Process Mining – automatisierte Prozessanalysen für kontinuierliche Transparenz

Die zunehmende Nutzung von IT-Systemen führt bei Unternehmen vermehrt dazu, dass viele Tätigkeiten und Entscheidungen in die digitale Welt verlagert werden. Diese Entwicklung impliziert, dass Unternehmen, um wettbewerbsfähig zu bleiben, Geschäftsprozesse effizienter gestalten und kostensparender agieren müssen.

Eine zunehmend wichtigere Rolle spielt dabei das Process Mining. Process Mining ist eine analytische Methode zur Erkennung, Überwachung und Optimierung von Prozessen aller Art, in dem Wissen aus Ereignisprotokolldaten (EventLog-Daten) und aus betrachteten Prozessketten extrahiert wird. Diese Daten sind in heutigen Informationssystemen immer verfügbar und werden grundsätzlich zur Verfügung gestellt. Dabei bezeichnen EventLogs eine Ressource zur Sicherung von Informationen über Datenverkehr, Netzwerkverkehr und Netzwerknutzung. Diese oftmals sehr komplexen Daten werden immer als Protokoll IT-basierter Prozesse bezeichnet und gespeichert. Ein Beispiel findet sich in Abbildung 1.

Abbildung 1: Auszug aus einem EventLog-Datensatz der Bearbeitung von Entschädigungsanfragen (Quelle: van der Aalst, W. M. (2016), Process Mining, S. 36).

Entsprechend sind im Unternehmen immer mindestens Informationen über konkrete Vorgänge mit zeitlicher Einordnung und Angabe der Ressource, welche die Aktivität durchführt, vorhanden. Eventlog-Daten ermöglichen über eine Analyse mittels Process Mining ein tieferes Verständnis der konkreten Ausgestaltung eines Prozesses und der im Prozess genutzten Ressourcen wie Kosten (Personal, IT/Maschinen) und Zeit. Grundvoraussetzungen für die Analyse der Prozesse mit Event-Logs sind zum einen, dass jedes Ereignis eindeutig zu einem Fall (case) und zu einer Aktivität (event) mittels ID zuzuordnen ist und zum anderen, dass die Events jeweils eine chronologische Abfolge aufweisen. Diese  Mindestanforderungen sind notwendig, damit kausale Zusammenhänge im erstellten Prozessmodell identifiziert werden können. Dies ist aber in den meisten Fällen durch die IT-Systeme gesichert.

Durch die Analyse der EventLog-Daten im Process Mining entsteht eine Verbindung des prozessorientierten Geschäftsprozessmanagement sowie der Geschäftsprozessmodellierung und dem nicht-prozessorientierten Data Mining.

Process Mining Verfahren

Um Businessprozesse nun im Detail zu analysieren, lässt sich Process Mining in drei Verfahren unterteilen: (1) Discovery, (2) Conformance und (3) Enhancement.

(1)   Discovery (Erkennung oder auch PlayIn)

Ziel des Discovery Verfahrens ist die Erstellung von Ist-Prozessmodellen. Das heißt, es wird auf Basis der EventLog-Daten rekonstruiert, wie der betrachtete Geschäftsprozess im Unternehmen durch die Mitarbeiter tatsächlich ausgeführt wird. Das Ist-Prozessmodell stellt damit die unterschiedlichen Verhaltensweisen im Prozess dar. Viele Algorithmen des Discovery Verfahrens fokussieren auf die Erkennung des Kontrollflusses. Damit ist beabsichtigt, ein Modell mit zulässigen Abläufen von Aktivitäten zu erstellen. Dazu gehören neben den Sequenzen der Aktivitäten auch die Organisationsstruktur der Ressourcen, die verarbeiteten Objekte und die zeitliche Leistung der Durchführung.

Ein Beispiel für einen Ist-Prozess auf Basis der in Abbildung 1 dargestellten EventLog-Daten ist in Abbildung 2 dargestellt.

