Process Mining und Machine Learning

Prozesse erfassen, dokumentieren und analysieren: Manuelle Prozessaudits sind zeitaufwendig und fehleranfällig. Durch Process Mining lassen sich die Prozesse innerhalb eines Unternehmens softwaregestützt analysieren. Dabei spielt künstliche Intelligenz (KI) eine wesentliche Rolle.


Vom manuellen Audit zur Prozessanalyse

Stift und Papier waren lange Zeit das wichtigste Werkzeug bei der systematischen Dokumentation der Prozesse innerhalb eines Unternehmens. Allerdings sieht sich dieser Ansatz mit wachsenden Herausforderungen konfrontiert:

  • Komplexität der Prozesse:

Die hohe Komplexität moderner Geschäftsprozesse macht Entscheidungen, die alle wesentlichen Faktoren berücksichtigen, kompliziert. Entscheider benötigen datenbasierte Entscheidungsmodelle, die über Intuition und Bauchgefühl hinausgehen.

  • Fehleranfälligkeit:

Manuelle Prozessdokumentation ist fehleranfällig. Fehler in den Prozessbeschreibungen führen zu schlechteren Entscheidungen für die Weiterentwicklung dieser Prozesse.

  • Betrachtungsart:

In der digitalen Welt ist Zeit in allen Unternehmensbereichen ein wesentlicher Faktor für nachhaltigen Geschäftserfolg. Manuelle Prozessaudits bilden nur Prozesse ab, die in der Vergangenheit liegen. Für aktuell ablaufende Prozesse stellt ein manuelles Audit keine Hilfe dar.

Vor dem Hintergrund wachsenden Wettbewerbsdrucks in allen Branchen ist ein effektives Prozess Management wichtiger denn je. Aber die Digitalisierung eröffnet auch eine Chance. Das Prozessmanagement auf software-gestützte Füße zu stellen und sich die Möglichkeiten von Machine-Learning-Technologien zunutze zu machen.

Was ist Process Mining?

Beim Process Mining liest eine Software Event-Logs der IT-Systeme aus und interpoliert daraus die dahinterstehenden Prozesse. Das Ergebnis stellt Process Mining übersichtlich in einer Visualisierung der analysierten Prozesse dar. Entscheider nutzen diese Visualisierungen, um zu entscheiden, welche Prozesse optimiert werden müssen.

Für diese Form des Process Mining ist grundsätzlich keine künstliche Intelligenz erforderlich. Eine Process-Mining-Software analysiert Event-Logs auf der Basis von Regeln und gibt den erfassten Ereignissen eine Struktur. Allerdings erweitern KI-Technologien das Spektrum der Anwendungsfälle des Process Mining signifikant.

Was ist Machine Learning?

Machine Learning beschreibt die Fähigkeit von IT-Systemen, sich selbstständig anhand von Daten weiterzuentwickeln – ohne dass ein Code das Verhalten deterministisch vorgibt. Dafür nutzt Machine Learning Algorithmen – mathematische Regelsätze, die auf die Daten angewandt werden. Die Algorithmen sind dabei so aufgebaut, dass mit ihnen Muster innerhalb der Datenmenge erkannt werden kann.

Dafür gibt es verschiedene Methoden. In realen Geschäftsszenarien kommen immer häufiger neuronale Netze zum Einsatz. Künstliche neuronale Netzwerke haben ihr Vorbild im menschlichen Gehirn. Wie das Gehirn besteht ein neuronales Netz aus drei Neuronen:

  • Input-Neuron
  • Output-Neuron
  • Verstecktes Neuron

Input-Neuronen nehmen Informationen auf, Output-Neuronen geben Sie wieder ab. Dazwischen sitzen versteckte Neuronen, die interne Informationsmuster abbilden. Komplexe Netzwerke verfügen zusätzlich über Verbindungen durch Kanten: Die Neuronen empfangen einerseits Informationen und geben sie andererseits an andere Neuronen weiter. Wen dieses Netzwerk mit historischen Prozessdaten gefüttert wird, entwickelt es anhand des erhaltenen Feedbacks Schritt für Schritt ein immer besseres Verständnis der Struktur.

Process Mining und KI: So profitiert das Prozessmanagement von selbstlernenden Systemen

Durch den Siegeszug der KI haben sich in den letzten Jahren vier Anwendungsfelder im Process Mining herausgebildet:

  • Deskriptives Mining
  • Diagnostisches Mining
  • Prognostisches Mining
  • Präskriptives Mining

Geschäft verstehen: Deskriptives Process Mining

Process Mining eine Methode, um Muster innerhalb von Prozessen zu identifizieren und so ein besseres Verständnis von den wesentlichen Geschäftsprozessen zu erhalten. Bereits in dieser Phase spielt Machine Learning wichtig. Der Algorithmus wertet die gesammelten Logdateien aus und lernt dabei

  • Gemeinsamkeiten erkennen und Gruppen bilden
  • Ausreißer erkennen.
  • Problemen identifizieren

Durch diese Vorgänge lernt der Algorithmus den Prozess kennen. Die Gruppierten und Klassifizierten Daten erlauben es wiederum, KPI-kritische Prozesse auf wichtige Erfolgskriterien hin zu befragen. In der produzierenden Industrie kann dies zum Beispiel die Durchlaufzeit im Fertigungssektor betreffen: Wie lange braucht ein Teil, bis es in der gewünschten Qualität verpackungsfertig ist?

Das Wissen um diese Eckdaten ist die Voraussetzung dafür, die nötigen Maßnahmen zur Optimierung einzuleiten.

