Die klassischen Verfahren im Process Mining stoßen in der Realität schnell an ihre Grenzen. Daher werden im Process Mining zunehmend Anwendungen aus dem Bereich der künstlichen Intelligenz (KI) eingesetzt, um die Potenziale der Process-Mining-Anwendung zu erweitern. In diesem Zusammenhang wird von intelligentem Process Mining gesprochen. In diesem Beitrag werden die Einsatzmöglichkeiten sowie die Erfolgspotenziale von auf künstlicher Intelligenz basierten Anwendungen im Process Mining dargestellt und analysiert.
Betriebliche Prozesse werden heute unter starkem Einsatz von Informationssystemen, wie beispielsweise ERP-Systeme (Enterprise Ressource Planning) und CRM-Systeme (Customer-Relationship-Management), abgewickelt. Bei der Verarbeitung der betrieblichen Prozessabläufe erstellen die Informationssysteme ständig Ereignisprotokolle, in denen die Prozessausführung festgehalten wird [1]. Auf Grundlage dieser Protokolldaten können die zugrunde liegenden betrieblichen Prozesse mithilfe von Process Mining automatisch und dynamisch abgebildet werden [2]. Die Abbildung der Prozesse beantwortet dabei nicht nur was passiert und wann es passiert, sondern auch warum es passiert. Grundsätzlich kann das Process Mining in allen Organisationsbereichen eingesetzt werden, in denen Prozesse beteiligt sind. Typische Anwendungsbereiche betreffen Compliance, Automatisierung, digitale Transformation, ERP- und IT-Development sowie KPI-Reporting (Key Performance Indicators) [3]. Durch die Abbildung der Geschäftsprozesse ist es möglich, diejenigen Prozesse zu identifizieren, die vereinfacht und automatisiert werden können, um auf diese Weise Effektivität und Effizienz zu steigern sowie Wettbewerbsvorteile und Kostenersparnisse zu realisieren [4].
Anzeige
In den letzten Jahrzehnten sind die Datenmengen auf den betrieblichen Datenbanken kontinuierlich gewachsen. Diese riesigen Datenmengen erfordern leistungsstarke Analyseverfahren, um die in den Daten enthaltenen Informationen nutzbar zu machen. Daher werden ständig neue Methoden und Anwendungen entwickelt, die vor allem mithilfe von KI die in den Daten enthaltenen Informationen extrahieren und somit eine kontinuierliche Weiterentwicklung und Verbesserung nicht nur im betrieblichen Kontext, sondern in allen Wissens- und Lebensbereichen ermöglichen [5].
Künstliche Intelligenz ist gewöhnlich kein integraler Bestandteil von Process-Mining-Software. Jedoch werden KI-Anwendungen bereits seit über einem Jahrzehnt von führenden Anbietern wie Celonis, IBM, Lana und QPR in ihre Process-Mining-Lösungen integriert, um einzelne Teilbereiche und Arbeitsschritte des Process Mining zu unterstützen und bessere Ergebnisse zu erzielen [6]. Vor diesem Hintergrund besteht die Zielstellung des vorliegenden Papers in der Aufdeckung von Anwendungsbereichen und Erfolgspotenzialen von KI im Rahmen von Process Mining.
Das Paper ist wie folgt aufgebaut. Zunächst erfolgt im zweiten Kapitel eine kurze Einführung in die Process-Mining-Grundlagen, um anschließend im dritten Kapitel die Anwendungsmöglichkeiten und Erfolgspotenziale von KI im Process Mining zu erarbeiten. Die Arbeit schließt mit einem Fazit im vierten Kapitel.
Grundlagen im Process Mining
Die Forschung stellt einen umfassenden Werkzeugkasten von Techniken und Verfahren bereit, die im Process-Mining-Kontext eingesetzt werden können. Die Verfahren können drei grundlegenden Teilbereichen zugeordnet werden: Prozesserkennung (Discovery), Konformitätsprüfung (Conformance) und Prozessverbesserung (Enhancement) [7]. Die drei Bereiche werden im Folgenden näher betrachtet, um eine Übersicht der Arbeitsweise und der Erfolgsmöglichkeiten des Process Mining zu erlangen (Abb. 1).