Discovery-Verfahren ersetzen das manuelle Erstellen von Prozessmodellen und minimieren somit den Aufwand. Zudem sind die automatisch erstellten Prozessmodelle wahrheitsgetreu und spiegeln den realen Prozessablauf wieder (Ist-Prozess), da ihnen tatsächliche Daten in Form von EventLogs zu Grunde liegen. Process-Mining-Verfahren bieten im Gegensatz zu manuellen Methoden eine höhere Geschwindigkeit und Präzision bei der Modellerstellung.

Abbildung 2: Prozessmodell für das Bearbeiten von Entschädigungsanfragen aus unterschiedlichen Perspektiven: Organisatorische Perspektive („Was sind die organisatorischen Rollen und welche Ressourcen führen bestimmte Aktivitäten aus?“); Fallperspektive („Welche Merkmale eines Falles beeinflussen eine bestimmte Entscheidung?“); Zeitliche Perspektive („Wo sind die Engpässe im Prozess?“)“ (Quelle: van der Aalst, W. M. (2016), Process Mining, S. 36).

(2)   Conformance (Übereinstimmung oder auch Play-Out)

Der zweite Typ der Process-Mining-Verfahren ist das sogenannte Conformance-Verfahren. Hierfür wird ein bestehendes Prozessmodell (typischerweise ein Idealprozess oder ein Soll-Prozess) dem Event-Log desselben Prozesses gegenübergestellt und die Übereinstimmung geprüft. Dadurch kann ermittelt werden, inwieweit das erfasste, reale Protokoll mit dem Soll-Prozess konform ist und umgekehrt. Mit Hilfe dessen kann beispielsweise die Einhaltung von Prozessregeln überprüft werden. Prozessschrittabkürzungen und die Umgehung von Entscheidungsinstanzen können damit aufgedeckt werden. Grundsätzlich dient die Konformitätsprüfung der Aufdeckung, Lokalisierung und Erläuterung von Abweichungen sowie der Ermittlung ihres Schweregrades (im Hinblick auf Kosten und Zeit) im Prozessgeschehen. Eine solche Übereinstimmungsuntersuchung lässt sich im aktiven Geschäftsprozessmanagement nutzbar machen. Auch in der Standardisierung der Unternehmen kann eine solche Untersuchung hilfreich sein. Die Konformitätsprüfung kann neben Prozessmodellen auch auf Organisationsmodelle sowie auf Unternehmensregeln angewendet werden.

(3)   Enhancement (Erweiterung oder auch Replay)

Das dritte Process-Mining-Verfahren ist das sogenannte Enhancement-Verfahren eines bestehenden Prozessmodells. Es lässt sich vor allem innerhalb des aktiven Geschäftsprozessmanagement, im Speziellen in der Analyse- und Optimierungsphase, nutzen. Dieses Verfahren zielt darauf ab, ein optimiertes Prozessmodell zu erzeugen, indem ein fertiges Prozessmodell anhand eines Event-Logs gezielt verändert, korrigiert oder erweitert wird. Dies gelingt zum Beispiel über zusätzliche Informationen über die Zeit/Dauer einer Aktivität (event), welche in dem Prozessmodell sichtbar gemacht werden. Engpässe (bottlenecks) im Prozessablauf können auf diese Weise schnell erkannt werden. Es können allerdings nicht nur historische Daten bei dieser Methodik genutzt werden. Auch eine operationale Unterstützung ist mithilfe von „Replay“ möglich. Aktive Vorgänge oder Ereignisse können somit verfolgt werden und Abweichungen werden sofort sichtbar.

