Process Mining hat seinen Ursprung im Data Mining, also der Analyse großer Datenbestände mit dem Ziel, neue Querverbindungen, Muster und Trends zu erkennen. Unternehmen können zum Beispiel mithilfe von Data Mining die Personalisierung ihrer Angebote erhöhen oder Warenkorbanalysen erstellen. Beim Process Mining wird dieses Verfahren auf einen kompletten Prozess übertragen.
Die darin auftretenden Ereignisse, so genannte Events, werden logisch hinsichtlich ihrer chronologischen Reihenfolge miteinander verknüpft und in den Ereignisprotokollen (Event Logs) gespeichert. Auf dieser Basis lässt sich der Prozess visualisieren und in Echtzeit analysieren. Möglich ist auch die Darstellung verschiedener theoretischer Prozessvarianten, um den jeweils optimalen Ablauf zu ermitteln.
Wichtigste Datenquelle ist das ERP-System
Erkenntnisse zu Produktivitätsverlusten oder Produktivitätspotenzialen können Unternehmen dabei helfen, Prozesse zu optimieren und zu beschleunigen sowie Schwachstellen im Ablauf aufzudecken und damit letztlich die Prozesskosten zu senken. Bei einer Bestellung beispielsweise lässt sich anhand der Daten rekonstruieren, wie oft die Kunden zu den Angeboten zurückspringen, bevor sie den Kauf abschließen, oder wie viele Kunden den Newsletter im Rahmen des Kaufvorgangs bestellen – oder auch, wie oft sie einen Kauf nicht abschließen. Durch die datengestützte Rekonstruktion lässt sich der Prozess verbessern und effizienter machen.
Die wichtigste Datenquelle für Process-Mining-Anwendungen ist das ERP-System. Denn hier laufen die wichtigsten Daten und Applikationen eines Unternehmens zusammen – unter anderem aus Einkauf, Produktion, Vertrieb, Kundenservice und Rechnungswesen. Ein typisches Beispiel ist die Analyse der Auftragsabwicklung mittels Process Mining.
Dafür werden die Ereignisdaten zu den einzelnen Events mit den Transaktionsdaten aus dem ERP-System miteinander verknüpft, von der Angebotserstellung über den Versand bis hin zur Verbuchung der Rechnung. Dadurch lassen sich wesentlich mehr Erkenntnisse gewinnen als mit den reinen Ereignisdaten. Zum Beispiel wird ersichtlich, wie lange einzelne Prozesse, etwa die Lieferung, gedauert haben.
Kommt es beispielsweise in diesem Bereich zu Verzögerungen, lassen sich dabei auch die kostenseitigen Auswirkungen darstellen, indem zusätzlich von der Störung betroffene Transaktionsdaten – etwa verspätete Zahlungseingänge seitens der Kunden aufgrund einer verzögerten Warenlieferung – mit ins Kalkül gezogen werden.
Aber auch in anderen Bereichen sind detaillierte Analysen mithilfe von Process Mining möglich – etwa die Beleuchtung von Abläufen im HR-Management, wie zum Beispiel die laufenden Bewerbungsverfahren, oder die im CRM-System erfassten Reaktionszeiten im Kundenservice.
Letztlich kann die Technologie auch zu mehr Mitarbeiterzufriedenheit und -motivation beitragen: Zum einen, weil dadurch in der administrativen Prozesssteuerung der Automatisierungsgrad steigt und gleichzeitig die Fehleranfälligkeit sinkt, so dass den Mitarbeitern mehr Zeit für die eigentlich wichtigen Fachaufgaben bleibt. Zum anderen weil sich durch die anschauliche Darstellung von Arbeitsabläufen durch deren Visualisierung und Schematisierung der Informationsgehalt für die Verantwortlichen erhöht.
Vollständige, genaue und konsistente Daten
Voraussetzung für den erfolgreichen Einsatz von Process Mining sind digitalisierte Prozesse, um die Daten zu gewinnen, sowie eine hohe Datenqualität im ERP-System. Denn wenn die Basis nicht stimmt, wird die Analyse verzerrt. Entscheidend, um wertvolle Erkenntnisse zu gewinnen, ist auch, dass die Daten aktuell, vollständig, eindeutig, genau und konsistent sind. Zudem müssen sie so verständlich sein, dass ihre korrekte Interpretation möglich ist.
In vielen Unternehmen besteht allerdings noch Nachholbedarf in Sachen Datenqualität. Angesichts der wachsenden Informationsmengen fehlt oft die Zeit, um die Daten professionell zu pflegen und sauber zu strukturieren. Häufig gibt es keinen Verantwortlichen, der sich mit dem Thema auskennt und sich dediziert darum kümmert. Typische Folgen sind Dubletten, die durch das erneute Anlegen eines bereits im System erfassten Kunden entstehen, sowie „Karteileichen“ – etwa Artikel, die schon seit Jahren nicht mehr zum Sortiment gehören.
Künstliche Intelligenz gewinnt an Bedeutung
Von der Integration Künstlicher Intelligenz (KI) bis hin zur Anwendung selbst lernender Algorithmen – mit Process-Mining-Tools lassen sich noch fundiertere, intelligente Analysen erstellen. Denn dadurch ist die Software in der Lage, aus großen Datenmengen Prognosen abzuleiten: Stichwort Predictive Analytics.
Zum Beispiel lässt sich aufzeigen, wann der Bedarf nach einem bestimmten Produkt steigen wird und wie stark. Auch Ursachen für Prozessschleifen oder Fehler lassen sich mithilfe von KI ermitteln – etwa wiederkehrende Verzögerungen, die letztlich darauf zurückzuführen sind, dass sich bei einem Artikel häufig der Preis ändert.
Die Anbieter von Process-Mining-Tools und auch einige ERP-Softwarehersteller bieten bereits Konnektoren an, um das Auslesen und die Aufbereitung der Daten für das Process Mining zu erleichtern. Da Themen wie die Prozessoptimierung und die Reduzierung der Prozesskosten zunehmend an Bedeutung gewinnen, ist zu erwarten, dass diese beiden Technologien künftig noch stärker aufeinander bezogen sein werden.
Ein Beispiel dafür wäre die nachträgliche oder standardmäßige Integration klassischer Kernfunktion des Process Mining in das ERP-System. Das heißt: Process Mining wird künftig beim Lösungs-Design eines ERP-Systems von Anfang an gleich mitbedacht. Das dürfte die Nutzung von Process Mining erheblich erleichtern, weil damit keine Schnittstellen mehr erforderlich sind und die Bedienung über eine einzige Benutzeroberfläche erfolgen kann.
