Process-Mining als Werkzeug zur Prozesstransparenz

Academic Paper , 2022 , 36 Pages , Grade: 1,7

Business economics - Miscellaneous

In der Arbeit werden die Prinzipien des Process Mining zusammengefasst, erfolgreiche Anwendungsbeispiele dargestellt, verfügbare Werkzeuge verglichen und eine Gegenüberstellung der Stärken und Schwächen des Process Mining erarbeitet.

In Unternehmen laufen vielfältige Prozesse ab. Basis dieser Prozesse sind immer häufiger Informationssysteme. Diese protokollieren Aktionen häufig digital. Diese digitalen Quellen können damit zum Verständnis der ablaufenden Prozesse beitragen. Das Process Mining dient zur Erschließung digitaler Quellen für die zielgerichtete Optimierung der Prozesse in Unternehmen. Mit Hilfe der Quellen kann also ermittelt werden, ob die realen Prozesse den geplanten Definitionen entsprechen. Es können zeitliche Engpässe ermittelt werden und die Prozesse mit zusätzlichen Informationen erweitert werden, wie sozialen Netzwerken. Mit Hilfe des Process Mining können Fragen von Seiten des Managements beantwortet werden, und zwar anhand realer Abläufe:

- Wie lange ist die durchschnittliche/minimale/maximale Durchlaufzeit der Fälle?
- Wie viel Zeit wurde zwischen zwei beliebigen Aufgaben im Prozessmodell verbracht?
- Wie viele Personen sind an einem Fall beteiligt?

Inhalt

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

Einleitung
Problemstellung
Aufbau und Methode

Grundlagen
Prozess-Management als Ausgangspunkt
Prinzipien des Process Mining
Herausforderungen des Process Management
Hauptteil
Verfügbare Werkzeuge
Process Discovery
Conformance Checking
Enhancement
Operational Support
Fazit
Beispiele der erfolgreichen Anwendung des Process Mining

Zusammenfassung

Anhang
Zusammenfassung des Projekts „Process-Mining bei der FORUM MEDIA GROUP“
Das Unternehmen
Das Projekt
Der Autor
Process Mining
Extraktion
Transformation und Bereitstellung in einer semantischen Softwarelösung
Dokumentation
Monitoring
Operational Support
Fazit

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1 - Unstrukturierter Text eines Logfiles

Abbildung 2 - Dokumentenbasierte Struktur. Die Properties unter "_source" repräsentieren die extrahierten Informationen (Screenshot mit Hilfe des Chrome- Plugin Multi Elasticsearch-Head)

Abbildung 3 - Spaltenorientierte Darstellung der importierten Logfile-Zeilen

Abbildung 4 - Graphendstruktur

Abbildung 5 - Bericht, der die Jobs mit zugehörigen Ressourcen, dem Typ der Ressourcen, Start und Ende der Nutzung und weitere Informationen enthält, und zwar in der Sortierung, wie sie im Logfile auftritt

Abbildung 6 - Dokumentation (links) und vernetzte bzw. verwendete weitere Ressourcen, beispielsweise eine Datenbanktabelle

Abbildung 7 - Liste der Ressourcen, Datum der letzten Nutzung der Ressource, zugehöriger ETL-Job und Info, ob eine Dokumentation der Ressource erstellt wurde

Abbildung 8 - ETL-Jobs mit Ressourcen und der zugehörigen Dokumentation in der Spalte Doc

Abbildung 9 - Bericht mit Datenbankelement, beispielsweise Tabelle, zugehöriger Datenbank und dem Testergebnis (Spalte LastState) des letzten Tests (Spalte LastCheck)

Abbildung 10 - Laufzeiten der wichtigsten ETL-Jobs

Tabellenverzeichnis

Tabelle 1 - Untersuchte Werkzeuge

Tabelle 2 - Zusammenfassung der Beurteilung der Werkzeuge anhand der Kriterien durch den Autor

