Analyse von industriellen Prozessen Process Mining ist eine Methode zum Erkennen, Analysieren und Verbessern von Geschäftsprozessen anhand von Daten. In bestimmten Branchen wie dem Online- Handel ist der Ansatz bereits etabliert, aber noch nicht in industriellen Prozessen. Die Gründe: Die Prozesse weisen nur sehr selten große Datenmengen (Big Data) auf, die für Process-Mining-Verfahren vorausgesetzt werden, es fehlen die entsprechenden Unternehmensstrukturen und die Methoden, eine solche Technologie einzuführen. Ziel des Projekts ‚BPM-I4.0‘ ist die ganzheitliche Entwicklung, Implementierung und Evaluation von Verfahren des Process Mining zur Analyse und präskriptiven Steuerung industrieller Kernprozesse. Dazu werden innovative Vorgehensweisen, Konzepte, Algorithmen und digitale Werkzeuge prototypisch im Produktentstehungs- und Auftragsabwicklungsprozess beteiligter Unternehmen gestaltet, implementiert, evaluiert, aufbereitet und generalisiert. Die erzielten Ergebnisse werden Unternehmen dazu befähigen, anhand der Analyse ihrer Prozessdaten die Qualität ihrer Kernprozesse deutlich zu verbessern sowie die Prozessausführung proaktiv zu steuern, um mittel- und langfristig ihre Wettbewerbsfähigkeit zu erhalten und auszubauen.

Wie kann Process Mining in wissensintensiven industriellen Prozessen angewandt werden?

Process Mining ist eine Methode zum Erkennen, Analysieren und Verbessern von Geschäftsprozessen anhand von Daten. Im Zuge der Digitalisierung verfügen Unternehmen über immer mehr Informationen (in Form von Daten) zu den Prozessdurchläufen, die sich in den verschiedensten IT-Systemen wie ERP, MES, PLM, etc. wiederfinden lassen. Process Mining greift auf diese Prozessdaten zurück, um die Aktivitäten, Verzweigungen und Regeln des Prozessdurchlaufs automatisch festzuhalten. Dafür kommen unter anderem moderne Algorithmen und digitale Werkzeuge zum Einsatz. Zusätzlich kommen auch von Menschen modellierte Prozessschaubilder zum Einsatz, indem die realen Prozessdurchläufe mit dem menschlichen Modell verglichen und Abweichungen festgestellt werden. Als Forschungsdisziplin stellt es somit die Schnittstelle zwischen klassischen Ansätzen des Business Process Managements (Prozessmanagement) und den Möglichkeiten der Datenanalyse (Data Science) dar. Process Mining wird bereits in vielen Bereichen gewinnbringend eingesetzt. Jedoch ergeben sich, grade im Hinblick auf die Umsetzung von Process Mining in industriellen Kernprozessen, noch wesentliche Herausforderungen. Der interdisziplinäre Charakter von Process Mining mit Elementen aus IT, BPM und Data Science verhindert häufig eine eindeutige fachliche Eingliederung in die Aufbauorganisation. Umso wichtiger ist es eine dedizierte Unternehmensfunktion festzulegen (sog. BPM Office), die über die nötigen Fähigkeiten und Ressourcen verfügt, um die Process Mining Methoden im Unternehmen nutzbar zu machen. Desweiteren müssen die Process Mining-Tools und Methoden entsprechend dem fachlichen Kontext industrieller Unternehmen adaptiert bzw. weiterentwickelt werden. Es ist wichtig zu beachten, dass industrielle Kernprozesse (z.B. in der Auftragsabwicklung) als solche eine besondere Herausforderung für Process Mining-Methoden darstellen. Es handelt sich häufig um wissensintensive Prozesse, mit vielen kunden- und produktspezifischen Varianten. Diese Eigenschaften sind oft verbunden mit einem Mangel an Daten, sodass zusätzliche Datenquellen gefunden werden müssen.

Entwicklung von Methoden und Werkzeugen für den Einsatz von Process Mining in wissensintensiven Prozessen

Das Projekt bedient sich den Methoden des klassischen Process Mining und kombiniert diese mit unterschiedlichen Machine Learning Verfahren auf Basis von wissensintensiven Prozessen (Abbildung 1). Es wurden Ansätze erforscht, um Unternehmen den Einstieg mit Process Mining zu erleichtern sowie um Process Mining für die Anwendung auf wissensintensiven Prozessen möglich zu machen. Durch die Ergebnisse sollen Unternehmen die Fähigkeit erlangen, sich weiter mit dem Thema Process Mining auseinanderzusetzen und dies für weitere Prozesse zu etablieren.

