Was ist Process Analytics / Process Mining?
Eine datenbasierte Methode zur Analyse, Überwachung und Verbesserung von Geschäftsprozessen.
Verbindet die klassische Prozessmodellierung mit der tatsächlichen Ausführung von Prozessen auf Basis realer Daten.
(aus IT-Systemen, wie z.B. ERP,CPM oder MES)
Was ist das Ziel von Process Analytics / Process Mining?
Konsolidierung von Daten über Primärprozesse (leicht verständlich)
Prozessineffizienzen identifizieren und beseitigen
Prozesskosten senken und Durchlaufzeiten verkürzen
Modellierung von implizitem Prozesswissen
Welche Prozess-Analyse-Möglichkeiten gibt es?
Wie setzt sich Process Mining zusammen?
Was brauche ich alles, um Process Mining durchzuführen?
Digitale Fußabdrücke
Zugriff auf relevante IT-Systeme
Prozessverständnis & Analyseziel
Datenkompetenz
Projektteam
Was sind Beispiele für digitale Fußabdrücke?
Systems
Gadgets
Websites
Machines
Telefonate
Sensors
Wie ist die Vorgehensweise bei Process Mining?
Reale Welt
(Mensch, Maschine, Organisation, Business Processes)
↓
System Support
(z.B. ERP)
Process Data (Event Logs)
Process Insights
man kann nur abbilden, was digital hinterlegt ist!
Für was benötigt man ein Ereignisprotokoll und was sind die Merkmale.
Ein Ereignisprotokoll speichert die Daten, die für Process Mining benötigt werden. Das Ereignisprotokoll umfasst mindestens drei digitale Merkmale: Fall-ID, Aktivitätsname, Zeitstempel. Es kann weitere optionale Spalten geben.
Welche Probleme haben traditionelle Prozess Analysen?
Punktbetrachtung
Nicht alle Prozessschritte werden erkannt
Komplexität wird unterschätzt
Unvollständige oder veraltete Datenbasis
Hoher Zeit- und Ressourcenaufwand
Geringe Skalierbarkeit
Warum laufen Teile ggf. nicht optimal durch den Prozess?
Unklare Prozesse
nicht standardisierte Prozesse
Schlechte Datenqualität
Ressourcenengpässe
Fehlende Transparenz
Mangelhafte Kommunikation
Was sind mögliche Analyse-Schwerpunkte?
Process Event: Unerwartete Ereignisse wie z. B. Preisänderungen.
Process Sequence: Falsche Reihenfolge von Aktivitäten.
Throughput Time: Zu lange Durchlaufzeiten (z. B. 35 Tage).
Automation: Geringe Automatisierungsraten bei bestimmten Schritten.
Process Specific: Prozessindividuelle KPIs wie der ESG-Score.
Ziel: Schwachstellen erkennen und gezielt verbessern.
Wie ist das Analyse Vorgehen?
Explore= IST-Zustand: Prozess entdecken und Schwachstellen identifizieren (z. B. Durchlaufzeit, Automatisierung). Welche Prozesse in welcher Reihenfolge?
Confirm= Bestätigen: Vergleich mit Qualitätsdaten, Auffälligkeiten validieren und Ursachen analysieren.
Quantify= Zusammentragen & Quantifizieren: z. B. finanzieller Schaden, nicht quantifizierte Auswirkungen.
Welche Daten kann man mittels Process Mining ermitteln?
Tatsächlicher Prozessverlauf (Ist-Prozess)
Zeitbezogene Kennzahlen
Abweichungen vom Soll-Prozess
Prozesskennzahlen und KPIs
Automatisierungsgrad
Ressourcen- und Kostenanalysen
Aus welchen Gründen könnte PM im Produktionsumfeld schwierig sein?
Fehlende digitale Datenbasis
Hohe Komplexität von Daten / Prozessen
Fehlende Standardisierung
Was macht Process Mining im Produktionsumfeld so interessant?