Tabelle 3 - Beschreibung der Properties nach der Extraktion

Abkürzungsverzeichnis

CSV Comma-Separated Values (vgl. Shafranovich, 2005, Internetquelle) MXML Mining eXtensble Markup Language (vgl. van der Aalst, 2016, S. 127) XES eXtensible Event Stream (vgl. van der Aalst, 2016, S. 127) ETL Extract, Transform, Load (vgl. Wierse, Riedel, 2017, S.34-35)

Einleitung

Problemstellung

In Unternehmen laufen vielfältige Prozesse ab. Basis dieser Prozesse sind immer häufi­ger Informationssysteme. Diese protokollieren Aktionen häufig digital. Diese digitalen Quellen können damit zum Verständnis der ablaufenden Prozesse beitragen. Das Process Mining dient zur Erschließung digitaler Quellen für die zielgerichtete Optimierung der Prozesse in Unternehmen. Mit Hilfe der Quellen kann also ermittelt werden, ob die realen Prozesse den geplanten Definitionen entsprechen. Es können zeitliche Engpässe ermittelt werden und die Prozesse mit zusätzlichen Informationen erweitert werden, wie sozialen Netzwerken. Mit Hilfe des Process Mining können Fragen von Seiten des Managements beantwortet werden, und zwar anhand realer Abläufe (vgl. promtools.org, Tutorial:Introduction, Internetquelle):

- Wie lange ist die durchschnittliche/minimale/maximale Durchlaufzeit der Fälle?
- Wie lange ist die durchschnittliche Bearbeitungszeit für jede Aufgabe?
- Wie viel Zeit wurde zwischen zwei beliebigen Aufgaben im Prozessmodell ver­bracht?
- Wie viele Personen sind an einem Fall beteiligt?

In dieser Arbeit sollen die Prinzipien des Process Mining zusammengefasst, erfolgreiche Anwendungsbeispiele dargestellt, verfügbare Werkzeuge verglichen und eine Gegen­überstellung der Stärken und Schwächen des Process Mining erarbeitet werden.

Aufbau und Methode

Im Grundlagenteil der Arbeit, wird auf den Bezug des Prozess Mining zum Process Ma­nagement eingegangen. Außerdem werden die Prinzipien des Process Mining näher beleuchtet. Anschließend werden dessen besondere Herausforderungen skizziert. Im darauffolgenden Hauptteil werden verfügbare Werkzeuge vorgestellt und ins Verhältnis gesetzt. Dafür wurde ein Anforderungskatalog erarbeitet, der aus den Erkenntnissen der Prinzipien des Process Mining, sowie dem Process Mining Manifesto der Taskforce on Process Mining (IEEE Taskforce on Process Mining, 2011, Internetquelle) und einem Ar­tikel des Journals "ACM Transactions on Management Information Systems (TMIS)“ (vgl. van der Aalst, 2012, Zeitschriftenquelle) erarbeitet wurde. Diesem Abschnitt folgt ein Ka- pitel mit 2 Case Studies und einem Projektbericht, die den erfolgreichen Einsatz des Pro­cess Mining zeigen.

Grundlagen

Prozess-Management als Ausgangspunkt

In Organisationen laufen vielfältige Geschäftsprozesse ab. Der bewusste Umgang mit diesen Prozessen wird immer wichtiger, da der Druck auf Unternehmen von außen immer größer wird. Die Umwelt und der Markt führen zu einem laufenden Anpassungsdruck, bei dem frühzeitige Anpassungen an die Anforderungen notwendig sind (vgl. Becker, Kugeler, 2012, S. 3-4). Das bedeutet, dass Geschäftsprozesse bewusst und gezielt gemanagt werden müssen. Die Komplexität der notwendigen Prozesse und die Notwen­digkeit der zielgerichteten Vorgehensweise, erfordern die transparente Beschreibung von Geschäftsprozessen. Hierzu dienen Prozessmodelle (vgl. Becker, Kugler, 2012, S. 47).

