abläufen ein bestimmtes wirtschaftliches Ziel zu erreichen. Dafür müssen konsequent Input und Output einer oder mehrerer kombinierter Tätigkeiten gemessen werden. Knifflig wird es, wenn mehrere Personen, mehrere Abteilungen und mehrere IT-Systeme in einem Prozess verbunden sind. Process Mining ist eine Technik, die sich genau dieser Schwierigkeit annimmt. Der Begriff bezeichnet die systematische Analyse und Beurteilung automatisch gesammelter Transaktionsdaten eines Prozesses.

Wie funktioniert Process Mining?

Um Process Mining durchführen zu können, müssen Prozesse digital sein. Mit der Einführung eines Ticketsystems digitalisiert beispielsweise eine IT-Abteilung den Vorgang „die Kollegen aus der IT um Hilfe bitten“ – neben den typischen Effekten wie bspw. gesteigerte Transparenz, vereinfachte Kommunikation, nahtlose Abläufe und schnellere Bearbeitung wird mit zunehmender Digitalisierung auch die Grundlage für Process Mining gelegt. Denn jedes Ticket hält spannende (Meta-/Transaktions-) Daten in seinem Logfile. War das Ticket mit hoher oder niedriger Priorität eingestellt? In welcher Inhaltskategorie wurde es abgelegt? Wann wurde es erstellt (Anfang oder Ende der Woche, Tageszeit etc.)? Bei welchem Kollegen lag das Ticket wie lange? Konnte ein IT-Mitarbeiter das Ticket eigenständig bearbeiten oder mussten Kollegen hinzugezogen werden? Und so weiter. Hier wird bereits klar: Manche der erforderlichen Daten müssen von Menschen eingegeben werden (z. B. Priorität oder Inhaltskategorie), manche kann das System automatisch erstellen (z. B. genaue Erstell-Zeit oder Bearbeiter).

Die so erworbenen Daten können heruntergeladen und analysiert werden – das Mining oder Schürfen nach neuen Erkenntnissen beginnen. Klar ist: Je mehr Grips vorab in die (Meta-) Datenstruktur gesteckt wurde, desto einfacher wird das Mining. Denn gemessen werden kann logischerweise nur das, was im Vorfeld erhoben wurde. Vermutet man also vor der Einführung eines Ticketsystems bereits, dass die meisten Tickets zwar als dringend bezeichnet werden, es jedoch nicht sind, so ist die Einführung einer Dringlichkeitsskala sinnvoll. Denn wenn alle Tickets als dringend bezeichnet werden, ist keines mehr dringend. Ein Kriterium zur objektiven Feststellung der Dringlichkeit ist bspw. die Reaktionszeit des Ticket-Erstellers, nachdem das Ticket gelöst wurde – antwortet er trotz Angabe einer hohen Dringlichkeit länger nicht, war sein Alarm unbegründet. Es lohnt sich also, bereits vor der Analyse Annahmen aufzustellen, wo mögliche Effizienzblocker liegen könnten. Diese Thesen können dann iterativ verbessert werden, sobald die regelmäßige Auswertung der Daten begonnen hat.

Es ist durchaus möglich, die Auswertung der Daten in unterschiedlicher Granularität vorzunehmen und oftmals ist das der Punkt, an dem spezialisierte Process-Mining-Technologie ansetzt. Die Funktionalität hinter solcher Software ist klar: Automatisiertes Erkennen von Strukturen und Untersuchung der Daten auf deren Antwortpotenzial für typische, vorgefertigte Fragestellungen.

Was ist zu berücksichtigen?

Das oben genannte Beispiel deutet es bereits an: Immer da, wo Menschen in einem Process zusammenarbeiten, in einen gemeinsamen Ablauf eingebunden sind, kann es zu fehlerhafter Informationsübergabe, zu Verzögerungen, zu ineffektiver Kommunikation oder – betriebswirtschaftlich am wichtigsten – zu einer unnötigen Verlängerung der Durchlaufzeit kommen. Dafür müssen die Prozessbeteiligten nicht einmal aktive Eingaben vornehmen. Process Mining kann also sowohl für das Ticketsystem einer IT-Abteilung als auch für einen Bestellprozess zwischen Hersteller und Lieferant, einen Transportprozess nach Fertigstellung einer Sendung, einen administrativen Vorgang wie der Reservierung von Firmenwagen oder einen komplexen Reklamationsprozess im Lebensmitteleinzelhandel in Frage kommen. Die Möglichkeiten, Process Mining einzusetzen, sind vielfältig.

