Wie Process Mining künftig geht

Process Mining ist mittlerweile in beinahe allen DAX-Unternehmen angekommen und auch viele Mittelständler setzen auf diese Analysemethodik, um mehr Transparenz in ihre Prozesse zu bekommen. Doch die Technik entwickelt sich derzeit rapide weiter. Der Ausbau geht in Richtung Advanced Process Mining mit zusätzlichen Funktionen und neuen Möglichkeiten.

Mit neuen Facetten wie eingebauten ETL-Tools, Predictive Process Analytics und Task Mining wird es nicht gerade leichter, das Potenzial von Process Mining für das eigene Unternehmen richtig einzuschätzen. Beim Start gilt es, auf die Fallstricke zu achten und die Projekte von Anfang an in die richtige Spur zu setzen. Das betrifft vor allem das Data Engineering und Fragen rund um die Datenhoheit liegen.

Process Mining - Technik oder Methode?

Process Mining ist - abgrenzend von klassischer Business Intelligence - eine Darstellung von Daten, die durch Prozessflussdiagramme gekennzeichnet ist. Die so rekonstruierten Prozessdaten werden in einem Process Mining Tool grafisch insbesondere über Prozessflussdiagramme dargestellt, die gefiltert und auf ihre Wegepunkte und Flusszeiten analysiert werden können.

Technisch gesehen, steckt hinter Process Mining im Kern eine Graphenanalyse, wobei Prozessaktivitäten, Knotenpunkte und die Verkettungen über Vorgänge die Kanten der Graphen darstellen, mit Parametern wie der Häufigkeit des Auftretens oder der verstrichenen Zeit zwischen den Aktivitäten. Im weiteren Sinne umfasst Process Mining jedoch darüber hinaus die ganze Analyse der Prozesse, auch auf der KPI-Ebene sowie der Muster-Erkennung, zum Beispiel von Betrugsmustern.

Dabei darf man nicht aus den Augen lassen, dass Process Mining keine spezifischen Prozessmodelle reinmodelliert, sondern diese lediglich aus den operativen IT-Systemen herausarbeitet. Wer beispielweise seinen Kanban-Prozess nicht in der technisch-validierten Prozessdarstellung wiederfindet, der verfügt tatsächlich nicht über die Umsetzung dieses Konzepts der Prozessorganisation.

Ein gängiges Feature vieler Tools ist deswegen der Abgleich der rekonstruierten Ist-Prozesse mit theoretischen Prozessmodellen (Soll-Prozesse). Auch kann Process Mining dazu eingesetzt werden, bestehende Prozesse zu analysieren und deren Worst- und Best-Practise via Analyse aller Prozessvarianten zu identifizieren. Daraus lässt bei Bedarf auch ein neuer Soll-Prozess entwickeln.

Bekannte Anbieter für derartige Tools sind unter anderen Celonis, Signavio, UiPath, PAF, MEHRWERK, Fluxicon und Lana Labs. Die Werkzeuge unterscheiden sich stark voneinander, im Hinblick auf Funktionsumfang, Cloud- und Enterprise-Fähigkeit. Process Mining ist ein Schlagwort, das sich auch etliche BI-Tool-Anbieter auf die Fahnen schreiben. Dabei ist Process Mining eine Analysemethodik, bei der es um die Rekonstruktion von Prozessen aus Log-Daten und anderen Datenspuren in IT-Systemen geht.

Auch wenn die Wortanlehnung offensichtlich ist - Process Mining hat kaum etwas mit Data Mining zu tun. Letzteres bildet eine Methodensammlung für mathematische Algorithmen des unüberwachten maschinellen Lernens, zum Beispiel DBSCAN, K-Means oder PCA. Interessant ist jedoch, dass die mathematischen Data-Mining-Methoden sowie Predictive Analytics inzwischen auch in Process Mining Einzug halten, dazu aber später mehr.

Gegenwärtig lässt sich Process Mining als ein Verfahren beschreiben, das mindestens einen Data Engineer bedingt, der Daten über SQL oder eine Programmiersprache wie Python in ein Protokoll zusammenführt. Es geht dabei vor allem um Data Engineering. Datenreihen werden als Prozessaktivitäten (Events) pro Zeitstempel (Timestamps) über identifizierte Vorgangsnummern (Case-IDs) miteinander verknüpft. Auf Grundlage dieser Vorarbeit können die Prozesse dann analysiert werden.