Transparenz in der Produktion
KPIs erfassen
Saubere Datenbasis à Rückverfolgbarkeit von Q-Themen —> schneller reagieren
Erkennung von Engpässen und Verzögerungen
Reduktion von Durchlaufzeiten und Verschwendung
Grundlage für Automatisierung und Digitalisierung
Kontinuierliche Verbesserung
Was sagt das ,Magische Dreieck‘ simultane Verbesserung zentraler Zielgrößen aus
Was sind die Digitalisierungsherausforderungen?
Datenflut
Datenanalyse
Daten-Spezialisten
Datenqualität
Real-Time
Welche Produktions-/ Logistik-Kennzahlen kennt Ihr?
Produktionskennzahlen:
OEE
DLZ
Ausschussquote
Stillstandzeiten
Rüstzeit
Logistikkennzahlen:
Liefertreue
Lieferzeit
Retourenquote
Transportkosten je Einheit
Welche Schwachpunkte haben die heutigen Kennzahlen i.d.R.?
Einzelbetrachtung vs. Gesamtbetrachtung
Kennzahl allein löst keine Probleme
Betonung auf der ganzheitlichen Analyse von Prozessen
Gesamtprozess-Performance ist aussagekräftiger als punktuelle Einzelmessungen
Zählen Sie die Phasen des CRISP-DM auf!
Geschäftsverständnis
Datenverständnis
Datenvorbereitung
Modellbildung
Evaluation / Prozess Analyse
Bereitstellung / Umsetzung
Erläutern Sie das CRISP-Modell?
Das Modell dient als strukturierter Leitfaden für Unternehmen, um:
Prozesse datenbasiert zu analysieren,
Verbesserungspotenziale aufzudecken,
datengetriebene Entscheidungen zu treffen.
Was kann die WSA nicht liefern?
Keine Echtzeitdaten
Keine tiefere Datenanalyse
Keine automatische Aktualisierung
Begrenzte IT-Integration
Keine Erfassung von Prozessvarianten
Was ist ein CRISP-Modell?
Der Name CRISP-DM steht für Cross Industry Standard Process for Data Mining.
Was kann eine WSA nicht liefern, was CRISP-DM kann?
WSA zeigt, wie ein Prozess abläuft (z. B. in der Produktion), aber:
sie analysiert keine Daten,
sie erstellt keine Vorhersagemodelle,
sie liefert keine datenbasierten Erkenntnisse.
CRISP-DM dagegen hilft, aus Daten:
Erkenntnisse zu gewinnen,
Modelle zu bauen (z. B. zur Prognose),
Datenprojekte strukturiert umzusetzen.
Welche Anforderungen an die Daten-Qualität im Rahmen von Process Mining Analysen gibt es?
Bereinigung um ‚Datenverunreinigungen‘ (Dublikate/ ‚Daten-Leichen‘, etc.)
Verständliche Umbenennung der Daten (bessere Verständlichkeit für Anwender)
Ergänzung von Meldepunkten für nicht digitalisierte bzw. kritischer Prozessbereiche, etc.
Gib ein Beispiel wie Projekterfahrungen (Process Mining) auf verschieden Bereiche wirkt.
Logistik —> Erhöhung Versorgungsleistung
Montage —> PDCA
Mech. Fertigung —> Prüfprozess-Effizienz
Wie ist das Zusammenspiel zwischen WSA und Process Mining?
WSA:
Vor-Ort Aufnahme -> IST-Prozess
Process Mining:
zeigt strukturelle Probleme in den Daten
Gemeinsam sorgen sie für:
Maximale Transparenz über den Gesamtprozess
Nachhaltige Verbesserungen durch gezielte Maßnahmen
Beseitigung von Prozessveränderungen
Identifikation von Prozess- / Strukturverbesserungen
Was für Rahmenbedingungen sind im Process Mining notwendig?
Komplexer Prozessverlauf
Hohe Anzahl paralleler Prozesse
Intransparente Prozessabfolgen
Hohe Anzahl von Teilevarianten
Instabile Prozess-Qualität
Hohes Nacharbeitsaufkommen
Hohe Durchlaufzeit-Spreizung
Was sind Korrelation Steuergrößen?
Produktqualität
Prozessqualität
Zeit
Kosten
Was deckt Process Mining auf?
Process Mining deckt mögliche Korrelationen zwischen unterschiedlichen Steuergrößen auf.
