Was ist Process Mining?

Process Mining (dt. „Prozess-Schürfen“) ist ein softwaregestütztes Verfahren zur Analyse und Optimierung von Geschäftsprozessen. Es nutzt Daten aus IT-Systemen, um Prozessabläufe transparent zu machen, Engpässe aufzudecken und Effizienz zu steigern. Durch Visualisierung und Datenanalyse ermöglicht es, Prozesse zu verstehen und zu verbessern.

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 und für eine breite Palette verschiedener Anwendungsfälle geeignet ist.

Process Mining vs. Data Mining – was ist der Unterschied?

Process Mining und Data Mining sind beides leistungsstarke Methoden zur Datenanalyse, doch sie unterscheiden sich in ihrem Fokus und Anwendungsbereich.

Während Data Mining sich auf die Entdeckung von Mustern, Trends und Zusammenhängen innerhalb großer Datenmengen konzentriert, fokussiert sich Process Mining auf die Analyse und Optimierung von Geschäftsprozessen. Es nutzt event logs, um den Ablauf von Prozessen in Unternehmen zu visualisieren und zu analysieren, wodurch Schwachstellen und Verbesserungspotenziale aufgedeckt werden.

Data Mining hingegen setzt Algorithmen und statistische Methoden ein, um unbekannte Korrelationen in Daten zu erkennen, was in verschiedenen Branchen zur Vorhersage und Entscheidungsfindung genutzt wird. Diese Unterscheidung macht Process Mining besonders wertvoll für die Prozessoptimierung und Effizienzsteigerung in Unternehmen, während Data Mining breiter in der Datenanalyse und -interpretation eingesetzt wird.

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.

1. 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.“

2. 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 Prozess 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.

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 bzw. Schürfen nach neuen Erkenntnissen beginnt. 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.

Wird vor der Einführung eines Ticketsystems bereits vermutet, 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.

Herausforderungen und Lösungsansätze im Process Mining

Umgang mit Datenqualität und -integrität

Eine grundlegende Herausforderung im Process Mining ist die Qualität und Zugänglichkeit der Daten. Unvollständige oder fehlerhafte Daten können zu irreführenden Analysen führen. Lösungsansätze hierfür umfassen die Implementierung strengerer Datenqualitätsstandards und die Nutzung fortschrittlicher Algorithmen zur Datenbereinigung. Zudem ist die Integration verschiedener IT-Systeme entscheidend, um einen nahtlosen Datenfluss zu gewährleisten.

Resilienz gegen Veränderungen

Die Einführung von Process Mining kann auf Widerstand der Mitarbeiter stoßen, die sie den Veränderungen gegenüber skeptisch sind. Um diesen Widerstand zu überwinden, ist es wichtig, die Vorteile klar zu kommunizieren und Mitarbeiter in den Veränderungsprozess einzubeziehen. Schulungen und Workshops können dabei helfen, Ängste abzubauen und das Verständnis für die Notwendigkeit von Process Mining zu fördern.

Skalierung von Process Mining Initiativen

Mit dem Wachstum des Unternehmens müssen auch die Process Mining Tools skalieren können. Eine Herausforderung besteht darin, Lösungen zu finden, die mit zunehmender Datenmenge und Komplexität Schritt halten. Cloud-basierte Lösungen und die Anpassungsfähigkeit der Mining Tools sind hier entscheidend, um eine flexible und skalierbare Analyseumgebung zu schaffen.

Verringerung der Prozesskomplexität

Viele Unternehmensprozesse sind komplex und schwer zu durchschauen. Process Mining muss in der Lage sein, diese Komplexität abzubilden und verständlich zu machen. Hier helfen modulare Ansätze, die komplexe Prozesse in kleinere, handhabbare Einheiten zerlegen. Visualisierungstools spielen ebenfalls eine wichtige Rolle, um die Prozessstrukturen übersichtlich darzustellen.

Datenschutz und Compliance

Im Rahmen der DSGVO ist der Umgang mit personenbezogenen Daten eine große Herausforderung. Unternehmen müssen sicherstellen, dass ihr Process Mining-Ansatz die Datenschutzbestimmungen einhält. Dies erfordert oft die Anonymisierung von Daten und die Implementierung von Sicherheitsmaßnahmen, um Datenmissbrauch zu verhindern.

Implementierung von Process Mining in Ihrem Unternehmen

Die Einführung von Process Mining in einem Unternehmen ist ein strukturierter Prozess, der in mehrere Phasen unterteilt werden kann. Jede Phase ist ein wichtiger Schritt zum Erfolg.

1. Scope- und Zieldefinition

Zunächst ist es wichtig, klare Ziele für das Process Mining Projekt zu definieren. Fragen Sie sich: Was möchten Sie erreichen? Mögliche Ziele könnten die Optimierung von Prozessen, die Reduzierung von Durchlaufzeiten oder die Verbesserung der Compliance sein. Gleichzeitig sollten Sie den Umfang des Projekts festlegen. Entscheiden Sie, welche Prozesse analysiert werden sollen.