Je nachdem, welcher Prozess aktuell im Fokus steht, werden dabei unterschiedliche Process-Mining-Typen und Herausforderungen auftreten. Folgende Fragen verdeutlichen das:

Wer ist für das Process Mining zuständig? Die IT-Abteilung? Das Controlling? Die Fachabteilung?

Ist der Prozess bereits digital erfasst? Erfolgt bspw. die Bestellung bereits über ein Online-Portal oder immer noch per Telefon? Können beteiligte Partner überhaupt Daten liefern (bspw. über den Verlauf einer Sendung)? Welche sind die im Prozess vermuteten Schwachstellen? Reagiert der Logistik-Dienstleister zu langsam? Werden Tickets konsequent und genau erfasst?

Was muss getan werden, um die Meta-Daten sauber digital abzuschöpfen? Werden die korrekten Time-Stamps erfasst (Beispiel: Die Sendung hat das Lager bereits am Vormittag verlassen, wurde jedoch aufgrund der Mittagspause erst später auf „versendet“ gesetzt)?

Wie kann Prozessdisziplin sichergestellt werden? Man kennt es: Obwohl es einen definierten Workflow gibt, arbeiten Kollegen dennoch gerne nach den alten Prinzipien – Stichwort Over-the-Desk-Tickets und „Könntest du mal?“.

Zum Thema Process Mining ließe sich diese Liste problemlos fortsetzen – sie beleuchtet jedoch nur das Vorab, nicht das Hinterher. Denn wenn die Rohdaten vorliegen, sind in einem zweiten Schritt folgende Fragen zu klären: Wer ist für die Interpretation und das Ableiten von Maßnahmen zuständig? Wie kann sichergestellt werden, dass Daten nicht falsch interpretiert werden? Wie erklärt sich die lange Antwortzeit des Logistik-Dienstleisters – ist beispielsweise die schlechte Netzabdeckung an seinem Firmenstandort auf der grünen Wiese der Grund? Sind diese Fragestellungen vor, während und nach der Beurteilung von Prozessen geklärt, bietet kontinuierliches Process Mining die Möglichkeit, Unternehmensabläufe entlang der eigenen, mitunter sehr spezifischen Anforderungen auszurichten.

Welche Vorteile bietet Process Mining?

Synergien durch digitale und betriebswirtschaftliche Umsetzung Die Benefits von Process Mining liegen auf der Hand: Was systematisch erfassbar gemacht wurde und mit entsprechendem Know-how regelmäßig ausgewertet wird, das kann hervorragende Informationen für ein verbessertes Business Process Management bieten:

Objektiver Nachweis bereits subjektiv festgestellter Fehlentwicklungen Die offensichtlichen Probleme im Geschäftsablauf, d. h. die Probleme, über die ohnehin jeder stöhnt, werden quantitativ belegt. Es wird möglich, konkrete und bezifferbare Leistungszahlen zu nennen – Beispiel: „Die interne Bearbeitung einer Bestellung beansprucht 30 % der Durchlaufzeit bis das Paket bei unserem Kunden eintrifft und ist damit zu lang.“

Erkennen kostenrelevanter Lücken in etablierten Abläufen Weitere wirtschaftliche Optimierungen werden durch das Aufdecken zuvor übersehener Probleme möglich. Beispielsweise wenn durch Process Mining Software im Kundensupport festgestellt wird, dass ein Kunde seinen vertraglich vereinbarten Supportumfang bereits überschritten hat und ihm daher Zusatzkosten in Rechnung zu stellen sind.

Je nachdem, welcher Process betrachtet wird, sind die Vorteile also anders gelagert. Die klassischen Benefits durch automatisierte Prozessanalyse sind aber klar: Kürzere Durchlaufzeiten, Verschlankung und Standardisierung der Kommunikation, höhere Transparenz, Verbesserung des Kundenservice und – auch wenn es banal klingt – weniger Frust im Gesamtprozess.

Welche Lösung bietet Lobster?

Lobster bietet mit der Middleware Lobster_data und der Software für Prozess-Automatisierung Lobster_pro zwei ideale Lösungen für Process Mining in abteilungs- und unternehmensübergreifenden Prozessen. In Lobster_data werden IT-Schnittstellen aufgebaut, in Lobster_pro menschenzentrierte Prozesse über Portale optimiert. Dabei sammelt Lobster automatisch bereits ab Werk die wichtigsten Meta-Daten jedes Vorgangs (Start, Ende, Runtime, Fehlermeldungen etc.). So wie es für ein sorgfältiges, zentrales Monitoring aller Vorgänge sein muss. Diese Meta-Daten sind standardisiert und können über automatisierte Logiken eingesehen, abgerufen und geladen werden.

