Suchen

Kommentar von Bastian Nominacher, Celonis Wie Process Mining zum digitalen Unternehmensberater wird

Autor / Redakteur: Bastian Nominacher / Nico Litzel

2,5 Milliarden Gigabyte an Daten entstehen weltweit täglich – ein gigantisches Potenzial, das es für Unternehmen richtig zu nutzen gilt. Dementsprechend sind heute digitale Technologien gefragt, die einen Zugang zum Rohstoff unserer Zeit ermöglichen. Big Data steht für das Sammeln und Auswerten dieser Datenmengen. Unter Einbindung neuester Ansätze aus dem Bereich Künstliche Intelligenz werden für Unternehmen ganz neue und viel umfassendere Erkenntnisse möglich.

Firmen zum Thema

Der Autor: Bastian Nominacher ist Co-CEO und Mitgründer von Celonis
Der Autor: Bastian Nominacher ist Co-CEO und Mitgründer von Celonis
(Bild: Celonis)

Bestes Beispiel ist die Big-Data-Technologie Celonis Process Mining, die sich als innovative Lösung für die gesamtheitliche Auswertung der Datenmengen etabliert hat, die bei der Abwicklung von Geschäftsprozessen entstehen. Durch die Kombination von Künstlicher Intelligenz und maschinellem Lernen mit Process Mining wird die Technologie smarter, generiert automatisiert Einblicke basierend auf Millionen von Prozessdatensätzen und macht mit modernsten Algorithmen Vorhersagen möglich – und das einfach und intuitiv, ganz ohne Expertenwissen. Das bedeutet unbegrenzte Möglichkeiten für die Analyse und Optimierung von Unternehmensprozessen – und damit Zeitersparnis und Effizienzgewinn zugleich.

Process Mining – die Maschine denkt mit

Process Mining ist den meisten Unternehmen als Big-Data-Technologie bereits bekannt: Hier geht es konkret um die Auswertung von Daten, die bei der Abwicklung von Unternehmensprozessen entstehen und in ihrer Gesamtheit die realen Ist-Prozesse abbilden. Das Ziel ist klar: Es gilt, interne Abläufe kontinuierlich und vollumfänglich im Blick zu haben, um Abweichungen oder Schwachstellen in Echtzeit zu erkennen. Mithilfe von Process Mining können Mitarbeiter also entsprechend schnell reagieren und Ansatzpunkte ausfindig machen, um die vom Soll abweichenden Prozesse wieder in die gewünschte Bahn zu lenken. Ein auf den ersten Blick einfaches Konzept mit großer Wirkung: Unternehmen sparen Zeit und Kosten – sie gewinnen an Effizienz, Agilität und schließlich Wettbewerbsfähigkeit.

Die vielseitigen Anwendungsfelder von Process Mining wissen Unternehmen verschiedenster Größe und Branche bereits zu schätzen. Egal ob Mittelstand oder Großunternehmen, ob Maschinenbau, Telekommunikation oder Großhandel – dank Process Mining werden die Prozesse in diversen Abteilungen wie Einkauf, Logistik oder Vertrieb bereits optimiert.

Doch es geht längst nicht mehr nur um die Analyse von Prozessen, denn die Technologie ist bereits einen Schritt weiter: Wo vorher allein die Interpretationsfähigkeit von Mitarbeitern für die Ableitung von Handlungsempfehlungen gefragt war, setzen heute moderne Algorithmen an – die Software analysiert und interpretiert die gewonnenen Daten quasi selbstständig. Der Einsatz von Machine Learning und Künstlicher Intelligenz ermöglicht ganz neue und viel umfassendere Erkenntnisse: Denn erstmals ist es möglich, Informationen aber auch Vorhersagen zu generieren, die auf vielen Millionen von Prozessdatensätzen basieren. Wie aber funktioniert Machine Learning in Verbindung mit Process Mining nun ganz konkret? Und was genau haben Anwender davon?

So profitieren Process-Mining-Nutzer

Beim maschinellen Lernen generiert die Software ihr Wissen aus der Historie. Integrieren Anwender Machine-Learning-Komponenten in ihre Process-Mining-Plattform, läuft die Auswertung von Prozessen ganz von allein – automatisiert im Hintergrund und das nicht nur in Echtzeit, sondern auch vorausschauend. Das System lernt aus den Prozessabläufen, erkennt Zusammenhänge zwischen Ursache und Wirkung und kann Abweichungen frühzeitig erkennen und erklären. Machine Learning macht so Predictive Analytics und Maintenance möglich – und damit das Einleiten von Maßnahmen zur aktiven Vermeidung von Prozessstörung. Welche Maßnahme im konkreten Fall ergriffen werden sollte, bleibt dann nicht allein der subjektiven Einschätzung des Anwenders überlassen. Vielmehr macht die Software neben Vorhersagen auch konkrete Handlungsempfehlungen – und agiert damit praktisch wie ein digitaler, automatisierter Unternehmensberater.