"Geschäftsprozessmanagement beschäftigt sich mit der Dokumentation, Analyse, Rest­rukturierung von Arbeitsabläufen (Prozessen). [...] Im internationalen Umfeld ist der Be­griff 'Business Process Management (BPM)' üblich." (Gadatsch, 2020, S. 2)

Prinzipien des Process Mining

Process Mining versucht eine Lücke zwischen der Planung und dem Betrieb von Prozes­sen zu schließen und so einen ganzheitlicheren Ansatz des Prozess-Management zu ermöglichen. Der Gedanke ist, dass Event Daten, die Informationssysteme speichern, verwendet werden können, um die Prozesse zu überwachen bzw. die aus der Planung entstandenen Prozessmodelle durch den Abgleich mit der Realität zu verbessern. Hierbei spielen Event Logs, das sind digital protokollierte Arbeitsschritte der Prozesse, eine ent­scheidende Rolle. Dabei werden Machine Learning und Data Mining mit der Prozess Mo­dellierung und der Prozessanalyse kombiniert, um Wissen aus Event Logs zu extrahieren und im Lebenszyklus der Prozesse fruchtbar zu machen (vgl. van der Aalst, 2016, S. 31).

Process Mining kann in drei Bereiche eingeteilt werden. Der erste Bereich wird Discovery genannt. Beim Discovery geht es um die Analyse eines Event Logs und die Erzeugung von Prozessmodellen, resultierend aus dieser Analyse. Für die Erzeugung der Modelle werden Algorithmen benutzt. Ziel ist es hierbei, dass die Algorithmen keine Informationen über die inhaltlichen Abläufe besitzen, also generalisiert werden können, unabhängig von dem Einsatzbereich der protokollierenden Software (vgl. van der Aalst, 2016, S.33).

Um ein Event Log zu erhalten, dass für Process Mining geeignet ist, sind in der Regel vorbereitende Schritte notwendig, wie das Bereinigen der Ausgangsdaten. Beispiels­weise muss das Datumsformat in ein Format gebracht werden, dass die Process Mining Software interpretieren kann (vgl. van der Aalst, 2021, 00:06:57-00:07:1 9, Videoquelle).

Ein Event Log, dass für das Process Mining geeignet ist, enthält einzelne Einträge, die Events genannt werden. Jeder der Events ist einem Case zugeordnet. Damit stellt ein Case einen tatsächlichen Ablauf eines Prozesses dar. Ein Event hat verschiedene Attri­bute, die im Event Log vorhanden sein müssen. Diese Einträge sind eine Zeitdimension und eine Activity. Alternativ für die Zeitdimension kann auch eine festgelegte Reihenfolge dienen. Diese Aspekte repräsentieren einen definierten Arbeitsschritt innerhalb eines Prozesses. Eine Abfolge von Activities innerhalb eines Event Logs, wird Trace genannt (vgl. van der Aast, 2016, S. 35). Die erzeugten Prozessmodelle können in Form von verschiedenen Notationen analysiert werden (vgl. van der Aalst, 2016, S.57-83).

Der zweite Bereich wird Conformance Checking genannt. Dabei geht es um den Ver­gleich eines im Vorfeld geplanten Prozessmodells mit dem eines Event Logs. Hierbei geht es darum, Gemeinsamkeiten und Unterschiede zwischen geplantem und dem extra­hierten Modell auszuarbeiten. Dabei können Abweichungen ermittelt oder Performance- Probleme identifiziert werden (vgl. van der Aalst, 2016, S.243). Wichtig ist es hierbei, entweder unerwünschte Abweichungen des Event Logs vom modellierten Prozessmodell zu erkennen oder sinnvolle Abweichung zu identifizieren, um Verbesserungspotential des geplanten Prozessmodells zu ermöglichen. Auf diese Art und Weise können Prozesse von Unternehmen auf einem völlig neuen Niveau gemanagt werden. Mit Hilfe der Mög­lichkeit, in der Realität ablaufende Prozesse zu prüfen und mit den geplanten Prozessen zu vergleichen, entsteht beispielsweise ein neuer Ansatz für die Rechnungsprüfung (vgl. van der Aalst et.al., 2010, Zeitschriftenquelle). Für den Vergleich können mit entspre­chenden Notationen, wie dem Petri Net, auch Simulationen durchgeführt werden (vgl. van der Aalst, 2016, S. 246).