Zum Video: Wie Process Mining künftig geht

Die Tool-Anbieter für Process Mining lieferten ursprünglich lediglich die Spitze des Eisbergs. Auch wenn sie für bestimmte IT-Systeme und klassische Prozesse, vorwiegend im Bereich des Working Capital Managements für Standard-ERP-Lösungen, längst Schnittstellen und automatisierte Datenaufbereitung anbieten, sind die meisten Process-Mining-Projekte immer noch mit viel Arbeit auf der Rohdaten-Ebene verbunden.

Process Mining fällt unter Business Intelligence

Process Mining und Business Intelligence werden bis dato meist getrennt voneinander besprochen und angewendet. Business Intelligence (BI) behandelt insbesondere die strukturierte Bereitstellung von zumindest tagesaktuellen Reportings beziehungsweise Dashboards, die über die gegenwärtige Unternehmenssituation quantitative Auskunft geben. Business Intelligence funktioniert klassischerweise rückblickend oder kann in nahezu Echtzeit über die gegenwärtige Situation berichten, so wie es auch bei Process Mining der Fall ist. Process Mining bildet eine Teildisziplin der BI, die ihren Fokus nicht auf allgemeine oder finanzorientierte KPIs, sondern auf prozessspezifische KPIs setzt.

Einige Anbieter arbeiten bereits seit längerem daran, Process Mining mit Business Intelligence zu verbinden und beide Disziplinen integriert in einer Lösung anzubieten. Die äußere Erscheinung der Business Intelligence ist dabei gekennzeichnet von Dashboards, die über BI-Tools Informationen mit Tabellen, Balkendiagrammen und Histogrammen darstellen. Sie zeigen Daten in absoluten und relativen Werten sowie ihre Verteilungen.

Dem gegenüber stehen Anbieter von klassischen BI-Tools, wie etwa Qlik, MicroStrategy, Tableau und Microsoft. Teilweise gehen die Process-Mining-Anbieter hier enge Kooperationen ein.

PAF (Process Analytics Factory) setzt beispielsweise mit seinem Produkt "PAFnow" ganz auf den Microsoft-Stack und PowerBI, welches um ein PAFnow-Plugin ergänzt zu einem flexibel zu nutzenden Process Mining Tool wird. Dieser Plugin-Ansatz hat den Vorteil, dass der Anwender das weit verbreitete BI-Tool PowerBI, welches zudem über eine große User-Community und viele Schnittstellen verfügt, direkt auch für Process Mining einsetzen kann.

Mehrwerk geht einen ähnlichen Weg und bietet Process Mining als Erweiterung zu QlikSense an, ebenfalls ein verbreitetes BI-Tool des Software-Unternehmens QlikTech. Laut Mehrwerk legt diese Lösung den Schwerpunkt auf die Synergie von BI und Process Mining sowie auf die einfache Datenaufbereitung sowie Data Governance über Qlik.

Lana Labs setzt für die Integration auf offene Schnittstellen, um die nahtlose Einbindung in individuelle IT-Landschaften zu ermöglichen. Die Software erlaubt es, durch seine Schnittstellen Process-Mining-Ergebnisse in die im Unternehmen bestehenden BI-Dashboards (Qlik, PowerBI, Tableau, etc.) zu integrieren.

Zukünftig werden BI-Systeme auch um prädiktive Analysen ergänzt. Dazu gehören beispielsweise Forecasting-Modelle für Umsätze, Gewährleistungs-Inanspruchnahmen oder Einkaufsbedarfe. Auch Process Mining wird heute bereits um Methoden aus der Data Science ergänzt, um mit Predictive Analytics (Supervised Machine Learning) beispielsweise Durchlauf- beziehungsweise Wartezeiten vorherzusagen und mit Data Mining (Unsupervised Machine Learning) etwa Anomalien in Prozessketten zu erkennen, die für Prozessoptimierung oder auch für Betrugserkennung eine Rolle spielen können. Mittlerweile haben Celonis mit seinen Operational Apps sowie auch UiPath, Lana Labs, Mehrwerk und PAFnow punktuell erste Funktionen des maschinellen Lernens integriert.

Insgesamt ist dies erst der Anfang einer kontinuierlichen Weiterentwicklung. Zudem können auch erfahrene Data Scientists auf Grundlage des Event-Logs manuell ansetzen und eigene Ideen noch individueller verwirklichen.

Aber auch die anderen Tool-Anbieter arbeiten an der Integration von Machine Learning. Zum Beispiel ermöglicht Lana Labs über seine R-/Python-Integration den Nutzern, neben eigenen Machine-Learning-Funktionen, auf vielfältige KI-Algorithmen zuzugreifen und Process Mining um eigene Entwicklungen zu erweitern. Andere Provider ziehen hier nach und die Lösungen auf Basis von PowerBi und QlikSense profitieren ebenfalls von der R-/Python-Integration dieser BI-Software.

