Process Mining

Process Mining ist eine innovative, auf elektronischen Daten basierende Methode zur Erkennung realer Prozesse, deren Konformitätsprüfung und folglich deren Optimierung (Schmiedel & Jessensky, 2015, S. 61). Dabei werden Informationen, welche von IT-Systemen, wie beispielsweise Enterprise-Resource-Planning-System (ERP) oder Customer-Relationship-Management-System (CRM), bei der Abwicklung von Prozessen hinterlassen werden, zur Prozessvisualisierung genutzt (Peters & Nauroth, 2019, S. 1 - 3).

Ziele und Zweck

Process Mining ist als Weiterentwicklung aus den Ansätzen des Workflow-Managements, des Geschäftsprozessmanagements und des Data Mining entstanden. Während sich Business Intelligence oder Business Analytics mit der Nutzung von Big Data zur Unternehmenssteuerung und Datenanalyse befassen, kombiniert Process Mining die Prozessmodellierung, Prozessanalyse, Data Mining und Business Intelligence in einem (Peters & Nauroth, 2019, S. 3; Klein & Gräf, 2017, S. 247).

Anhand der Modellierung und Visualisierung wird verborgenes Prozesswissen ersichtlich gemacht. Diese Methode eröffnet neue Möglichkeiten, um Prozesse in einer Vielzahl von Anwendungsbereichen zu erkennen, zu überwachen und zu verbessern (Schmiedel & Jessensky, S. 61). Das Process Mining bietet folglich das Potenzial zur effizienteren und bedarfsgerechteren Planung sowie Steuerung der Unternehmensressourcen (Peters & Nauroth, 2019, S. 3; Schröder, Stötzel & Willeke, 2019, S. 93; Burratin, 2015, S. 33).

Process-Mining-Verfahren

Allgemeines Verfahren

Der Ablauf des Verfahrens wird in Abbildung 1 aufgezeigt. Softwaresysteme, welche zur Unterstützung der realen Geschäftsprozesse eingesetzt werden, speichern Ereignisdaten (Nachrichten, Transaktionen und Protokolle) zu den Prozessen ab. Die Prozessdaten werden in ein Ereignisprotokoll extrahiert, kontrolliert und anschliessend mithilfe einer Process-Mining-Software, welche verschiedene Verfahrensarten kennt, zu einem Prozess rekonstruiert, um den realen Prozess abzubilden (IEEE Taskforce on Process Mining, o. D., S. 3).

Abb. 1: Prozessablauf Process Mining (in Anlehnung an IEEE Taskforce on Process Mining, o. D., S. 3)

Verfahrensarten

Beim Process Mining wird zwischen verschiedenartigen Verfahren unterschieden. Drei dieser Verfahrensarten sind in Abbildung 2 bildlich dargestellt.

Abb. 2: Drei Typen von Verfahren des Process Mining mit ihren Ein- und Ausgaben: (a) Erkennung, (b) Konformitätsprüfung und (c) Erweiterung (Accorsi, Ullrich & van der Aalst, 2012, S. 355)

Als Erweiterung wurde mittlerweile eine weitere Art des Verfahrens bei fortgeschrittenen kommerziellen Einsätzen festgestellt. Die verschiedenen Arten werden in der untenstehenden Tabelle beschrieben.

Verfahren
(a) Erkennung (engl. Discovery)	Aus den gewonnenen Daten der IT-Systeme, welche zur Prozessunterstützung angewandt werden, wird ein Ereignisprotokoll erstellt. Aus diesem wird anschliessend automatisch mit Hilfe der Process-Mining-Software ein Prozessmodell generiert, welches den realen Prozess visualisiert (van der Aalst, 2016, S. 33; zit. in Peters & Nauroth, 2019, S. 6).
(b) Konformitätsprüfung (engl. Conformance)	Der reale Prozess wird mit einem vorgegebenen Modell verglichen. Aufgrund des Ist/Soll-Vergleichs werden durch die Konformitätsprüfung Unterschiede zwischen dem modellierten und dem protokollierten Verhalten verdeutlicht. Somit können Abweichungen oder Ineffizienzen diagnostiziert werden (van der Aalst, 2016, S. 33; zit. in Peters & Nauroth, 2019, S. 6; s. auch Schmiedel & Jessensky, 2015, S. 56).
(c) Erweiterung (engl. Enhancement)	Der Prozess wird durch die neu gewonnenen Informationen aus der Diagnose erweitert oder verbessert. Nicht passende Prozessschritte werden korrigiert und falsche Prozessreihenfolgen angepasst (van der Aalst, 2016, S. 33; zit. in Peters & Nauroth, 2019, S. 6).
(d) Operative Unterstützung IT-basierter Systeme	Vorgangsbearbeitungen (wie beispielsweise Materialbestellungen) können, angesichts der Integration von Process-Mining-Komponenten und Erfahrungen von Process-Mining-Anwendern in operativen Systemen, in Echtzeit unterstützt werden (Peters & Nauroth, 2019, S. 6).