Abb. 1
Bereiche im Process Mining
×
Anzeige
Prozesserkennung
Der erste Bereich im Process Mining umfasst die Prozesserkennung. Das Ziel der Prozesserkennung besteht in der Erzeugung eines Prozessmodells, welches den zugrunde liegenden Prozess repräsentiert. Das Prozessmodell wird aus dem Ereignislog des Informationssystems abgeleitet und es werden keine zusätzlichen A‑priori Informationen in das Prozessmodell aufgenommen. Dadurch wird ein objektiver Einblick in die Prozessstruktur ermöglicht [8]. Der Vorgang im Rahmen der Prozesserkennung ist in Abb. 2 illustriert. Wie der Abbildung entnommen werden kann, wird als Eingabe für die Verfahren lediglich das Ereignislog benötigt. Die Ausgabe ist dann das tatsächliche Prozessmodell.
Abb. 2
Prozesserkennung
×
Die Verfahren der Prozesserkennung bieten zwei große Vorteile. Zum einen wird das Modell mithilfe des Computers erstellt und erfordert keinerlei manuelle Arbeit durch den Anwender. Zum anderen wird das Prozessmodell wirklichkeitsgetreu abgebildet und repräsentiert ausschließlich den realen Prozessablauf, da bei der Modellierung keinerlei Annahmen zugrunde gelegt werden [1].
Konformitätsprüfung
Der zweite Bereich umfasst die Verfahren der Konformitätsprüfung. Mithilfe dieser Verfahren wird ein Prozessmodell mit dem Ereignislog abgeglichen, um Abweichungen des Soll- vom Ist-Zustand zu ermöglichen. Diese Verfahren finden Anwendung, wenn überprüft werden soll, ob der tatsächliche Prozessablauf entsprechend dem Prozessmodell erfolgt. Auf diese Weise können Abweichungen nicht nur erkannt und lokalisiert, sondern auch erklärt und quantifiziert werden [8].
Das Prinzip der Konformitätsprüfung ist in Abb. 3 illustriert. Als Eingabe für die Verfahren dieser Gruppe dienen das Modell sowie das Ereignislog. Das Modell hat deskriptiven Charakter und beschreibt, was im Prozessablauf passieren soll. Das Ereignislog dagegen hat normativen Charakter und beschreibt, was tatsächlich passiert. Die Ausgabe der Konformitätsprüfung sind Diskrepanzen zwischen dem gewünschten und dem tatsächlichen Prozessablauf in Form einer Diagnose [1].
Abb. 3
Konformitätsprüfung
×
Prozessverbesserung
Der dritte Bereich der Verfahren des Process Mining betrifft die Prozessverbesserung. Ziel dieser Verfahren besteht in der Erweiterung oder Verbesserung eines bestehenden Prozessmodells. Die Verbesserung oder Erweiterung wird mithilfe der Informationen über den tatsächlichen Ablauf der Prozesse erwirkt. Auf diese Weise kommt es zu einer Veränderung des a priori definierten Modells, um so zu einem optimierten Modell zu gelangen [8].
Das Prinzip der Prozessverbesserung ist in Abb. 4 veranschaulicht. Als Eingangsgrößen dienen wieder ein normatives Modell sowie das Ereignislog. Die Ausgabe ist ein neues und optimiertes bzw. aussagekräftigeres Modell des zugrunde liegenden Prozessablaufs. Das neue Modell liefert dem Unternehmen wertvolle Informationen, wodurch die Effizienz des Unternehmens gesteigert werden kann [1].
Abb. 4
Prozessverbesserung
×
Anwendungsbereiche von KI im Process Mining
Wie die Ausführungen des letzten Kapitels zeigen, erfordert der klassische Ansatz im Process Mining eine aufwendige Untersuchung der Prozessdaten durch den Anwender. Die Erweiterung klassischer Process-Mining-Software um Anwendungen aus dem Bereich der KI ermöglicht nicht nur die automatische Analyse der betrieblichen Prozesse sowie die Aufdeckung versteckter Probleme, sondern auch die Bereitstellung von Empfehlungen, mit deren Hilfe die Prozesse, oft sogar in Echtzeit, verbessert werden können. Auf KI basierte Technologien sind in der Lage, Arbeitsabläufe zu verstehen und Schlussfolgerungen daraus abzuleiten. Anwendungen aus der Welt der KI analysieren die Grundursachen, die zu Diskrepanzen im Prozessablauf führen, und leiten daraus Handlungsempfehlungen ab. Somit erweitern die Anwendungen der KI das klassische Process Mining von einem explorativen Ansatz hin zu einer zunehmend intelligenten und vollständig automatisierten Prozessanalyse [9]. Anwendungen der KI aus dem Bereich des ML (maschinelles Lernen), wie bspw. KNN (künstliche neuronale Netz) und SVM (Support Vector Machines), werden als Unterstützungsfunktion bereits in allen drei Bereichen des Process Mining erforscht und erfolgreich angewendet [10]. Daher wird auch von intelligentem Data Mining gesprochen [4]. Der entscheidende Unterschied zum klassischen Process Mining besteht darin, dass sich das System kontinuierlich mithilfe von KI automatisch optimiert und sich den ständig ändernden Rahmenbedingungen anpasst, wobei die Flexibilität des Unternehmens und seiner Systeme gewahrt bleibt. Dadurch können nicht nur die Kundenzufriedenheit sowie der Automatisierungsgrad gesteigert, sondern auch Unternehmensrisiken und Betriebskosten gesenkt werden [11].