Der dritte Bereich des Process Mining ist das Enhancement von Modellen auf der Basis von Event Logs. Dies betrifft beispielsweise die Erweiterung von Prozessmodellen mit organisatorischen Elementen, wie Rollen und daraus resultierende Schlussfolgerungen. Diese Informationen finden sich häufig zusätzlich in Event Logs. Dadurch werden tat­sächliche Abhängigkeiten der Prozesse zu organisatorischen Ressourcen sichtbar. Es wird auch möglich, Timing-Informationen in das Modell zu integrieren. Dadurch werden Kostenberechnungen einzelner Activities möglich bzw. Wartezeiten können visualisiert werden. Durch diese Zusatzinformationen entsteht ein organisatorisch integriertes Pro­zessmodel (vgl. van der Aalst, 2016, S. 275-276).

Eine weitere Erweiterungsmöglichkeit ist das Decision Mining. Dabei können Algorith­men, wie der Entscheidungsbaum, verwendet werden, um Voraussagen zu treffen, bei­spielsweise anhand zeitlicher Konstellationen, in dem Sinne, dass eine Dauer einer Acti­vity unter 5 Minuten in der Regel zu einer negativen oder positiven Entscheidung führt. Auf diese Weise lassen sich Risiken frühzeitig erkennen und auch Vorschläge für Reak­tionen erarbeiten (vgl. van der Aalst, 2016, S. 294-296).

Herausforderungen des Process Management

Es gibt verschiedene Herausforderungen des Process Mining, von denen drei der Wich­tigsten hier erläutert werden sollen. Diese und weitere Herausforderungen finden sich im Process Mining Manifesto der Taskforce on Process Mining (vgl. IEEE Taskforce on Pro­cess Mining, 2011, Internetquelle).

Eine Herausforderung ist der sogenannte „representational Bias“. Dabei geht es um den geistigen Einfluss von Repräsentationen wie Notationen, auf die daraus folgenden Über­legungen. So hat beispielsweise die Notation „Transition System“ Probleme, Konkurrenz­Konstellation abzubilden. Dadurch beeinflusst sie den geistigen Umgang mit Konkurrenz­situationen.

Die Wahl der Algorithmen und daraus resultierenden Abbildungen von Prozessen, beschränken die Beschreibung der Realität oder ermöglichen nur bestimmte Blickwinkel (vgl. van der Aalst, 2016, S. 183). Dem Problem des „representational Bias“ kann mit explorativer Vorgehensweise in Bezug auf die Auswahl der Algorithmen und Notationen entgegengewirkt werden. Man sollte also das Ergebnis des Process Discovery aus verschiedenen repräsentationalen Blickwinkeln betrachten, um Vorurteilen aufgrund der Repräsentation entgegenzuwirken.

Eine weitere Herausforderung ist die Extraktion der Event Daten aus den Quellsystemen. Dabei gibt es Probleme, wie verteilte Daten über mehrere Systeme oder die Zentrierung von Daten auf Objekte und nicht Prozesse, beispielsweise die Konzentration auf ein Pro­dukt und nicht auf einen Ablauf. Die Daten müssen häufig vorbereitet werden, um für das Process Mining genutzt werden zu können. Dies ist ein aufwändiger Prozess, der manuelle Schritte erfordert. Auch müssen Ausreißer bereinigt werden, damit die Event Daten für das Process Mining nutzbar werden. Ein weiteres Problem sind verschiedene Formate der Daten, wie Datumsformate, die angeglichen oder in relative Abstände umgewandelt werden müssen. Die Task Force on Process Mining schlägt 5 Qualitätsstufen von Event Daten vor (vgl. IEEE Taskforce on Process Mining, 2011, Internetquelle). Je niedriger der Level ist, desto unzuverlässiger werden die Ergebnisse. Ab Level zwei der Skala abwärts, bei dem Events fehlen, weil die Aufzeichnung der Events nicht systematisch erfolgt, wird es sehr schwierig, Process Mining sinnvoll zu betreiben. Um diese Grenze der Nutzbarkeit zu erkennen, muss von einem erfahrenen Fachmann eine Analyse der Event Daten durchgeführt werden. Dabei kann das Ergebnis eines Process Mining Projekts auch sein, dass es nicht durchgeführt werden sollte.