Dem selbstlernenden System von Machine Learning liegt ein Modell zugrunde, in welches unterschiedliche Datensätze eingespeist werden. Hierfür werden Eventdaten, die sich auf abgeschlossene Ereignisse beziehen und den Unternehmen je nach Zeitraum der Aufzeichnung meist in großer Menge vorliegen, mit Metadaten und Input-Faktoren angereichert. Diese Metadaten werden etwa in den klassischen Purchase-To-Pay-Prozessen gesammelt und können Informationen umfassen wie Verkäufer, Werk, Einkaufsorganisation oder interne Abteilungen. Input-Faktoren können ebenfalls in Form von Prozessdaten in das Modell integriert werden – sie sind es, über die das System Vorhersagen über den weiteren Prozessverlauf trifft. Ein Beispiel für Input-Faktoren ist die Anzahl an bestimmten, kritischen Aktivitäten. Basierend auf früheren Prozessen wie Bestellungen oder Kundenaufträgen kann die Celonis Software so Aussagen über die erwartete Prozessdauer oder die nächsten Prozessschritte treffen.

Intelligente Lieferzeitvorhersage als klarer Wettbewerbsvorteil

Die Auswertung von Prozess- und Metadaten macht beispielsweise die Vorhersage von Lieferzeiten möglich. Gerade Handelsunternehmen sehen sich heute mehr denn je im direkten Wettbewerb mit Amazon und Co. – Termintreue und schnelle Auslieferung werden dabei zum knallharten Wettbewerbsvorteil. Größte Herausforderung ist allerdings oft die eigene Abhängigkeit von Zulieferern. Die in den Stammdaten eines Unternehmens hinterlegten Informationen zu den Lieferzeiten sind in der Regel grobe Schätzungen, die bei unterschiedlichen Produkten oder Mengen stark variieren können. Celonis Process Mining gibt einen detaillierten Überblick über alle Bestell- und Lieferprozesse inklusive der Prozessdauer. Damit wird es möglich, die Planungszeit aktiv zu verbessern. Dazu werden alle Prozessdaten aus vergangenen Bestellungen mit den Metadaten verknüpft, die Informationen zu den einzelnen Lieferanten und Bestellungen beinhalten, zum Beispiel: Welche Abteilung hat bei welchem Lieferanten bestellt, welches Material und wie viel davon wurde geordert.

Mit dieser Bestandsaufnahme kann Celonis Planungsfehler aufzeigen und zusätzliches Wissen aus den Daten generieren: Sieht der Plan vor, dass es 60 Tage dauert um eine bestimmte Hülse wieder auf Lager zu haben, zeigt die Software, dass die Lieferung in der Vergangenheit nie länger als fünf Tage gedauert hat. Dieser Prozess ist in beide Richtungen kritisch: Werden Positionen schneller als geplant bereitgestellt, entstehen höhere Lagerkosten. Sind sie später verfügbar als geplant, resultiert das in einer verspäteten Auslieferung beim Kunden, im schlimmsten Fall steht die Produktion still oder muss aufwendig umgeplant werden. Mit Celonis Pi kann der Nutzer einfach einstellen, mit welcher Sicherheit geplant werden soll – das System gibt mithilfe von modernsten Algorithmen optimale Planungszeiten vor.

Zudem wird es durch Celonis möglich, auch bei offenen Bestellungen frühzeitig einzugreifen, sollte beispielsweise ein Lieferengpass drohen. Denn die Software stellt die in den Stammdaten hinterlegten Planungszeiten dem aktuellen Status Quo gegenüber: Wurde in den Stammdaten zu optimistisch geplant und von nur zwei Tagen bis zur Lieferung der Ware ausgegangen, zeigt die Software automatisiert auf, dass bereits sechs Tage vergangen sind, die Ware jedoch immer noch nicht geliefert wurde und gibt mit einer Wahrscheinlichkeit von 99 Prozent eine Prognose dazu, wann die Ware vor Ort sein wird. Machine Learning nutzt also historische Daten, um die Analyse von offenen Ereignissen selbst zu erlernen und geeignete Maßnahmen daraus abzuleiten. Grundsätzlich gilt dabei: Je mehr Daten in das Modell integriert werden, desto mehr lernt es – und desto feiner sind die Muster, die es in den Prozessen erkennen kann.

Mit Künstlicher Intelligenz zu mehr Innovation

Prozessanalyse wird zukünftig immer mehr von Machine Learning und Künstlicher Intelligenz getragen. Intelligent, automatisiert und sekundenschnell wertet Process-Mining-Software Daten und Prozesse aus und interpretiert diese – und unterstützt und entlastet Nutzer damit zunehmend. Das Schöne daran ist: Jedes Unternehmen, das historische Daten vorliegen hat, kann mithilfe von Experten Machine-Learning-Funktionen in bestehende Process-Mining-Plattformen integrieren und von den umfassenden Erkenntnissen profitieren.

(ID:44667609)