Ursachen identifizieren: Diagnostisches Prozess Mining

Die systematische Auswertung von Event-Logs im Rahmen des Process-Minings ist grundsätzlich nicht auf Machine Learning angewiesen. Aber erst die Diagnose eröffnet Einsichten in die Gründe und Ursachen für ein Ereignis und schafft damit die Basis für die Behebung des Problems.

  • Ursachen gefundener Probleme identifizieren
  • Probleme klassifizieren
  • Trends erfassen

Diagnostisches Prozess Mining ist dort wichtig, wo Probleme innerhalb eines Prozesses lokalisiert werden sollen. Moderne Lieferketten sind beispielsweise häufig so komplex, dass die Schwachstellen nicht offensichtlich sind. Eine moderne Diagnose-Lösung kann diese Prozesse in Echtzeit überwachen und automatisch die zuständigen Personen im Unternehmen alarmieren.

Vorhersagen treffen: Prädiktives Process Mining

Machine Learning wird besonders dort spannend, wo aus historischen Daten tragfähige Prognosen abgeleitet werden sollen. Die prädiktive Analytik beschäftigt sich mit der datenbasierten Generierung solcher Prognosen:

  • Vorhersage zentraler KPI und Ihrer Entwicklung
  • Vorhersage von Ereignissen

Prädiktives Prozess Mining schafft eine Datenbasis für die strategische Steuerung des Unternehmens. Während die Diagnose bestenfalls in Echtzeit und meistens im Nachhinein Erkenntnisse produziert, lassen sich durch prädiktive Methoden belastbare Prognosen für die Zukunft erstellen. Anhand historischer Daten lassen sich Trends in Umsatzverläufen identifizieren. Dieses Wissen kann wiederum genutzt werden – zum Beispiel, um zu einer bestimmten Zeit eine intensive Marketing-Kampagne durchzuführen.

Die Zukunft des Prozessmanagements: Präskriptives Process Mining

Prozessmanager verfügen durch deskriptives, diagnostisches und prädiktives Process Mining über viele Informationen zur Vergangenheit, Gegenwart und Zukunft der Geschäftsprozesse im Unternehmen. Allerdings stellt sich vor dem Umfang der neuen Daten neuen Herausforderungen:

  • Welche Prozesse sollen als Erstes optimiert werden?
  • Welche Prozesse eignen sich besonders für RPA?
  • Wann?

Präskriptives Process Mining automatisiert die Entscheidungsfindung und übernimmt viele Aufgaben selbstständig. Machine-Learning-gestützte Systeme lernen anhand des Inputs selbstständig. Sie haben dieselben Informationen zur Verfügung wie der Entscheider – aber sie haben mehr Erfahrung als der Entscheider.

  • Benachrichtigungen an Benutzer senden
  • Selbstständig Workflows oder Automatisierungsroutinen starten
  • Mit dem ERP oder CRM interagieren

In vielen geschäftskritischen Prozessen spielt die Zeit eine wesentliche Rolle. In Customer-Support-Prozessen ist Sie maßgeblich für die Kundenzufriedenheit. Je länger eine es dauert, bis der Kunde eine erste Antwort erhält, desto unzufriedener wird er. Mit präskriptivem Process Mining lässt sich nicht nur die Diagnose einer Lieferverzögerung automatisieren, sondern auch die entsprechenden Benachrichtigungen an die Kundenbetreuung. Die Kundenbetreuung wird frühzeitig benachrichtigt und das Problem des Kunden kann adressiert werden, bevor es aktuell wird.

Fazit: Process Mining und KI

Process Mining und KI-Technologien revolutionieren im Zusammenspiel das Prozessmanagement im Unternehmen.

  • Sowohl für klassische Fälle und Fragestellungen aus dem Bereich der Business-Intelligence als auch für die datenbasierte Prognose geschäftskritischer Ereignisse und Kennzahlen ist Machine-Learning-gestützte Process Mining ein hilfreiches Werkzeug.
  • Durch die softwaregestützte und intelligente Auswertung von Prozessen entsteht ein vollständigeres Bild als in einem manuellen Prozessaudit. Diagnostisches Process Mining hilft einerseits dabei, akute Probleme zeitnah zu identifizieren, andererseits systemische Probleme innerhalb eines Prozesses zu lokalisieren.
  • Durch prädiktives Process Mining lassen sich belastbare Modelle für die Vorhersage von Ereignissen oder KPI entwickeln, die eine wesentlich höhere Genauigkeit gegenüber klassischen Modellen der Business Intelligence bieten.
  • Präskriptives Process Mining ist das jüngste Anwendungsfeld ki-gestütztem Process Minings: Sie bietet in der Zukunft das Potenzial, wesentliche Aufgaben des Prozessmanagements zu automatisieren.

In der Zukunft wird die Bedeutung ki-gestütztem Process Minings weiter zunehmen. Unternehmen aller Branchen sollten sich daher heute mit den Möglichkeiten beschäftigen, die das Process Mining für die eigenen Prozesse bietet.

Sprechen Sie mit unserem Experten
Termin Vereinbaren
AI Service

KI Services

Entdecken Sie neue Analysemöglichkeiten durch unseren skalierbaren End-to-End-KI-Service und KI-Anwendungsbereich.

PROMaaS Process Mining as a Service

PROMaaS

Entdecken Sie Process Mining, die schnellste und kosteneffizienteste Methode, um die Prozesstransparenz in allen IT-Systemen zu erhöhen.