7 entscheidende Schritte für erfolgreiches Process Mining

Mein erstes Process-Mining-Projekt habe ich 2013 im Bankensektor realisiert. Damals waren die Tools noch rudimentär. Alles musste vor Ort geschehen, es gab keine Cloud und es war viel Aufklärungsarbeit nötig, um Unternehmen von der Idee einer datengetriebenen Prozessanalyse zu überzeugen.

Process Mining: die wichtigsten Schritte im Überblick 

Seitdem hat sich viel getan: Unsere Community ist gewachsen, die Systeme haben sich weiterentwickelt, neue Funktionen sind hinzugekommen und Process Mining hat sich als Methode etabliert. Dabei haben sich für mich sieben entscheidende Schritte herauskristallisiert, die ein erfolgreiches Projekt auszeichnen.

1. Datenkonnektoren einsetzen. In vielen Unternehmen beginnen Process-Mining-Projekte immer noch traditionell mit einer CSV- oder Excel-Tabelle. Diese manuelle Form der Datenbereitstellung ist nicht nur überaus zeitintensiv, der erforderliche Aufwand steigt auch kontinuierlich über den Projektverlauf. Automatisieren Unternehmen ihre Datenintegration mit Datenkonnektoren, also über vorgefertigte Schnittstellen, mit denen auf vorhandene Datenquellen zugegriffen werden kann, lassen sich Daten zügiger und einfacher aufnehmen. Daher gilt: Je früher wir im Projekt Konnektoren einsetzen, umso besser. Die Konnektoren sind für viele Datenbanken und Standardsysteme, wie SAP, Salesforce und ServiceNow verfügbar. Für andere Systeme ist es möglich, eigene Konnektoren zu konfigurieren oder zu implementieren. 
2. Integration in das operative Tagesgeschäft. Die Geschichte des Process Mining begann mit der datengetriebenen Analyse von Geschäftsprozessen, um Optimierungspotenziale genauer zu identifizieren und anschließend umzusetzen. Die heute zur Verfügung stehenden Werkzeuge ermöglichen jedoch mehr als nur eine schrittweise Prozessverbesserung. Viel besser ist es, Process Mining ins Tagesgeschäft zu integrieren. Zwei Beispiele: Schadensexpertinnen bei Versicherungen erhalten durch Process Mining eine hohe Transparenz der Abläufe. In der Bearbeitung stockende Schadensfälle können sofort erkannt, die konkreten Ursachen ermittelt und eine sofortige Reaktion ausgelöst werden. Das gleiche gilt für den Einkauf: Verantwortliche erhalten Echtzeit-Überblick über die Waren in der Supply Chain und können sofort reagieren, wenn sich Lieferungen verzögern. 
3. Process Mining als Plattform-Modell nutzen. Es ist wahrscheinlich, dass Unternehmen, die bereits Process-Mining-Projekte erfolgreich umgesetzt haben, auch weitere Initiativen starten – beispielsweise mit zusätzlichen Teams für weitere Prozesse. Hierfür können sie bereits bestehende Implementierungen nutzen. Deshalb empfehlen wir, Process Mining als Plattform-Modell mit entsprechender Governance zu realisieren. Bewährt hat sich der Aufbau eines Center of Excellence (CoE). Hier legen Unternehmen Rollen und Verantwortlichkeiten fest. Zudem werden Vorlagen und Best Practices definiert und gemeinsam genutzt. Darüber hinaus empfiehlt es sich, die Process-Mining-Plattform in die IT-Landschaft zu integrieren, um die Anforderungen an die Autorisierung und Authentifizierung sowie die Datenintegration zu erfüllen. Der Plattform-Ansatz senkt zudem die Einstiegshürden und ermöglicht die Ausweitung auf weitere Unternehmensbereiche. 
4. Abläufe automatisieren. Software-Bots, die repetitive manuelle Aufgaben automatisieren, auch bekannt als Robotic Process Automation (RPA), sind längst Standard. Moderner sind jedoch automatisierte Abläufe, die durch Daten angestoßen werden. Das funktioniert beispielsweise folgendermaßen: Eine bestimmte Gruppe von Personen wird per E-Mail oder über Microsoft Teams informiert, sobald ein KPI einen bestimmten Schwellenwert erreicht hat. Oder es werden regelmäßige Reports an eine größere Gruppe von Personen versandt. Dafür bieten Anbieter wie Celonis, als einer der bekanntesten Anbieter entsprechender Tools, sogenannte Action Flows an, um genau das mit vielen bereits vorhandenen Systemkonnektoren zu realisieren. 
5. Mit KI und Machine Learning Daten „tunen“. Klar, jeder spricht von Machine Learning und KI. Allerdings lassen sich auch Python-Skripte in Datatransformation-Pipelines einsetzen. Damit können Anwender beispielsweise Umsatzprognosen berechnen, Betrug erkennen oder die Stimmungslage ihrer Kundschaft analysieren. Auch hier haben Lösungsanbieter etwas passendes auf Process-Mining-Plattformen im Angebot: Machine Learning Workbenches, mit denen sich die Prozesse in Python einfach darstellen lassen. 
6. Knowledge-Modelle einsetzen. Process-Mining-Initiativen sind keine starren Projekte, die einmal implementiert und dann weiter in dieser Form genutzt werden können. Denn Geschäftsabläufe verändern sich im Laufe der Zeit. Entsprechend ändern sich auch die Kennzahlen (KPIs) zur Bestimmung des Projekterfolgs. KPI-Berechnungen jedes Mal neu in einem oder mehreren Dashboards zu implementieren, ist fehleranfällig und kompliziert, insbesondere wenn sich Definitionen ändern. Die Lösung sind Knowledge-Modelle als zentrale Instanzen für die Definition und Berechnung von KPIs. 
7. Einen digitalen Zwilling anfertigen. Wenn ein Unternehmen die Process-Mining-Analysen mehrerer Prozesse abgeschlossen hat, wird es feststellen, dass alle Prozesse miteinander verknüpft sind. So führt eine Kundenbestellung zu einem Versandauftrag oder einer Anfrage im Einkauf, die dann die Produktion und nachfolgend einen Versandauftrag auslöst. Um diese Beziehungen und Abhängigkeiten zu analysieren, bieten Anbieter wie beispielsweise Celonis einen neuen Ansatz: Object-Centric Process Mining, kurz OCPM. Dabei werden in erster Linie die einzelnen Elemente (Kunden- und Versandaufträge, Rechnungen, Lieferdokumente etc.) und ihre Beziehungen untereinander betrachtet. So lässt sich besser verstehen, was auf unternehmensweiter Ebene geschieht. Es wird also eine Art „digitaler Zwilling“ genutzt, der einer Organisation ähnelt und mit Daten unterlegt ist. 

Fazit: So werden Prozesse erfolgreich optimiert 

Process Mining ist inzwischen eine etablierte Methode. Dennoch wird ihr Potenzial oft nicht voll ausgeschöpft. Wenn aber an entsprechende Projekte strategisch herangegangen wird, sind sie zielführend. Und werden die genannten sieben Schritte berücksichtigt, so bietet Process Mining einen echten Mehrwert für die Prozessoptimierung von Unternehmen.