Process Mining: Unterschied zwischen den Versionen

Aus Controlling-Wiki
Zeile 99: Zeile 99:


3. Ableitung von Massnahmen (mittel)
3. Ableitung von Massnahmen (mittel)
4. Implementierung (hoch)
4. Implementierung (hoch)
|-
|-

Version vom 5. Dezember 2019, 15:21 Uhr

Process Mining ist eine innovative, auf elektronischen Daten basierende Methode zur Erkennung tatsächlicher Prozesse, deren Konformitätsprüfung und folglich deren Optimierung (Schmiedel & Jessensky, 2015, S. 61). Dabei werden Informationen zur Prozessvisualisierung genutzt, welche von IT-Systemen, wie beispielsweise Enterprise-Resource-Planning-System (ERP) oder Customer-Relationship-Management-System (CRM), bei der Abwicklung von Prozessen hinterlassen werden (Peters & Nauroth, 2019, S. 1 - 3). Das Process Mining hat demnach das Potenzial zur effizienteren und bedarfsgerechteren Planung und Steuerung der Unternehmensressourcen (Burattin, 2015, S. 33).

Ziele und Zweck

Process Mining ist als Weiterentwicklung aus den Ansätzen des Workflow-Managements, des Geschäftsprozessmanagements und des Data Mining entstanden. Es kombiniert die Prozessmodellierung, Prozessanalyse, Data Mining und Business Intelligence in einem (Peters & Nauroth, 2019, S. 3). Business Intelligence (BI) oder Business Analytics befassen sich hingegen mit der Nutzung von Big Data zur Unternehmenssteuerung und Datenanalyse (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 et al., 2019, S. 93; Burratin, 2015, S. 33). Beispielsweise werden ineffektive Kontrollen oder Umgehungen von Prozessschritten aufgedeckt (Accorsi et al., 2012, S. 354). Die gewonnenen Erkenntnisse über prozessuale Ineffizienzen liefern dem Controlling wichtige Informationen, um betriebliche Kostenfaktoren zu erklären (Peters & Nauroth, 2019, S. 2).

Process-Mining-Verfahren

Allgemeines Verfahren

Bei Process Mining werden Daten von IT-Systemen genutzt, um den realen Prozess aufzuzeigen. Der Ablauf des Verfahrens wird in der Abbildung 1 aufgezeigt. Softwaresysteme (beispielsweise ERP oder CRM), welche zur Unterstützung der realen Geschäftsprozesse eingesetzt werden, speichern Ereignisdaten (Nachrichten, Transaktionen und Protokolle) zu den Prozessen ab. Die Prozessdaten werden in einem Ereignisprotokoll extrahiert, kontrolliert und anschliessend mit Hilfe einer Process-Mining-Software zu einem Prozess rekonstruiert, um den realen Prozess (Ist-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)

Die Prozessdaten können, wie in Abbildung 2 ersichtlich ist, separat extrahiert und gesammelt oder aus einem Data Warehouse direkt bezogen werden. Die Datensammlung geschieht idealerweise automatisch mittels Systemverknüpfungen und wird in einem Ereignisprotokoll für die Weiterverarbeitung abgespeichert (Peters & Nauroth, 2019, S. 10).

Abb. 2: Datenquellen und -sammlung (Peters & Nauroth, 2019, S. 10)

Verfahrensarten

Beim Process Mining wird zwischen unterschiedlichen Arten von Verfahren unterschieden. Drei dieser Arten sind in Abbildung 3 bildlich dargestellt. Als Erweiterung wurde mittlerweile eine weitere Art des Verfahrens bei fortgeschrittenen kommerziellen Einsätzen festgestellt. Die Arten werden in der untenstehenden Tabelle beschrieben.

Abb. 3: Drei Typen von Verfahren des Process Mining mit ihren Ein- und Ausgaben: (a) Erkennung, (b) Konformitätsprüfung und (c) Erweiterung (Accorsi et al., 2012, S. 355)
Verfahren
(a) Erkennung (engl. Discovery) Aus den gewonnenen Daten der IT-Systemen, welche zur Prozessunterstützung angewendet werden, wird ein Ereignisprotokoll erstellt. Aus diesem wird anschliessend automatisch mit Hilfe der Process-Mining-Software ein Prozessmodell generiert (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 (Soll-Prozess) verglichen. Aufgrund des Ist/Soll-Vergleichs werden durch die Konformitätsprüfung Unterschiede zwischen dem modellierten und 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 gewonnen 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 Durch die Verwendung von Process Mining in operativen Systemen sowie aus den Erkenntnissen der Ereignisprotokolle können Vorgangsbearbeitungen (wie Bestellprozesse in ERP-Systemen) unterstützt werden. Dabei werden durch die Process-Mining-Software laufend in Echtzeit Daten der Geschäftsprozesse gesammelt (van der Aalst, 2016, S. 33, zit. in 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 sind folgende Voraussetzungen zu erfüllen (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.

Bei Process Mining werden Daten genutzt, welche von Systemen innerhalb der Organisation gesammelt wurden. Dies betrifft zum einen persönliche Daten der Personen, die im Prozess involviert sind sowie auch persönliche Daten der Personen, welche die Aktivitäten im System bearbeiten. Um einen vertraulichen Umgang mit den Daten sicherzustellen, sind nur jene Daten zu extrahieren und in den Ereignislog zu übermitteln, welche für die tatsächliche Prozessermittlung benötigt werden. Vorgängig sind sie zu anonymisieren (Peters & Nauroth, 2019, S. 37 – 39).