Das große Potenzial von KI besteht vor allem darin, dass komplexe Prozessabläufe mit einer riesigen Anzahl an Variablen abgebildet und analysiert werden können, genau dort wo Anwender traditioneller Process-Mining-Lösungen schnell an ihre Grenzen stoßen. Dies betrifft auch die Fälle, in denen heterogene und übergreifende Prozesse vorliegen, die von menschlichen Anwendern nicht mehr modelliert werden können. Mithilfe von Anwendungen der KI können nicht nur diese Komplexitäten überwunden, sondern auch eine schnelle Lösungsfindung erreicht werden [12]. Auch im Rahmen der Prozessgestaltung werden die Anwendungen der KI zunehmend erfolgreich eingesetzt, wobei sie den Menschen so unterstützen, dass Entwicklungsziele schneller, effizienter und mit einer höheren Genauigkeit erreicht werden können [13, 14]. Im Folgenden werden fünf wichtige Anwendungsbereiche von KI im Rahmen des intelligenten Process Mining vorgestellt sowie die dahinter liegenden Potenziale beleuchtet.
Deskriptives Process Mining
Das deskriptive Process Mining ist im Bereich der Prozesserkennung angesiedelt. Das Ziel des deskriptiven Process Mining besteht in der Gewinnung eines umfassenden Verständnisses der zugrunde liegenden Geschäftsprozesse. In diesem Zusammenhang können Anwendungen des ML in unterschiedlichen Bereichen eingesetzt werden [15]. Dabei handelt es sich um die Verbesserung der Datenqualität sowie die Gruppierung und die Strukturierung von Daten.
Bevor die Geschäftsprozesse auf der Basis der Ereignisprotokolle abgebildet werden, ist es sinnvoll, die Qualität der zugrunde liegenden Daten zu prüfen, da die Datenqualität einen maßgeblichen Einfluss auf die Ergebnisse im Process Mining ausübt. Anwendungen aus dem Bereich der KI können eingesetzt werden, um die Datenqualität und infolgedessen auch die Ergebnisse im Process Mining deutlich zu steigern. Hierbei kommen beispielsweise Anwendungen des ML zum Einsatz, die die Dateneingabe automatisieren oder Duplikate erkennen und entfernen [12].
Ein weiteres Anwendungsgebiet des ML ist die Gruppierung von Daten. In diesem Zusammenhang wird auch von Clustering gesprochen. Damit können Fälle in Gruppen zusammengefasst werden, die ähnliche Charakteristika aufweisen. Außerdem können mithilfe des Clustering auch diejenigen Fälle, die einem vorgegebenen Beispiel entsprechen, herausgefiltert werden. Dadurch wird die Variation in den Daten reduziert und eine detailliertere Analyse im Rahmen der Diagnose, die im folgenden Abschnitt betrachtet wird, ermöglicht. Durch die Gruppierung der Fälle können zudem Ausreißer sowie unerwünschte Fälle erkannt und Best-Practice-Lösungen entdeckt werden [15].
Weiterhin können die Anwendungen des ML eingesetzt werden, um unstrukturierte Daten in Formate umzuwandeln, die von den Process-Mining-Lösungen gelesen werden können. Dadurch kann die Datengrundlage oft enorm erweitert werden, da Unternehmensdaten häufig unstrukturiert vorliegen und in ihrer ursprünglichen Form beim Process Mining nicht genutzt werden können. In diesem Zusammenhang finden insbesondere die ML-Verfahren des NLP (Natural Language Processing) und OCR (Optical Character Recognition) Anwendung [12].
Diagnostisches Process Mining
Die Anwendungen des diagnostischen Process Mining sind im Bereich der Konformitätsprüfung angesiedelt. Das Ziel des diagnostischen Process Mining besteht im Aufspüren der Ursachen für das Auftreten von Problemen im Prozessablauf [4]. Üblicherweise können konventionelle Process-Mining-Lösungen die im Zusammenhang mit dem Prozessablauf auftretenden Probleme weder erkennen noch darstellen, weswegen auch keine detaillierte Ursachenanalyse durchgeführt werden kann [12].