Der Output bietet dem Management hochwertige und relevante Informationen bei Entscheidungsfindungen. Das Enhancement findet oft im Rahmen der Performanz-Analyse Einsatz. Um die Aktivitäten eines Prozessmodells durchzuführen, werden Key Performance Indicators (KPIs) bestimmt. Dabei werden beispielsweise kürzeste, durchschnittliche und längste Durchführungszeiten definiert, um Liegezeiten und Engpässe in Prozessen zu identifizieren und diese Stellen (z. B. Bottlenecks) gezielt zu verbessern. Im praktischen Einsatz würde sich aber auch zum Beispiel die Nutzung als Alarmsystem anbieten, um sofort aufmerksam zu werden bei Fällen, die aus dem Raster des Soll-Prozesses fallen (z. B. bei komplexen Ausschreibeprozessen oder Prozesse, die einer Compliance Policy unterliegen). Das Enhancement-Verfahren kann jedoch auch zur Standardisierung der Prozesse innerhalb des Unternehmens verwendet werden.

Abbildung 3 zeigt nochmal die wesentlichen Kernpunkte aller drei Verfahren.

Abbildung 3: Die drei Typen des Process Mining hinsichtlich des Inputs und Outputs: (a) Discovery (Play-In), (b) Conformance (Play-Out) und (c) Enhancement (Replay) (Quelle: van der Aalst, W. M. (2016), Process Mining, S. 42).

Zusammenfassung

Process Mining bietet Verfahren, um automatisiert Prozessanalysen mit Hilfe von Ereignisdaten zu ermöglichen, mit dem Ziel, den tatsächlichen Ablauf kritischer Prozesse aufzudecken, sie auf ihre Stimmigkeit zu überprüfen und die Abläufe zu optimieren. Dies gelingt durch die Identifikation von Engpässen und Schwachstellen unter Einbeziehung von Rollen bzw. Ressourcen sowie Bearbeitungszeiten. Somit sorgt Process Mining für kontinuierliche Transparenz über umfangreiche Prozessverläufe. Process Mining findet auch in der wissenschaftlichen Forschung Anwendung. Insbesondere die Arbeiten von Wil van der Aalst von der RWTH Aachen (zuvor in der TU Eindhoven) sind erwähnenswert (van der Aalst, 2016). Auf ihn gehen die ersten Implementierungen für Process Mining Software zurück (ProM: http://www.promtools.org), während im industriellen Bereich Unternehmen wie Celonis (https://www.celonis.com) und Fluxicon (https://www.fluxicon.com) mittlerweile sehr gute und weiterführende Process-Mining-Softwaretools anbieten.

Quellen

Peters, R., & Nauroth, M. (2019). Process-Mining Geschäftsprozesse: smart, schnell und einfach. Wiesbaden: Springer Fachmedien Wiesbaden Gmbh. doi:https://doi.org/10.1007/978-3-658-24170-4

van der Aalst, W. M. (2016). Process Mining Data Science in Action (Bd. 2). Berlin Heidelberg: Springer-Verlag. doi:10.1007/978-3-662-49851-4

van der Aalst, W., Reijers, H., Weijters, A., van Dongen, B., Alves de Medeiros, A., Song, M., & Verbeek, H. (2007). Business process mining: An industrial application. Information Systems, 32(5), S. 713–732. doi:https://doi.org/10.1016/j.is.2006.05.003

Prof. Dr. Gernot Heisenberg

Professur für Information Research and Data Analytics. Studium der theoretischen Physik an der RWTH Aachen und Promotion in Informatik. Langjährige Teamleitertätigkeit am Fraunhofer Competence Center for Virtual Environments. Gründung, Aufbau und erfolgreicher Verkauf seiner Firma für numerische Simulationssoftware. 2013 Vertretungsprofessor in Sankt Augustin, 2014 bis 2016 ordentliche Professur in Wiesbaden und seit 2016 ordentliche Professur an der Technischen Hochschule Köln. Seine Forschungs- und Lehrschwerpunkte umfassen Advanced Data Analytics sowie Advertising Research.

Weitere Informationen und alle Beiträge

Prof. Dr. Heisenberg bietet Consulting rund um die Themen Advanced Data Analytics und Advertising Research an: www.gernotheisenberg.de
Prof. Dr. Gernot Heisenberg

Wissen, Fachartikel