Anwendungsbereiche

Prozessmanagement

Ein Anwendungsbereich des Process Mining ist das Managen von Prozessen. Mit Hilfe des durch das Process Mining generierten Prozessmodells kann Benchmarking von Prozessen zwischen Unternehmensbereichen, Werken und organisatorischen Einheiten angewendet werden. Auch lassen sich sogenannte real-time-Geschäftsvorgänge aufgrund der Simulation von Bearbeitungszeiten anhand historischer Prozessdaten unterstützen. Auf diese Weise können beispielsweise Verzögerungen der Auftragsbearbeitung prognostiziert und die Liefertreue verbessert werden. Des Weiteren wird durch das Process Mining agiles Geschäftsprozessmanagement ermöglicht (Peters & Nauroth, 2019, S. 27).

Unternehmensführung

Ebenfalls dient das Process Mining der Unterstützung in der Unternehmensführung und -ausrichtung. Dabei zeigt das Process Mining den Status-Quo der Prozesse auf und hilft die zukünftigen Prozesse zu gestalten. Es kann in verschiedenen Phasen der Unternehmensführung helfen, wie beispielsweise bei der Entwicklung und Veränderung von Geschäftsmodellen oder um einen Einblick in das Kundenverhalten zu erhalten. Somit verbessert sich die Produktivität und Effizienz der Projektteams, die Termintreue des Projekts, Investitionssicherheit, nachhaltige Wettbewerbsfähigkeit, Entwicklungsfähigkeit der Organisation und Zufriedenheit der Mitarbeiter (Peters & Nauroth, 2019, S. 28 – 30). Beispielsweise kann bei einer Bestellaufgabe in einem ERP-System der Anwender auf Grund dieser automatisch gesammelten Daten darauf hingewiesen werden, wie sich diese Bestellung auf die Auftragsterminplanung der Produktion auswirkt. Dadurch können unmittelbar Massnahmen getroffen werden, wenn diese Bestellung zum Beispiel zu einem maschinellen Engpass führt (van der Aalst, 2016, S. 33, zit. in Peters & Nauroth, 2019, S. 6). Somit kann Process Mining auch das Predictive Forecasting unterstützen (van der Aalst, 2016, S. 33, zit. in Peters & Nauroth, 2019, S. 6).

Governance, Risk Management und Compliance

Mit dem Process Mining lässt sich erkennen, ob sogenannte Business-Rules, wie beispielsweise das Vier-Augen-Prinzip oder Autorisierungsgrenzen für Bestellungen, eingehalten werden. Die Business-Rules lassen darauf schliessen, ob die Geschäftsprozesse ordnungsgemäss abgewickelt wurden. Somit dient das Process Mining den Themengebieten Governance, Risikomanagement und Compliance als Unterstützung. Dabei können die Auflagen kostengünstig erfüllt und ein betriebswirtschaftlicher Vorteil generiert werden, da verschiedene Geschäfte das Dokumentieren von Produktions- und Geschäftsprozessen erfordern und nicht nur von Produkteigenschaften (Peters & Nauroth, 2019, S. 27 – 28).

Controlling

Um das Controlling effizienter zu gestalten, helfen digitale Technologien (Digital Controlling), wie beispielsweise das Process Mining, wobei eine enge Zusammenarbeit mit dem Data Scientist gefordert ist.

Das Process Mining ermöglicht es, aufgrund der automatischen Auswertung der Daten, 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. Dies erlaubt das Ergreifen von Massnahmen, um diese Abweichungen zu korrigieren und zu verbessern. Diese Verbesserungen können anschliessend wiederum durch 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 zur Prozessoptimierung verglichen:

Prozessoptimierung mit traditionellen Methoden Prozessoptimierung mit Process Mining
Methode

Prozessaufnahme mittels bereits existierender Prozessbeschreibung, Interviews oder Workshops oder 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 Verbesserungsent-scheidungen

Herausforderungen, Chancen und Risiken

Zwar ist das Process Mining eine junge Disziplin der Wirtschaftsinformatik, dennoch lässt sich folgendes ableiten: Die Ist-Prozesse lassen sich gut erkennbar machen bzw. visualisieren, Engpässe werden schnell und gut erkannt, Prozesseffizienz und Servicegrad können deutlich verbessert werden, Ereignislogs unterschiedlicher Einsatzfälle können erfolgreich bearbeitet werden und dass in vielen Fällen explizit der weitere, zukünftige Einsatz von Process Mining als auch die Ausweitung auf weitere Prozesse angestrebt wird. 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 Unternehmungen bei der Verwendung von Process Mining auch auf Herausforderungen. Um Process Mining auszuführen ist eine gewisse Anzahl von 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, da die Ereignislogs von der Datenqualität abhängen und nicht von der Umsatzgrösse. 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. 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

Quellen

Literaturverzeichnis

Weiterführende Literatur

Autoren

Branka Radonjic, Fisniki Shoshi, Paulina Rogantini, Nadine Rohrer

Abgerufen von „https://wiki.hslu.ch/controlling/index.php?title=Process_Mining&oldid=13194“