Anwendungen des ML können in diesem Bereich unterstützend eingesetzt werden, um eine umfängliche Diagnose zu ermöglichen. Verfahren der KI können eine Analyse und Klassifizierung der aufgetretenen Probleme durchführen, um so deren Hauptursache zu finden. Zuletzt können die Probleme einer Trendanalyse unterzogen werden, um so Änderungen im Prozessablauf zu erkennen [6]. Die Grundlage einer Ursachenanalyse besteht in der Entdeckung von Anomalien in den Prozessabläufen. Diese Anomalien können mithilfe der Verfahren des ML erkannt werden [16].
Prädiktives Process Mining
Ziel des prädiktiven Process Mining ist die Vorhersage von künftigen Problemen und ist somit im Bereich der Prozessverbesserung bzw. der Prozessexzellenz angesiedelt. Die Vorhersagen werden auf der Basis der vorliegenden Daten unter Anwendung der Verfahren des ML gemacht. Die Methoden des ML können bei jedem laufenden Fall prognostizieren, was als Nächstes passieren wird. Die Prognose wird dadurch möglich, dass die Daten aller bereits abgeschlossenen Fälle vorliegen. Je mehr Ausgangsdaten zur Verfügung stehen, desto höher ist die Genauigkeit der Vorhersage [15]. Neben den Ergebnissen können auch die zukünftigen Ereignisse für diese Fälle prognostiziert werden. Somit können auch die finalen Ergebnisse aller zukünftigen Ereignisse vorhergesagt und in Form von KPI für alle laufenden Fälle prognostiziert und angezeigt werden [6]. Die Prognoseergebnisse zeigen den Anwendern in Echtzeit, wo künftige Fehler und Defizite auftreten werden. Die Anwender können dadurch rechtzeitig einschreiten und Gegenmaßnahmen einleiten, um Fehler in der Prozessabwicklung abzuwenden, bevor sie passieren und somit die Effektivität und Effizienz des Unternehmens steigern [12, 16].
Präskriptives Process Mining
Das präskriptive Process Mining ist ebenso im Bereich der Prozessverbesserung angesiedelt. Das Ziel besteht in der automatischen Ableitung von Handlungsempfehlungen, aufbauend auf den Ergebnissen des prädiktiven Process Mining. Damit sollen künftige Probleme automatisch abgewendet werden, ohne dass das Einschreiten eines Anwenders notwendig ist. Intelligente Process-Mining-Lösungen können nicht nur Probleme verhindern, sondern auch Möglichkeiten, die sich durch eine Optimierung der Prozessabläufe ergeben, aufdecken und ergreifen [4].
Das präskriptive Process Mining setzt Anwendungen ein, die automatische Handlungsempfehlungen abgeben, welche mithilfe von Machine Learning aus den vorliegenden Daten abgeleitet werden. Der Anwender kann die Empfehlung umsetzen, sofern er sie für sinnvoll erachtet. Er kann die Empfehlung aber auch ignorieren, sofern er über eine größere Informationsbasis verfügt, und die Anwendung mit zusätzlichen Informationen trainieren, sodass diese künftig bessere Handlungsempfehlungen abgeben kann [15].
Neben der Abgabe von Handlungsempfehlungen können die in das intelligente Process Mining integrierten Anwendungen des ML auch eigenständig Verbesserungen am System durchführen. Die Anwendung kann im Falle von Problemen Anwender benachrichtigen bzw. alarmieren. Weiterhin kann die Anwendung eine Automatisierung von Prozessen einleiten sowie den Arbeitsablauf effizienter gestalten. Zuletzt können die intelligenten Anwendungen auch automatisch Aktualisierungen in den Systemen, bspw. direkt im ERP- oder im CRM-System des Unternehmens durchführen [6].