Voraussetzungen

Damit bei Process Mining die realen Prozesse wahrheitsgetreu rekonstruiert werden können, ist die Qualität, Integrität und Identifikation der für das Process Mining verwendeten Daten ausschlaggebend (Peters & Nauroth, 2019, S. 12). Um dies zu gewährleisten bedarf es folgende Anforderungen (Peters & Nauroth, 2019, S. 19; Schröder et al., 2019, S. 93; van Dongen & van der Aalst, 2005, S. 4):

• Ein eindeutiges Identifikationskriterium (zum Beispiel eine Bestellnummer), damit der zu analysierende Prozess durch die verschiedenen Prozessabschnitte von Start bis Ende verfolgt werden kann.
• Ein Zeitstempel, so dass die einzelnen Prozessschritte in der richtigen chronologischen Reihenfolge abgebildet werden können.
• Eine klar und explizit abgrenzbare Aktivität (zum Beispiel Rechnung versenden), wobei der Beginn und das Ende der Tätigkeiten innerhalb der Aktivität deutlich ersichtlich sein muss.

Da es sich bei den vom System gesammelten Daten innerhalb der Organisation sowohl um persönliche Daten der Personen, die im Prozess involviert sind, als auch um persönliche Daten der Personen, welche die Aktivitäten im System bearbeiten, handelt, ist ein vertraulicher Umgang mit den Daten sicherzustellen. Dabei werden nur jene Daten extrahiert und in den Ereignislog übermittelt, welche für die tatsächliche Prozessermittlung benötig werden. Was auch bedeutet, dass Vorgänge zu anonymisieren sind (Peters & Nauroth, 2019, S. 37 – 39).

Anwendungsbereiche

Geschäftsprozesse

Durch Process Mining können Geschäftsprozesse gezielt gesteuert werden. Somit kann Benchmarking von Prozessen zwischen Unternehmensbereichen, Werken und organisatorischen Einheiten betrieben werden. Auch lassen sich Echtzeit-Geschäftsvorgänge aufgrund der Simulation von Bearbeitungszeiten anhand historischer Prozessdaten unterstützen. Auf diese Weise können beispielsweise Verzögerungen der Auftragsbearbeitung prognostiziert (Predictive Forecasting) und die Liefertreue verbessert werden. Zudem wird durch das Process Mining agiles Geschäftsprozessmanagement ermöglicht (Peters & Nauroth, 2019, S. 27).

Unternehmensführung

In verschiedenen Phasen der Unternehmensführung ist Process Mining sinnvoll. Einerseits können reale Prozesse optimiert und andererseits künftige Prozesse neu gestaltet werden. Durch Process Mining kann die Produktivität und Effizienz innerhalb eines Projektteams verbessert, die Termintreue des Projekts eingehalten und die Investitionssicherheit gestärkt werden. Auch die nachhaltige Wettbewerbsfähigkeit, Entwicklungsfähigkeit des Unternehmens und Zufriedenheit der Mitarbeiter können mit Process Mining unterstützt werden (Peters & Nauroth, 2019, S. 28 – 30). Im konkreten Beispiel kann bei einer Bestellung im ERP-System, aufgrund der automatisch gesammelten Daten, darauf hingewiesen werden, wie sich die Bestellung auf die Auftragsterminplanung der Produktion auswirkt, um folglich Massnahmen abzuleiten (Peters & Nauroth, 2019, S. 6).