Bsp.: Kosten, Zeit, Produktqualität, Prozessqualität
Welche Schritte umfasst Process Mining in einem PDCA-Prozess?
Datensammlung
Problembeschreibung
Ursachenanalyse
Priorisierung
Welche Wirksamkeitseffekte vom PDCA mit Process Mining können erzielt werden?
→ Reduzierung Nacharbeits-Kosten/ -Kapazität während reduzierter Analysezeit
→ Reduzierung Analyse-Kapazität/-MA-Kosten durch schnellere Problemanalyse
→ Verbesserung Qualitäts-/ Effizienzkennzahl
Welche Mitarbeiteranforderungen sind für die Datenanalyse notwendig?
Daten Verständnis
Strukturiertes Arbeiten
Lust an Arbeit mit Daten
Kommunikationsfähigkeit
Prozess Verständnis
Zielgerichtetes Arbeiten
Verständnis komplexer Zusammenhänge
Was beschreibt der Order-to-Cash Prozess?
Prozess vom Eingang einer Kundenbestellung bis zur Bezahlung der offenen Forderung durch den Kunden. Es handelt sich um die Lieferantensicht auf einen Bestellprozess und daher der Vertriebsseite in einem Unternehmen zuzuordnen.
—>Vertriebsseite im Unternehmen
Start: Eingang Kundenbestellung à Ende: Bezahlung Forderung
Nenne mir ein Beispiel für ein Order-to-Cash Prozess.
Ein Beispiel könnte der gesamte Ablauf von der Bestellung eines Produkts bis zur Zahlung durch den Kunden sein.
Beschreiben Sie den Order-to-delivery Prozess.
Definiert Umsatz des UN
Hauptfaktor für Kundenzufriedenheit
Beschreibt alle Aktivitäten, die zur Erfüllung eines Kundenauftrags nötig sind
Erklären Sie das Operational vs. Analytical Data Model.
Operational:
Eingeschränkter Umfang, schnelles Laden, relevante Daten aus dem Tagesgeschäft
→ Operatives Geschäft
Analytical:
Breiter Umfang, weniger häufige und langsamere Ladevorgänge,
→ Umfangreiche Analysen
Zählen Sie die Wichtige Rollen im Rahmen der Process Mining Einführung auf (Projekt Organisation)
Sponsor -> Management Verantwortlicher
Prozess Verantwortlicher -> Abteilungsleiter
Key User (Analyst) -> Prozess Verbesserer
Anwender (Viewer) -> Fachbereichs Mitarbeiter
Listen Sie die verschiedenen „Value Processes“ auf und geben Sie jeweils ein Beispiel.
Problem Darstellung, Verständnis bzgl. relevanter Daten-Anforderungen
Daten Verfügbarkeit, Sicherstellung relevanter Analyse-fähiger Datenbasis (Struktur, Verfügbarkeit, Historie, Aussagefähigkeit)
Durchführbarkeit, Sicherstellung relevanter Resourcen (Daten-Analyse/Prozess-Spezialisten) und anforderungsgerechten Projekt Vorgehensweisen
Potentiale, Identifikation quantitativer Potentialfelder aus Datenanalysen
Nennen Sie die Phasen des Roll-out Prozess
Phase 1: Initialisierung
Phase 2: Punkt (use case)
Phase 3: Linie (Roll.out)
Phase 4: Flächenentfaltung
Was können wir von neuen Marktteilnehmern bzgl. Datennutzung lernen?
Innovatoren:
Daten —> Grundlage Entscheidungsrelevanter Info-Generierung
aktivieren neuer Marktchancen (KI)
Moderne Applikation mit KI-Ansatz
Etablierte UN:
Datenflut mit fest verknüpften Entscheidungsabfragen
Kostenfaktor / träge, wenig flexible Black Box
Breite, heterogene Systemlandschalt mit vielen gering integrierten Applikationen (z.B. SAP)
Erklären Sie den Unterschied zwischen Daten vs. Informationen.
Daten:
Ablage von Prozessen/Ergebnisse in IT-Systemen
Informationen:
Entscheidungsrelevante Verknüpfung von Daten
Zuletzt geändertvor 15 Tagen