Eine weitere wichtige Herausforderung ist der Umgang mit Änderungen von Prozessen, während sie analysiert werden. Diese Herausforderung wird Cocept Drift genannt. Wird er nicht erkannt, führt dies evtl. zu einer völligen Fehlinterpretation von Prozessen (vgl. IEEE Taskforce on Process Mining, 2011, Internetquelle). Für das Problem des Concept Drift, arbeiten die Algorithmen mit Zeitfenstern und der Erkennung und Visualisierung von Prozessvarianten. Trotzdem bleibt dieses Problem eine große Herausforderung, da grundlegende Änderungen in Prozessen zu neuen Prozessen führen und die Erkennung der Grenze zwischen Variation und neuem Prozess fließend ist. (vgl. van der Aalst, 2016, S. 320-321)

Hauptteil

Verfügbare Werkzeuge

Für dieses Kapitel wurden verschiedene Werkzeuge untersucht und mit Hilfe eines An­forderungskatalogs ins Verhältnis gesetzt. Die zu vergleichenden Werkzeuge wurden aus verschiedenen Quellen entnommen (IEEE Task Force on Process Mining, Case Studies, Internetquelle; Dilmegani, 2022, Internetquelle). Weiterhin wurde ein Vergleichsportal für die verschiedenen Process Mining Tools herangezogen (processmining-software.com, 2020, Internetquellen). Neben den Werkzeugen aus dem Vergleichsportal, wurde das Werkzeug ProM in der Version 6.11 untersucht (vgl. promtools.org, ProM Tools, Internetquelle).

Tabelle 1 - Untersuchte Werkzeuge

Abbildung in dieser Leseprobe nicht enthalten

Im Folgenden werden die aus den Prinzipien und den Kriterien des Vergleichsportals erarbeiteten Kriterien beschrieben und die Werkzeuge zu den Kriterien ins Verhältnis ge­setzt.

Process Discovery

Die verschiedenen Werkzeuge bieten Schnittstellen, um Event Logs dem Process Mining zugänglich zu machen. Das sind zum einen verschiedene Dateitypen, die Importiert wer­den können, wie spaltenorientierte Text-Dateien, die in den Spalten die notwendigen At­tribute für das Process Mining enthalten, beispielsweise im Dateiformat CSV. Manche Werkzeuge bieten auch den Import von Dateien im XES- oder MXML-Format an, wie Celonis Process Mning oder Disco. Diese Formate erlauben es, die notwendigen Attri­bute, aber auch Zusatzinformationen, wie Rollen, festzuhalten (vgl. van der Aalst, 2016, S. 127).

ProM unterstützt eine große Bandbreite von Import-Formaten mit Hilfe eines Import­Frameworks, welches verschiedene Dateitypen in das Format MXML umwandeln kann. (promtools.org, 2022, Internetquelle). Viele der Werkzeuge unterstützen auch Daten­bankschnittstellen, da Event Logs häufig verteilt über mehrere Tabellen oder Datenban­ken vorliegen (vgl. van der Aalst, 2016, S. 127). Außerdem bieten viele der Werkzeuge integrierte Verbindungen zu dedizierten Anwendungen an, die direkt genutzt werden kön­nen, ohne den Umweg über das Exportieren und Importieren von Dateien.