Governance, Risk Management und Compliance

Mit dem Process Mining lässt sich erkennen, ob interne Beschränkungen oder Richtlinien, wie beispielsweise das Vier-Augen-Prinzip oder Autorisierungsgrenzen für Bestellungen, eingehalten werden. Diese lassen darauf schliessen, ob die Geschäftsprozesse ordnungsgemäss abgewickelt werden. Dabei können die Auflagen kostengünstig erfüllt und ein betriebswirtschaftlicher Vorteil generiert werden, da verschiedene (ISO-)Auflagen zusätzlich zu Produkteigenschaften das Dokumentieren von Produktions- und Geschäftsprozessen erfordern (Peters & Nauroth, 2019, S. 27 – 28).

Controlling

Zur effizienteren Gestaltung des Controllings helfen digitale Technologien (Digital Controlling). Dabei ist eine enge Zusammenarbeit mit einem Datenspezialisten (Data Scientist) gefordert.

Das Process Mining ermöglicht es, Kennzahlen und Reportings für das Controlling schnell und unkompliziert zu erstellen (Peters & Nauroth, 2019, S. 18; Schröder et al., 2019, S. 96). Beim Ist/Soll-Vergleich werden mit Hilfe von Kennzahlen (zum Beispiel Arbeitsvorräte, Bearbeitungsquoten, Durchlaufzeiten, Fristeinhaltung von Prozessen etc.) Abweichungen erkannt, welche durch das Ergreifen von Massnahmen korrigiert werden können. Die Erfolge der Verbesserungen können wiederum mittels Anwendung von Process Mining geprüft werden (Peters & Nauroth, 2019, S. 33; Schröder et al., 2019, S. 95).

Auch das Working-Capital-Management kann mit Process Mining untersucht werden. Durch die Analyse gesammelter Daten kann ein Unternehmen seine Kapitalbindung reduzieren und Liquidität schneller freisetzten. Beispielsweise kann untersucht werden, wie lange eine Tochtergesellschaft braucht, um Rechnungen von Lieferanten im System zu erfassen, bei wie vielen Transaktionen das Unternehmen Skonto erzielen konnte oder in welchem Prozessschritt es zwischen Versand der Ware und der Rechnungsstellung zu Verzögerung kommt (Finance-Magazin, online).

Process Mining im Vergleich zu traditionellen Methoden

Im Gegensatz zum technisch gestützten Process-Mining-Verfahren erfolgt die Analyse eines Prozesses nach traditioneller Methode über Interviews oder Workshops mit verschiedenen Mitarbeitenden aus den Fachbereichen und der IT (actrans, online). In der nachfolgenden Tabelle werden die traditionelle Methode und das Process Mining miteinander verglichen:

	Prozessanalyse mit traditionellen Methoden	Prozessanalyse mit Process Mining
Methode	Prozessaufnahme mittels bereits existierender Prozessbeschreibung, Interviews, Workshops, Nutzung von Dokumentationen oder Visualisierungstools	Rekonstruktion von Prozessen auf Basis von Ist-Daten durch die Unterstützung einer Process-Mining-Software
Häufigkeit	Meist einmalig	Meist mehrmalig bis kontinuierlich
Voraussetzungen	Keine besonderen Voraussetzungen	Gute Qualität der Prozessdaten
Aufwand nach Phasen	1. Prozessaufnahme (sehr hoch) 2. Analyse (hoch) 3. Ableitung von Massnahmen (hoch) 4. Implementierung (sehr hoch)	1. Prozessaufnahme (gering bis mittel) 2. Analyse (mittel) 3. Ableitung von Massnahmen (mittel) 4. Implementierung (hoch)
Ergebnisse	Meist nur Aufnahme des Standardprozesses ohne quantitative Merkmale	Objektive Abbildung aller Haupt- und Nebenprozessvarianten für die Diagnose- und Verbesserungsentscheidungen

Herausforderungen, Chancen und Risiken

Zwar ist das Process Mining eine junge Disziplin der Wirtschaftsinformatik, dennoch lässt sich Folgendes ableiten: Die realen Prozesse können durch Process Mining gut erkennbar gemacht bzw. visualisiert werden. Dadurch können Engpässe schnell und gut erkannt werden und somit die Prozesseffizienz und der Servicegrad deutlich verbessert werden. Des Weiteren können Ereignislogs unterschiedlicher Einsatzfälle erfolgreich bearbeitet werden. Unternehmen, die Process Mining zum ersten Mal verwendet haben, bestehen auf den weiteren zukünftigen Einsatz von Process Mining sowie auch auf die Ausweitung der Nutzung auf weitere Prozesse. Grosse Unternehmen, die eine Vielzahl von standardisierten Geschäftsprozessen bearbeiten, können somit enorme Effekte durch die Prozessoptimierung generieren (Peters und Nauroth, 2019, S. 31 – 33).

