Process Mining bietet einen Blumenstrauß an Konzepten und Methoden, um aus den im Unternehmen vorhandenen Daten, die durch Big Data noch umfangreicher werden, die real ablaufenden Prozesse zu gewinnen und Verbesserungen abzuleiten. Die Methodik setzt voraus, dass Unternehmen erkennen, dass ihre Geschäftsprozesse Optimierungspotential aufweisen und sich damit auseinandersetzt, operative Geschäftsprozesse weiterhin zu verbessern.

Process Mining staffelt sich in drei Ausführungsschritte bzw. Entwicklungsstufen:

Drei Entwicklungsstufen des Process Mining

Entwicklungsstufen des Process Mining

Im ersten Schritt (ERMITTLUNG) werden die IST-Prozesse auf Basis von digitalen Spuren, zwecks besserer Entscheidungsfindung, visualisiert. Entgegen der Erwartungshaltung, weichen diese Prozesse meist von den SOLL-Modellen ab.

In einer weiteren Ausbaustufe bzw. dem nächsten Process Mining-Reifegrad (VERGLEICHEN) werden diese IST-Prozesse mit den SOLL- oder IDEAL-Prozessen abgeglichen. So werden Deltas gewonnen, die auf mögliche Hebel zur Verbesserung des Prozesses hinweisen. Sei es, dass der geplante Prozess nachgebessert werden muss oder vielleicht ein operatives System falsch konfiguriert ist.

Die dritte Stufe (ANPASSEN) des Process Mining wird erreicht, wenn das SOLL-Modell halbautomatisch oder automatisch auf Basis der Erkenntnisse aus dem vorherigen Schritt angepasst wird.

Zielsetzung von Process Mining

Der Fokus bei Process Mining liegt in der Verringerung der Prozess-Durchlaufzeiten. Die Extraktion von IST-Prozessen erlaubt die Erkennung von Bottlenecks, die Identifikation von überflüssigen Prozessschritten sowie das Aufdecken von Ping-Pong-Sequenzen.

So lassen sich Zwei-Personen-Abteilungen, die bei allen Bestellungen in irgendeiner Art und Weise involviert waren, entlasten. Engpässe werden, aufgrund von sehr hoher Durchführungsdauer erkannt und können durch gezielte Maßnahmen behoben werden.

In diesem Zusammenhang können auch, zwar gut gemeinte, aber zu häufig wiederkehrende Prüf- und Kontrollschritte vermieden werden.

Welche Ziele sind beim Process Mining gesetzt?

Zielsetzung des Process Mining

Nutzen von Process Mining

Der Nutzen für den Anwender und das Unternehmen liegt im Gewinn der vollkommenen Prozess-Transparenz. Hierbei sind nicht nur die Visualisierung der Prozessschritte, sondern auch die KPIs pro Schritt mit einzubeziehen.

Diese Transparenz erlaubt das Erkennen der genannten Bottlenecks bzw. die Aufklärung suboptimaler Prozessschritte. Wird der Wissensgewinn bereits in der ersten Phase (Model Design) genutzt, lässt sich der größtmögliche Erfolg erzielen und die Prozessqualität steigern.

Die rekonstruierten IST-Prozesse stellen weiterhin eine wichtige Basis für die Corporate Governance dar. Das rekonstruierte Modell ist eine automatisch fortgeschriebene Dokumentation des operativen Geschäfts und kann beispielsweise in der Revision hinzugezogen werden.

 

Die Visualisierung der einzelnen Prozessschritte beim Process Mining

Die Visualisierung der Prozesschritte

Aus der Unternehmenspraxis

Als Teil der intelligent BPM Platform Scheer BPaaS lässt sich Scheer Process Mining out-of-the-box für alle in Scheer BPaaS modellierten Prozesse nutzen. Damit werden die SOLL- und IST-Prozesse auf einer Plattform zusammengeführt. Durch die nahtlose Integration in das Scheer BPaaS Cockpit steht Process Mining allen Anwendern direkt zur Verfügung.

Bezugnehmend auf die verschiedenen Reifegrade des Process Mining, werden zwei der drei Phasen mit der iBPM Platform von Scheer abgedeckt. Der dritte und anspruchsvollste Schritt, die automatische Anpassung des Prozessmodells, muss mit künstlicher Intelligenz umgesetzt werden. Hier wird vor Allem RPA-Technologie mit einbezogen.

Einerseits erzeugt die Verwendung von RPA weitere Ereignis-Daten zu Prozessen, die womöglich bislang gar nicht digital erfasst wurden und vergrößert so den Datenschatz für Process Mining. In diesem Szenario unterstützt RPA die Phase 1 von Process Mining, das Ermitteln von Prozessdaten.

Andererseits instruieren die Ergebnisse des Process Mining die RPA-Bots. Dies ist vor allem bei der Unterstützung des Ablaufs einzelner Instanzen interessant. Hier kann RPA zur Steuerung beteiligter Systeme eingesetzt werden, um für einzelne „Ausreißer-Abläufe“ bessere Bedingungen zu schaffen. Auch die Anpassung des SOLL-Modells wäre mit RPA denkbar.

Was passiert, wenn RPA auf Process Mining trifft?

RPA meets Process Mining

 

Im Interview beschreibt Jens Weintraut, worauf es für Unternehmen bei Process Mining ankommt


Artikel als PDF downloaden› Artikel als PDF downloaden

Autor
Jens Weintraut

Jens Weintraut ist Senior Software Engineer bei Scheer. Er hat Praktische Informatik an der HTW Saarbrücken (Master-Studiengang) studiert und mehrjährige Erfahrung als Berater in der Prozessanalyse. Herr Weintraut ist technisch und fachlich verantwortlich für die Themen Process Analytics und Process Mining.

Kontakt
Jens.Weintraut@scheer-group.com
www.scheer-group.com/

 


nach oben