In Bezug auf Notationen, unterstützen die betrachteten Werkzeuge zum großen Teil nur den sogenannten directly-follows-graph. Dies ist eine sehr vereinfachende Notation, die leicht zu verstehen ist, aber bei komplexen Abläufen zu missverständlichen Darstellun­gen führen kann, weil Konkurrenz-Situationen als Schleifen abgebildet werden (vgl. van der Aalst, 2019, Zeitschriftenquelle). Einige Werkzeuge, wie EverFlow oder ProM, unter­stützen auch weitere Notationen, wie BPMN.

Die meisten Tools unterstützen Metriken, wie die Anzahl der Aktivitäten oder Zeitmetri­ken, wie die durchschnittliche Dauer eines Events. Damit wird es möglich, Abweichungen zu analysieren und verschiedene Perspektiven zu analysieren, wie eine zeitliche Per­spektive. Dies kann dem representational Bias entgegenwirken (vgl. van der Aalst, 2016, S. 269).

Conformance Checking

Es gibt verschiedene Techniken des Conformance Checking, wie Token Replay bzw. Seqeunce Filtering. Damit wird ein Vergleich von Event Log im Verhältnis zum definierten Prozessmodell aber auch zwischen Varianten von Event Logs möglich. Die meisten der Werkzeuge unterstützen die Visualisierung von Unterschieden, beispielsweise in Listen von Verstößen gegen das geplante Modell. Dabei spielen Methoden, wie das Filtern der Traces mit Hilfe von Zeitrahmen oder die Filterung der verschiedenen Varianten von Traces eine wichtige Rolle, um brauchbare Ergebnisse zu erhalten (vgl. fluxicon.com, 2020, Internetquelle). Dies unterstützt die Vergleichbarkeit von tatsächlichen mit geplan­ten Prozessmodellen (vgl. van der Aalst, 2016, S. 256).

Enhancement

Enhancement kann mit Hilfe von Sozialen Netzwerken durchgeführt werden, also bei­spielsweise durch die Visualisierung von Abhängigkeiten der Traces zu Organisations­einheiten. Dabei wird vom Organizational Mining gesprochen (vgl. van der Aalst, 2016, S. 281 ff.). Eine weitere Möglichkeit des Enhancements ist beispielsweise das Ableiten von Regeln mit Hilfe von Entscheidungsbäumen. Dies wird Decision Mining genannt. (vgl. van der Aalst, 2016, S. 294-296) Nur wenige der untersuchten Werkzeuge bieten eine Unterstützung des Organizational Mining. In Bezug auf das Decision Mining, bietet nur ProM über entsprechende Plugins eine Unterstützung (vgl. Rozinat, van der Aalst, 2006, Zeitschriftenquelle).

Operational Support

Sobald Process Mining innerhalb des operativen Geschäfts zyklisch bzw. in Echtzeit ab­laufen soll, spielen vor allem die Werkzeuge eine wichtige Rolle, die über entsprechende Konnektoren, direkte Verbindungen zu hochgeschwindigkeits- und Echtzeit Datenquellen aufbauen können (vgl. van der Aalst, 2016, S. 381). Dadurch wird es möglich, zyklisches Process Discovery und Conformance Verstöße nahezu in Echtzeit zu erkennen und dann eine entsprechende Alarmierungskette zu initiieren. (vgl. van der Aalst, 2016, S. 307)

Viele der Werkzeuge bieten die Möglichkeiten, Empfehlungen auszusprechen. Diese könnten sein, dass zur Reduzierung der Durchlaufzeit von einem bestimmten Status zu einem bestimmten anderen Status gewechselt werden sollte. Bestimmte Varianten können sich so als sinnvoller als andere herausstellen (vgl. van der Aalst, 2016, S. 316).