Jedoch stossen die Unternehmen bei der Verwendung von Process Mining auch auf Herausforderungen. Zur Ausführung von Process Mining ist eine hohe Anzahl von gleichen Vorgängen erforderlich, um eine genügend grosse Datenbasis für die Ereignislogs zu bieten. Wenn ein Unternehmen zwar einen grossen Umsatz hat, aber eine geringe Anzahl an Vorgängen, ist das Process Mining nicht sinnvoll. Als Grössenordnung werden in der Theorie 15'000 Vorgänge angegeben. Es muss zudem mit dem Process-Mining-Software-Hersteller oder der unterstützenden Beratungsstelle abgeklärt werden, ob die Datenbasis quantitativ für eine qualitativ aussagekräftige Analyse ausreicht. Wenn ein Unternehmen zwar viele Vorgänge bearbeitet, diese aber mit wenig Personal abwickelt, würde der Nutzen von Process Mining wirtschaftlich ebenfalls in Frage gestellt werden. In diesem Fall reichen herkömmliche Key Performance Indicators (KPI's) aus, um die Prozesseffizienz zu wahren (Peters und Nauroth, 2019, S. 34 – 35).

Lern- und Praxismaterialen

Aufgaben	Fallstudien
Sprachschule Gasche AG – Aufgabe	Stadt Lausanne – Fallstudie

Quellen

Literaturverzeichnis

• Accorsi, R., Ullrich, M., & van der Aalst, W. (2012). Process Mining. Informatik-Spektrum, 35 (5), 354–359.
• Actrans (ohne Datum). Mit Process Mining neue Effizienzen in den Prozessen heben. Abgerufen am 11.10.2019 von https://actrans.de/mit-process-mining-neue-effizienzen-in-den-prozessen-heben/
• Burratin, A. (2015). Process Mining Techniques in Business Environments. Theoretical Aspects, Algorithms, and Open Challenges in Process Mining. Cham: Springer International Publishing.
• IEEE Taskforce on Process Mining (ohne Datum). Process Mining Manifest. Abgerufen am 13.10.2019 von https://www.win.tue.nl/ieeetfpm/lib/exe/fetch.php?media=shared:pmm-german-v1.pdf
• Finance-Magazin (ohne Datum). Wie Process Mining das Working-Capital-Management verbessert. Abgerufen am 2.12.2019 von https://www.finance-magazin.de/cfo/cfo-digital/wie-process-mining-das-working-capital-management-verbessert-2007971/
• Klein, A. & Gräf, J., (2017). Reporting und Business Intelligence (3. Aufl.). Planegg/München: Haufe.
• Peters, R. & Nauroth, M. (2019). Process-Mining: Geschäftsprozesse: smart, schnell und einfach. Wiesbaden: Springer Gabler.
• Schmiedel, D. & Jessensky, O. (2015). Process Mining in der Praxis. Business Technology, 2, s. 56-61.
• Schröder, A., Stötzel, J. & Willeke, M. (2019). Strategische Prozesskostenrechnung und Process Mining als Instrumente des ganzheitlichen Prozessmanagements. Controlling, 31, 91–96.
• Van Dongen, B.F. & van der Aalst, W.M.P., (2005). A Meta Model for Process Mining Data. Abgerufen am 18.10.2019 von https://pdfs.semanticscholar.org/d169/86c8dba26ff7381515f16c62b68f79938ba8.pdf

Weiterführende Literatur

• Müller, T. (2018, 29. Mai). Software-Wunderwaffe für bessere Abläufe. Neue Zürcher Zeitung, S. 25.
• van der Aalst, W. (2016). Process Mining. Data Science in Action (2. Aufl.). Berlin, Heidelberg: Springer.

Autoren

Branka Radonjic, Paulina Rogantini, Nadine Rohrer, Fisnik Shoshi