The Next Big Thing: Task Mining

Einer der größten Kritikpunkte an Process Mining war häufig, dass die Analyse nicht tief genug in Prozesse blicke und Optimierungspotenziale deswegen nicht richtig gehoben werden könnten. Dabei kann Process Mining beliebig granular werden, solange die Daten dafür existieren oder generiert werden können. Ein neuer Trend ist die Analyse auf Mikro-Ebene: Die Auswertung von einzelnen Klick-Daten schließt die Lücke zwischen Prozessanalyse und -automatisierung.

Noch sind die Anwendungsfälle für Task Mining gerade in Deutschland auch wegen des Datenschutzes recht dünn gesät. Dennoch lassen sich zum Beispiel im Produkt- beziehungsweise Software-Testing Ansatzpunkte finden, denn hier kann jeder Aspekt der Nutzung, jeder einzelne Klick in einer Masse an Eingabedaten durch eine Vielzahl an Nutzern wertvolle Informationen liefern. Die analytische Verwandtschaft mit dem Web-/App-Tracking wie etwa mit Google Analytics ist unverkennbar.

Process Mining und Business Intelligence werden also weiter zusammenwachsen und auch die Gegenseite, nämlich ERP- und andere IT-Systeme versuchen teilweise bereits auf diese Analysemethodik zu setzen und zumindest die Datenbereitstellung für Process Mining zu erleichtern. Ferner wird auch die Robotic Process Automation (RPA) mit Process Mining enger verzahnt werden. Task Mining ermöglicht die Analyse viel granularer Prozessschritte und liefert Automatisierungsvorhaben die nötige Datengrundlage für dynamische RPA-Lösungen, beispielsweise für die Automatisierung von Produkt-/Software-Tests.

Manche Anbieter kommen aus genau dieser Richtung. Sie setzen vor allem auf RPA-Lösungen und erweitern ihr Angebot mit Process Mining als Analyseplattform. So kaufte das RPA-Unternehmen UiPath 2019 das zuvor für Process Mining etablierte Unternehmen ProcessGold und ergänzt sein Angebot der Prozessautomatisierung somit mit einer Prozessanalyse.

Process Mining: Was Sie zum Einstieg brauchen

Process Mining Tools

Für den Einstieg in Process Mining gibt es mittlerweile eine ordentliche Auswahl an Tool-Anbietern, mit unterschiedlichen Stärken und Schwächen. Welches Tool das richtige für ein Unternehmen ist, hängt stark von den erwarteten Anwendungsfällen, der Integration in das Unternehmen und in die bestehende IT- und BI-Infrastruktur sowie von dem Anspruch an die Art der Analyse ab, zum Beispiel von kurzfristigen Projekten bis hin zum Langzeit-Monitoring von Prozessen mit Analyse in nahezu Echtzeit.

Auch strategische Ziele wie etwa die Organisation von Process Mining und Business Intelligence, Data Science, Prozessmanagement und RPA spielen bei der Tool-Auswahl eine entscheidende Rolle. Während einige Unternehmen zentralisieren und bündeln wollen, verteilen andere diese Aufgaben auf ganz unterschiedliche Abteilungen.

In jedem Fall handelt es sich hierbei um eine Analysemethodik, die für die nächsten Jahre immer wichtiger werden wird und in vielen Unternehmen bereits heute eine entscheidende Rolle in der Prozessoptimierung und im -audit spielt.

Die meisten Anbieter von Software für Process Mining versuchen die gängigsten Standardprozesse in den bekannteren ERP- und CRM-Systemen, wie etwa von SAP, Microsoft oder Salesforce, hinsichtlich der Event-Log-Generierung und der Datenbereitstellung als eigenen Standard-Connector zu implementieren. Diese Anbindung soll zum einen den Einstieg in Process Mining erleichtern, möglichst bis zur Plug&Play-Lösung. Zum anderen versuchen diese Anbieter ihre Kunden auch an die Lösung zu binden und die Hürden für einen möglichen Anbieterwechsel möglichst hoch zu setzen.

Tatsächlich erleichtern Standardanbindungen den Einstieg für ein Unternehmen, insbesondere, wenn weitere Vorteile damit verbunden sind. So bringt Celonis mindestens für aktuelle Versionen von SAP und Salesforce bereits Echtzeit-Datenkonnektivität mit. Damit können Daten in Echtzeit, das heißt unter einer Minute, extrahiert und analysiert werden. So sollen sich Reibungsverluste besser erkennen und prozessbegleitende, kontextbezogene Aktionen ebenfalls in Echtzeit für Anwender bereitstellen lassen.