Fazit

Tabelle 2 zeigt die Bewertung der betrachteten Werkzeuge ausgehend von den Einschät­zungen des Vergleichsportals und den erarbeiteten Kriterien aus der Sicht des Autors. Die Wertung 1 bedeutet dabei „erfüllt“. Höhere Zahlen bedeuten eine umfangreichere Unterstützung. Für die Beurteilung von ProM wurden verschiedene weitere Quellen ge­nutzt (vgl. promtools.org, Question Answered, Internetquelle; promtools.org, prom- tools.org, 2009, Internetquelle; Pessens et. al., 2010, Zeitschriftenquelle; Carmona et.al., 2018, Internetquelle; promtools.org, Exercise 1, Internetquelle; Rozinat, van der Aalst, 2006, Zeitschriftenquelle).

Tabelle 2 - Zusammenfassung der Beurteilung der Werkzeuge anhand der Kriterien durch den Autor

Abbildung in dieser Leseprobe nicht enthalten

Beispiele der erfolgreichen Anwendung des Process Mining

Im Folgenden werden 2 Case Studies von erfolgreichen Projekten und eine Projektzusammenfassung der Anwendung von Process Mining vorgestellt.

Siemens führte im Jahr 2013, in Zusammenarbeit mit Celonis, Process Mining ein, um verschiedene Ziele zu erreichen (vgl. Celonis, 2015, Internetquelle). Es ging darum, die volle Transparenz über fachübergreifende Prozesse zu erlangen und das volle Potential der Prozessoptimierung auszuschöpfen. Dabei sollten zeitliche Engpässe identifiziert, die Performance der Prozesse überwacht, Verstöße der tatsächlich ablaufenden Prozesse gegen geplante Modelle gefunden und ineffiziente Prozesse identifiziert werden.

Wie bei datengetriebenen Anwendungen üblich, standen bestimmte Use Cases bei der Analyse im Vordergrund. Ein Use Case bestand darin, die Identifikation und Optimierung von Bestellkanälen zu unterstützen. Die länderübergreifende Liefergeschwindigkeit sollte durch die Überprüfung der Prozessvarianten optimiert werden. Es sollte ermittelt werden, wie wiederkehrende Acitivies, beispielsweise Preisänderungen, einfach protokolliert und die zu Grunde liegenden Muster intuitiv erkannt und genutzt werden können.

Für die Echtzeitanalyse der Prozesse, wird bei Siemens „Celonis Process Mining“ einge­setzt in Kombination mit „SAP Hanna“, wodurch große Datenmengen und Echtzeitanaly­sen möglich werden. In dem Projekt wurden alle Bereiche des Process Mining bedeut­sam, bis hin zur Echtzeitintegration des Process Mining in den organisatorischen Alltag. Es wurden dabei über 70 ERP Systeme von Siemens angebunden und 800 Mitarbeiter wurden durch das Process Mining direkt in ihrer organisatorischen Arbeit unterstützt. Die Ziele konnten erreicht werden. Vor allem die Möglichkeit, den Ursprung von Prozess­schwierigkeiten wesentlich schneller zu ermitteln als vor der Nutzung von Process Mi­ning, stand dabei im Vordergrund.

Das zweite Beispiel der erfolgreichen Einführung von Process Mining, wurde von Te­lefonica I+D in Zusammenarbeit mit Fluxicon durchgeführt (vgl. Algarra, Gomez, 2017, Internetquelle). Telefonica I+D ist ein Unternehmen des Telefonica Konzerns. Das Unter­nehmen befasst sich mit Forschung und Entwicklung und führte 2017 ein Projekt im Be­reich Process Mining durch. Dabei ging es darum, das Inhouse Casemanagement Tool UDO mit Hilfe des Process Mining zu analysieren, um die Anzahl von Critical und Major Incidents zu verringern. Telefonica definiert Incidents als ungeplante Unterbrechungen oder Verringerungen der Qualität der zu erbringenden Dienstleistungen. Außerdem soll­ten "stille" Änderungen in den Abläufen erkannt werden, die vorher unerkannt blieben.

[...]

• Course: Big Data
• Grade: 1,7
• Author: Tassilo Weller (Author)
• Publication Year: 2022
• Pages: 36
• Catalog Number: V1315346
• ISBN (PDF): 9783346791726
• Language: German
• Tags: Big Data, Process Mining