Digitaler Zwilling
Ein digitaler Zwilling (Digital Twin) ist eine digitale Nachbildung von Systemen, Prozessen, Mitarbeitern oder Werkzeugen. Digitale Zwillinge werden eingesetzt, um mithilfe eines Modells kosteneffiziente Simulationen durchzuführen und optimale Unternehmensentscheidungen für die Zukunft zu treffen. Für die Erstellung eines digitalen Zwillings sind umfängliche Unternehmensdaten notwendig, die meist mithilfe des Process Mining generiert und analysiert werden. Diese beiden Technologien ergänzen sich hervorragend. Im Zusammenspiel eröffnen sie neue Perspektiven, wodurch Potenziale genutzt und Effizienzsteigerungen realisiert werden können. In einem ersten Schritt werden die für die Erstellung des digitalen Zwillings notwendigen Daten mithilfe des intelligenten Process Mining aufbereitet. Anschließend können in einem zweiten Schritt diejenigen Prozessabläufe, die den Rahmen der Anwendungsmöglichkeiten des (intelligenten) Process Mining übersteigen, mithilfe des digitalen Zwillings simuliert und anschließend verbessert werden. In beiden Arbeitsschritten kann und wird umfassend von den vielfältigen und leistungsstarken Anwendungen der KI Gebrauch gemacht. Damit werden Lösungen in Echtzeit ermöglicht und viele Wachstums- und Effizienzsteigerungsmöglichkeiten aufgedeckt [17].
Fazit
Durch Anwendung von Process Mining können betriebliche Prozesse modelliert, analysiert und verbessert werden, um dadurch den Unternehmenserfolg zu erhöhen. Diese Verfahren stoßen jedoch an ihre Grenzen, wenn eine hohe Komplexität in der Datenbasis vorliegt. Dies betrifft nicht nur sehr große Datenmengen mit einer Vielzahl an Variablen, sondern auch unstrukturierte Daten sowie heterogene und übergreifende Prozesse. Hier können die Anwendungen der KI eingesetzt werden, um die Limitationen im klassischen Process Mining zu überwinden. Neben diesen umfangreicheren Möglichkeiten des intelligenten Process Mining können die Ergebnisse im Vergleich zum klassischen Process Mining zudem schneller und genauer erzielt werden.
Die Verfahren des intelligenten Process Mining werden in unterschiedlichen Bereichen eingesetzt. Diese Bereiche bauen aufeinander auf und sind übersichtlich in Abb. 5 veranschaulicht. Zunächst ermöglichen die auf KI basierten Verfahren des präskriptiven Process Mining eine Nutzbarmachung von zusätzlichen Daten, wodurch die Datenbasis und infolgedessen auch die Qualität der Analyseergebnisse gesteigert werden kann. Weiterhin können die auf KI basierten Verfahren des diagnostischen Process Mining Probleme identifizieren, die aufgrund ihrer Komplexität beim klassischen Process Mining nicht erkannt werden können. Darauf aufbauend können die im Rahmen des prädiktiven Process Mining eingesetzten Anwendungen der KI Vorhersagen über den Ausgang der Prozessabläufe liefern. Dadurch kann ein fehlerhafter Prozessablauf bereits vor dem Auftreten von Problemen in Echtzeit korrigiert werden. Zuletzt können die auf KI basierten Verfahren des präskriptiven Process Mining nicht nur Handlungsempfehlungen für einen optimierten Prozessablauf abgeben, sondern diese auch selbst in den Systemen des Unternehmens implementieren.
Abb. 5
Verbesserung der Prozessabläufe mithilfe des intelligenten Process Mining
×
Durch Einsatz des KI-gestützten Process Mining können Ergebnisse im Vergleich zum klassischen Process Mining schneller und genauer erzielt werden.
Auf KI basierte Technologien des Process Mining sind in der Lage, Arbeitsabläufe zu verstehen und Schlussfolgerungen bzw. Handlungsempfehlungen sowie Optimierungen daraus abzuleiten.
Zusammenfassung
Klassische Verfahren im Process Mining stoßen in der Realität schnell an ihre Grenzen.
Im Process Mining werden zunehmend Anwendungen aus dem Bereich der künstlichen Intelligenz eingesetzt, um die Potenziale und Vorhersagegenauigkeit zu erweitern und zu verbessern.
Mithilfe von Process Mining können betriebliche Prozesse modelliert, analysiert und verbessert werden, um dadurch den Unternehmenserfolg zu erhöhen.
Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden.
Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen.
WI – WIRTSCHAFTSINFORMATIK – ist das Kommunikations-, Präsentations- und Diskussionsforum für alle Wirtschaftsinformatiker im deutschsprachigen Raum. Über 30 Herausgeber garantieren das hohe redaktionelle Niveau und den praktischen Nutzen für den Leser.
BISE (Business & Information Systems Engineering) is an international scholarly and double-blind peer-reviewed journal that publishes scientific research on the effective and efficient design and utilization of information systems by individuals, groups, enterprises, and society for the improvement of social welfare.
Texte auf dem Stand der wissenschaftlichen Forschung, für Praktiker verständlich aufbereitet. Diese Idee ist die Basis von „Wirtschaftsinformatik & Management“ kurz WuM. So soll der Wissenstransfer von Universität zu Unternehmen gefördert werden.