Wie bereits einleitend beschrieben, ist Process Mining eine auf Prozesse ausgerichtete Version des Data Mining. Wer weiter greifen und sich nicht nur auf Prozesse fokussieren will, der wird in allen Datenquellen seines Unternehmens auf die Suche gehen und dort nach wertvollen Informationen „schürfen“ oder „minen“: Ob Datenpunkte aus der Produktion, dem Betrieb von Maschinen im Außeneinsatz, dem Bestellverhalten von Kunden oder der Zuverlässigkeit des Lieferantennetzwerks – aufgrund der fortschreitenden Computerisierung vieler Tätigkeiten (Ubiquitous Computing) lassen sich zahlreiche Ansatzpunkte finden, um Verbesserungs-Möglichkeiten zu erkennen. Hier leitet das Thema nahtlos in den Bereich Big Data und Analytics über: Denn wo besonders viele heterogene Daten entstehen (Zahlen, Text, Bilder etc.) und belastbare Aussagen über die Zukunft getroffen werden sollen, wird im besonderen Predictive Analytics interessant. Übrigens auch häufig im Zusammenhang mit Industrie 4.0 und – aufgrund der Notwendigkeit großer Speicher – Cloud Computing.

Wie bereits einleitend beschrieben, ist Process Mining eine auf Prozesse ausgerichtete Version des Data Mining. Wer weiter greifen und sich nicht nur auf Prozesse fokussieren will, der wird in allen Datenquellen seines Unternehmens auf die Suche gehen und dort nach wertvollen

Informationen „schürfen“ oder „minen“: Ob Datenpunkte aus der Produktion, dem Betrieb von Maschinen im Außeneinsatz, dem Bestellverhalten von Kunden oder der Zuverlässigkeit des Lieferantennetzwerks – aufgrund der fortschreitenden Computerisierung vieler Tätigkeiten (Ubiquitous Computing) lassen sich zahlreiche Ansatzpunkte finden, um Verbesserungs-Möglichkeiten zu erkennen. Hier leitet das Thema nahtlos in den Bereich Big Data und Analytics über: Denn wo besonders viele heterogene Daten entstehen (Zahlen, Text, Bilder etc.) und belastbare Aussagen über die Zukunft getroffen werden sollen, wird im besonderen Predictive Analytics interessant. Übrigens auch häufig im Zusammenhang mit Industrie 4.0 und – aufgrund der Notwendigkeit großer Speicher – Cloud Computing.

DIGITALISIERUNG

Automatisierung, E-Fulfillment, E-Invoicing, Plattformen, Process Mining

DatenIntegration

Data Lake, Data Warehouse, Datenintegration, EAI, EDI, ERP-Systeme, INFOR LN, Protokolle

Hybrid IT

Kollaboration, Remote Work

Green IT

Nachhaltige Rechenzentren
  • Gute Dinge wachsen langsam

    Coming soon...

ihr direkter
Draht zu lobster.

MAIL-anfrage, LIVE-CHAT oder HoTLINE.

Lobster DATA GmbH

Bräuhausstraße 1
D 82327 Tutzing
T: +49 8158 4529 300
F: +49 8158 4529 301
E: information@lobster.de

Kundenbetreuung Lobster_data

E: support@lobster.de (08:00 - 17:00)
T: +49 8158 4529 350 (09:00 - 16:00)

Kundenbetreuung Lobster_pro

E: support.pro@lobster.de (08:00 - 17:00)
T: +49 8158 4529 555 (09:00 - 16:00)

Kundenbetreuung Lobster_pim

E: support.pim@lobster.de (08:00 - 17:00)
T: +49 8158 4529 395 -20 (09:00 - 16:00)

Lobster_LoadBalance3650

DARUM ZU LOBSTER.

Zur LIVE-Demo.

LOBSTER kennenLERNEN.

Oder rufen Sie uns an:

Zur Live-Demo.

Lernen Sie LOBSTER_data kostenlos kennen. Anmelden und Loslegen.

Oder rufen Sie uns an:

Zur Live-Demo.

Lernen Sie LOBSTER_data kostenlos kennen. Anmelden und Loslegen.

Oder rufen Sie uns an: