Kaum ein Mediziner, Forscher oder Patient kann oder möchte heute noch auf die Computertomographie verzichten. Sie schafft Transparenz und ist unerlässlich für Diagnose und Strategieentwicklung vor der Behandlung der Patienten.
Übertragen auf die Herausforderungen in der digitalen Transformation wird dazu analog die gleiche Transparenz benötigt, wie in Forschung und Medizin. Daten-getriebene Geschäftsprozesse mit künstlicher Intelligenz (AI) und Robotic Process Automation (RPA) können nur dann erfolgreich entwickelt werden, wenn die wirklichen Abläufe der Geschäftsprozesse im Detail nachvollziehbar sind.
Intelligente Prozesse erfordern automatisierte Prozessanalyse
Nicht ohne Grund listet Gartner in seinem Technology Trend 2019 Process Mining als Teil der Augmented Analytics auf, denn die Daten-basierte Business-Optimierung bietet ein hohes Automatisierungspotenzial. War Process Mining bisher vor allem auf den Bereich BPM (Geschäftsprozessoptimierung) beschränkt, kann es durch die Integration in Enterprise Applications, Performance Management und Business Analytics direkt zur Kostenreduktion, zu verbessertem Kundenservice und Risikoreduzierung beitragen.
Process Mining vereinfacht S/4HANA Migration
Ein sehr interessanter Anwendungsfall für Process Mining ist die Umstellung auf ein neues ERP. Müssen Unternehmen ihr klassisches ERP System migrieren, wie z.B. im Falle von S/4 HANA bis 2025, stellt sich meist die Frage, was in das neue System übernommen werden soll. Welche alten Prozesse lassen sich stilllegen, welche ändern, wie kann das System schlanker werden? Gerade für diese Fragestellung liefert Process Mining wertvolle Hinweise, verkürzt die Diskussionen und hilft, die Einführungskosten und Projektrisiken entscheidend zu vermindern.
Fehlende Transparenz lässt Projekte scheitern
Will oder muss ein Unternehmen also effizienter werden, kann es keine sinnvollen Entscheidungen treffen, ohne verlässliche Diagnose. Wie sind die Prozesse wirklich, an welchen Stellen lohnt es sich, Prozesse zu optimieren? Die wenigsten Mitarbeiter in den Fachbereichen oder in der IT kennen den Verlauf der tatsächlichen Geschäftsprozesse, die Abweichungen von den Soll-Prozessen, die Flaschenhälse, die Kostentreiber oder Prozessrisiken. Hinzu kommen individuelle Meinungsverschiedenheiten der Beteiligten, das Risiko eines „politischen“ Scheiterns schon am Anfang eines Projekts ist also sehr hoch. Eine klassische Analyse der Geschäftsprozesse durch Interviews und Visualisierung bindet wertvolle Ressourcen, dauert zu lange, ist teuer und fehlerbehaftet. Bis eine klassische Prozessanalyse fertig gestellt ist, ist sie auch schon wieder veraltet, und aus Kosten- und Ressourcengründen kurzfristig nicht wiederholbar. Allein die schier unüberblickbare Vielfalt von Vorgängen selbst in mittelständischen Unternehmen erfordert also intelligentere Werkzeuge.
Was macht Process Mining so effizient?
Moderne Process-Mining-Lösungen sind in wenigen Tagen installiert und bieten den großen Vorteil, dass sie jeden Prozess auf eine agnostische Weise analysieren. Möglich wird dies Dank des digitalen Fußabdrucks, den jede Aktion in einem IT-System hinterlässt. Mit Hilfe der verschiedenen Muster und auf Grundlage der historischen Daten erfolgt eine Analyse, aus der dann eine leicht verständliche und hoch visuelle Prozesslandkarte für alle weiteren Untersuchungen automatisiert erstellt wird. Dies ist einfach und ohne zusätzlich Kosten wiederholbar, der „Way of working“ wird transparent, praktisch in Echtzeit. Damit sind Business Analysten aus den Fachbereichen erstmals in der Lage, selbständig und ohne Data Scientist tief in die operativen Abläufe hineinzusehen. 
Fig.1: Process Mining
The smarter way: Analytics kombiniert Performance KPIs mit Process Mining
Angenommen Prozesse wurden geändert, optimiert aus Sicht des Projektleiters, dann ist dieser Task damit für ihn erledigt. Doch bringt ein optimierter Prozess tatsächlich Verbesserungen für das Unternehmen oder die Kunden? Wie könnte das kontrolliert werden? Die entscheidenden Fragen lassen sich mit Analytics und KPIs beantworten: Verdient ein Unternehmen nach einem Change mehr, sind die Kosten gesunken oder nur woanders hin verlagert worden? Sind wir compliant, sind die Risiken minimiert? Setzt man ein Process-Mining-Tool richtig ein, kann man den „Way of working“ analysieren, tiefe Drill-downs in die Abläufe machen, und Optimierungsprojekte vorantreiben. Misst man mit klassischen Analytics-Verfahren aus Sicht des Controllings oder der operativen Fachbereiche die wichtigsten Kennzahlen entlang des zu optimierenden Prozesses, lässt sich nach einem Change der Erfolg umgehend messen. Das gilt für einzelne diskrete Prozesse, geht aber genauso über komplexe Prozessketten hinweg. Einmal implementiert, kann ein Performance Monitoring zusammen mit Process Mining die Fitness der Operations eines Unternehmens in Echtzeit darstellen:
- Process Mining deckt die Engpässe und Abweichungen in den operativen Prozessen auf und liefert die Informationen, um per Changes die Operations zu ändern.
- Analytics überwacht die Performance von Operations und schafft Transparenz über Kosten und Service Level, also auch den Erfolg der Prozessänderung.
- BPM kann erforderliche Changes erstmals gezielt priorisieren, die Auswirkungen der Changes messen und bewerten. Und das zum großen Teil automatisiert.
Fig.2: Analytics kombiniert Performance KPIs mit Process Mining
Erfolgskriterien für Process-Mining-Projekte
- Fokussieren auf messbaren Nutzen
- Nachweis des Nutzens durch PoC und Analytics
- Hypothesen-getriebener Ansatz, kurze Zyklen
- Start small, think big
- Kluges Erwartungsmanagement
- Dauer PoC: ca. 2 bis 3 Monate
Fig.3: Camelot Data & Analytics – Die DNA für Ihre Value Chain Prozesse!
Als der anerkannten Value Chain Expert bietet die CAMELOT Consulting Group ihren Kunden Unterstützung von der Bewertung, Auswahl und Einführung von Process-Mining-Lösungen sowie Trainings und Coachings an. Für Details und weitere Informationen nehmen Sie bitte Kontakt auf.
Wir bedanken uns bei Manfred F. Steinhard und Torben Hügens für ihre Mitbarbeit an diesem Artikel.