Schwerpunkte bilden nach der Definition der Anwendungsfälle und der Überprüfung, ob diese für Process Mining geeignet sind, ein Assistenzsystem, welches Unternehmen dazu befähigen soll, bessere Entscheidungen in den Prozessen treffen zu können. Weiterhin muss eine Spezifikationstechnik zur Beschreibung von Datenquellen, IT-Systemen und Experteninformationen bzw. Domänenwissen im Prozesskontext erarbeitet werden. Sie bildet die Grundlage für die Machine Learning (ML) Modelle. Desweiteren war die Entwicklung eines Process Mining Reifegradmodells ein weiterer Schwerpunkt. Ziel hierbei ist es, einen Handlungsrahmen für die erfolgreiche Unternehmenstransformation in den Dimensionen Mensch, Organisation, Technik ausgehend von einer Reifegrad-Einordnung bis hin zum präskriptiven Process Mining zu entwickeln. Insgesamt entsteht hier ein Vorgehensmodell zur Implementierung von Process Mining, welches insbesondere darauf abzielt, die Fähigkeiten zur Optimierung der eigenen Geschäftsprozesse zu verbessern.

Es wurde ein Instrumentarium entwickelt, welches Unternehmen zukünftig als praxisnahes Handwerkzeug dient, um den Einstieg mit Process Mining zu erleichtern, insb. für wissensintensive Prozesse. Die entwickelten Werkzeuge und Methoden wurden projektbegleitend anhand realer Anwendungsfälle evaluiert. Beispielhaft für industrielle Kernprozesse stehen hier der Produktentstehungsprozess (Weidmüller) sowie der Auftragsabwicklungsprozess (GEA). Somit ist im Projekt eine Bandbreite an neuen Methoden, Konzepten und Werkzeugen entstanden, die den Einsatz von Process Mining für wissensintensive Prozesse sowie Handlungsempfehlungen im Prozess unterstützen.

Erfolgreiche Anwendung von Process Mining Methoden und Werkzeugen in wissensintensiven Use Cases

Zusammenfassend wurden die Projektziele in weiten Teilen umfassend erreicht. Im Projekt ist eine Datenlandkarte für Process Mining Projekte entstanden. Die Process Mining Data Canvas (PMDC) ermöglicht es Anwendern, sich strukturiert durch frühe Phasen von Process Mining Projekten zu bewegen. Zusätzlich ermöglicht die PMDC den Projektbeteiligten Datenprobleme zu identifizieren und die Datenqualität zu erhöhen.

Des weiteren wurde ein Kennzahlensystem in Verbindung mit einer Methode zur Gestaltung von Kennzahlensteckbriefen entwickelt. So können gleichzeitig Ziele und deren Messbarkeit im Kontext des Process Mining Projektes festgelegt werden.

Es wurde ein umfangreiches Reifegradmodell entwickelt, welches Unternehmen erlaubt ihre Reife hinsichtlich des Einsatzes von Process Mining zu bestimmen. Ob KMU oder Global Player, das Modell ergmöglicht jedem Unternehmen gleichermaßen, die für PM notwendigen technischen und organisatorischen Fähigkeiten zu bewerten und schrittweise aufzubauen. Zusätzlich zu dem ganzheitlichen Ansatz eines Reifegradmodells ist eine Online-Umfrage (Quick-Check) entwickelt worden, durch die sich Unternehmen einen ersten Überblick über den individuellen Reifegrad verschaffen können.

Schlussendlich wurde auch ein Prototyp für das präskriptive Process Mining umgesetzt. Mithilfe von verschiedenen ML-Ansätzen können z.B. zukünftige Verzögerungen in Prozessabläufen abgeschätzt werden. Basierend auf diesen Vorhersagen, welche durch den Einsatz von prädiktivem Process Mining im Projekt erfolgt sind, macht sich der Prototyp das Prinzip von Diverse Counterfactual Explanations (DICE) zu Nutze. Sodass alternative Vorgehensweisen erzeugt werden können, die z.B. Verzögerungen in einem Prozess verhindern.