2. Datensammlung und -aufbereitung

Der nächste Schritt ist die Sammlung der erforderlichen Daten. Diese Daten können aus verschiedenen Quellen stammen, wie ERP-Systemen, CRM-Software oder anderen IT-Systemen. Es ist entscheidend, dass die Daten vollständig, genau und zugänglich sind. Die Aufbereitung der Daten umfasst das Bereinigen, Normalisieren und Konsolidieren, um sie für die Analyse vorzubereiten.

3. Auswahl des richtigen Process Mining Tools

Es gibt eine Vielzahl von Process Mining Tools auf dem Markt. Wählen Sie eine Software, die am besten zu Ihren Anforderungen passt. Berücksichtigen Sie Faktoren wie Benutzerfreundlichkeit, Funktionsumfang, Integrationsfähigkeit und Kosten.

4. Integration in bestehende IT-Landschaften

Zunächst ist die Kompatibilität mit vorhandenen Systemen wie ERP, CRM oder SCM zu prüfen, da das Mining auf Daten aus diesen Systemen angewiesen ist. Hierbei ist besonders auf Schnittstellen und Datenformate zu achten. Die Implementierung beginnt mit der Auswahl eines geeigneten Process-Mining-Tools, das sich nahtlos in die bestehende Infrastruktur einfügt. Anschließend erfolgt die Anbindung an die Datenquellen. Diese Phase beinhaltet oft die Konfiguration von APIs oder die Nutzung von Standard-Connectoren, um einen reibungslosen Datenfluss zu gewährleisten.

5. Analyse und Visualisierung der Prozesse

Nach der Implementierung der Software beginnt die eigentliche Analyse. Die Software visualisiert Ihre Prozesse und zeigt Abweichungen, Engpässe und Ineffizienzen auf. Diese Visualisierungen helfen Ihnen, die Prozessperformance zu verstehen und Verbesserungspotenziale zu identifizieren.

6. Ableitung von Maßnahmen

Basierend auf den Erkenntnissen aus der Analyse, entwickeln Sie entsprechende Maßnahmen zur Prozessoptimierung. Dies könnte die Automatisierung bestimmter Schritte, die Umstrukturierung von Abläufen oder die Schulung von Mitarbeitern umfassen.

7. Umsetzung und Monitoring

Nachdem die Maßnahmen definiert sind, geht es an die Umsetzung. Wichtig ist hierbei, die Veränderungen kontinuierlich zu überwachen und zu messen. Die Auswirkungen der umgesetzten Maßnahmen können in Echtzeit verfolgt werden.

8. Kontinuierliche Verbesserung

Process Mining ist kein einmaliges Projekt, sondern ein fortlaufender Prozess. Regelmäßige Überprüfungen und Anpassungen der Prozesse sind notwendig, um langfristig effizient und wettbewerbsfähig zu bleiben.

Erforderliche Ressourcen für die Implementierung

Die Einführung von Process Mining in eine bestehende IT-Infrastruktur erfordert eine sorgfältige Planung und die Bereitstellung spezifischer Ressourcen. Zunächst ist eine leistungsfähige Hardware unerlässlich – ggf. mithilfe von Cloud Computing. Der Speicherplatz und die Rechenleistung müssen dafür ausreichen, große Datenmengen effizient zu verarbeiten.

Softwareseitig benötigen Sie ein Tool, das mit Ihren bestehenden Systemen kompatibel ist. Achten Sie auf Lösungen, die eine nahtlose Integration in Ihre ERP-, CRM- und andere Geschäftssysteme ermöglichen. Die Auswahl der richtigen Software ist entscheidend, da sie die Effizienz der Datenanalyse und die Benutzerfreundlichkeit maßgeblich beeinflusst.

Ein weiterer wichtiger Aspekt ist der Zugriff auf qualitativ hochwertige Daten. Der Mining-Prozess lebt von Daten, daher ist es wichtig, dass Ihre Systeme zuverlässige wie umfassende Daten liefern. Stellen Sie sicher, dass Ihre Datenquellen gut gepflegt sind und die erforderlichen Informationen bereitstellen können.

Nicht zu unterschätzen ist auch der Bedarf an speziellem Fachwissen. Sie benötigen ein Team, das sowohl in Ihrer IT-Landschaft als auch in den Geschäftsprozessen Ihres Unternehmens versiert ist. Dieses Team sollte in der Lage sein, Ihre Process-Mining-Software zu implementieren, anzupassen und die gewonnenen Erkenntnisse effektiv zu nutzen.

Zuletzt ist noch die fortlaufende Wartung und Datenpflege ein wichtiger Punkt. Planen Sie Ressourcen für regelmäßige Updates, Fehlerbehebungen und mögliche Anpassungen der Software. Eine kontinuierliche Betreuung stellt sicher, dass Ihr Process-Mining-System stets optimal funktioniert und sich an verändernde Geschäftsanforderungen anpassen kann.

Was sie noch berücksichtigen sollten

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? Sie kennen es bestimmt: 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 missinterpretiert 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.

Wie Lobster_pro Ihr Process Mining vereinfacht

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“: 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.

Kontaktieren Sie uns und vereinbaren Sie noch heute ein unverbindliches Beratungsgespräch mit unseren Spezialisten. Sie werden erstaunt sein, wie schnell und einfach Process Mining in Ihrem Unternehmen etabliert werden kann.