Um eventuelle Einstiegshürden für Anwender zu senken, versuchen einige Tool-Anbieter, die Erstellung von einfachen Event Logs durch eigene ETL-Tools möglich zu machen oder zumindest zu erleichtern. ETL-Lösungen von Celonis, UiPath oder Lana Connect des Anbieters Lana Labs bieten neben einigen Standard-Anbindungen auch ein ETL-Tool speziell für den Process-Mining-Anwendungsfall. Lana verspricht dabei eine einfache Nutzung der Datenaufbereitung, so dass auch weniger technisch erfahrene Nutzer eigene einfache Datentransformationen ohne Programmierkenntnisse durchführen könnten. Das funktioniert meist nur bei einfachen Fällen, doch könnten von Data Engineers vorbereitete komplexere Datentransformationen selbst einfach angepasst oder erweitert werden.

Data Engineers

Data Engineers entwickeln Data Warehouses und stellen Daten über bestimmte Kanäle in gewünschten Formaten bereit. Dies unterscheidet sie von Data Analysten, die Daten statistisch analysieren, und von Data Scientists, die Statistik noch umfassender anwenden und auch Modelle des maschinellen Lernens entwickeln, um Muster in Daten aufzuspüren.

Lesetipp: Big Data Jobs: Wer macht was?

Die Data Engineers spielen gerade zu Beginn der Process-Mining-Einführung die wichtigste Rolle, denn sie identifizieren die relevanten Daten in den Datenbanken - das Daten-Backend der ERP-, CRM- und aller anderen IT-Systeme - und sie fusionieren und transformieren sie zu der zuvor erwähnten protokollartigen Struktur eines Event-Logs, das die Datengrundlage für die Process-Mining-Tools darstellt. Dies erfolgt über Datenfluss-Ketten, die den Fluss von den Quellsystemen über die Fusion und Transformation bis hin in das Process-Mining-Werkzeug automatisieren.

Unternehmen, die den Einstieg in die datengetriebene Prozessanalyse finden möchten, sollten über Data Engineers die Datenbereitstellung direkt selbst in die Hand nehmen. Dieser Weg sichert den Erhalt der Hoheit über die eigenen Daten. Insbesondere Unternehmen, die recht individuelle Prozesse haben oder ein weniger verbreitetes ERP-System verwenden, bleibt ohnehin nichts anderes übrig, als auf Data Engineering zu setzen. Werden bei der Erstellung des Event-Logs einige Aspekte der Datenformate sowie der Bereitstellung dieser Daten beachtet, lässt es sich universell verwenden. Die technische Organisation bleibt somit offen für nahezu jedes Process-Mining-Tool und muss sich nicht abhängig von einzelnen Anbietern machen.

Hinsichtlich der Datenhoheit ist ferner zu berücksichtigen, dass einige Anbieter auf eine Cloud-Strategie setzen und zukünftig keine On-Premises-Lösungen mehr anbieten. So stellt Celonis seine Process-Mining-Technologie in der Celonis-eigenen Intelligent Business Cloud (IBC) bereit.

Lesetipp: Datensicherheit und Vertrauen: Was SaaS-Kunden vom SaaS-Provider erwarten

Die Möglichkeiten zum Einstieg in Process Mining sind vielfältig. Am einfachsten ist sicherlich der Gang zu den jeweiligen Tool-Anbietern, die oft Trainings oder sogenannte Boot-Camp-Events anbieten. Eine neutralere Veranstaltung, die Process Mining als Analyse-Methode jährlich in den Mittelpunkt stellt, ist die ICPM Conference. Die Neutralität einer solchen Veranstaltung bietet die besten Chancen auf einen objektiven Eindruck von der Analysemethodik und den Tool-Anbietern.

Für die Einführung oder den Ausbau von Process Mining im Unternehmen sollte ferner auch das Hinzuziehen von unabhängigen Datenexperten, die bereits Erfahrung mit Process Mining haben und die Mitarbeiter parallel zur Einführung begleiten, in Erwägung gezogen werden. Bestenfalls verfügen diese Experten über Erfahrung mit mehr als nur einem Tool-Anbieter.

Das Know-how ist entscheidend, denn zum einen sind Process-Mining-Projekte immer interdisziplinär zwischen Fach-, Daten- und Tool-Wissen aufgehängt. Zum anderen ist darauf zu achten, später zwischen den Tools möglichst einfach wechseln zu können. Denn wie sich gerade aktuell zeigt, ist der Markt im schnellen Wandel.

Hier gehts zur Studie Process Mining & RPA 2019