Traditionelles Process Mining extrahiert aus Event Logs wertvolle Einblicke in reale Prozesse – unabhängig davon, was in Dokumentationen oder Soll-Prozessmodellen steht. KI hebt diese Fähigkeit auf ein neues Niveau, indem sie komplexe Muster erkennt, Prozesse automatisiert interpretiert und aktive Handlungsempfehlungen ableitet, ganz im Sinne des Value Engineering für Unternehmen.
Der Schlüssel liegt in der Kombination von drei technologischen Prinzipien:
-
Objekt-zentrierte Datenmodellierung (anstelle rein fallbasierter Logik)
-
Maschinelles Lernen für Anomalie-Erkennung und Vorhersagen (Predictive Analytics)
-
Generative KI für Event Logs, dynamische Berichte, Chatbots und Entscheidungsunterstützung
Die Datenmodellierung als Event Log ist gemeinsam mit der Prozessanalyse, im Kern eine Graphenanalyse, im Process Mining Tool. Object-centric Process Mining (OCPM) bezeichnet die dynamische Event Log Generierung, die komplexe Prozesse viel besser abbildet als klassische, fallbasierte Modelle. Statt sich nur auf einen „Case“ wie z. B. eine Bestellnummer zu konzentrieren, betrachtet OCPM mehrere Objekte gleichzeitig – etwa Bestellung, Rechnung, Lieferung und Kunde – und ihre Verknüpfungen im Prozessverlauf.
KI im Process Mining schließt dabei nicht erst hinter der Prozessanalyse mit Ausreißer-Erkennung und Vorhersagen an, sondern kann auch schon vorher zum Einsatz kommen, insbesondere um eben jenes Event Log erst zu erstellen.
Anomalie-Erkennung für ausreißende Einzelfälle und Prozess-Varianten
Machine Learning (ML), ein Teilgebiet der KI, ermöglicht Anomalie-Erkennung im Process Mining, indem es auffällige, unerwartete oder ineffiziente Prozessverläufe automatisiert identifiziert, die sich von typischen Mustern unterscheiden – und das im hoch-dimensionalen Vektorraum, also auch bei sehr komplexen und großen Datenmengen.
Der menschliche Process Miner (Analyst) mag zwar ebenfalls mit Erfahrung im sinnvollen Filtern von Prozessgraphen extrem lange Durchlaufzeiten, unerwartete Aktivitätsreihenfolgen und Varianten (Prozessabweichungen) sowie ungewöhnliche Ressourcenzuweisungen bzw. häufige Schleifen, Rücksprünge oder Abbrüche erkennen. Ein unüberwachtes maschinelles Lernverfahren kann diese jedoch auch unter sehr verschachtelter Bedingungskette gut genug identifizieren.
Der Mehrwert für diese KI-Augmentation der Prozessflussanalyse liegt vor allem in der Wirtschaftsprüfung und internen Revision, kann jedoch auch für die industrielle Lieferkette interessant sein, z. B. wenn nach außergewöhnlichen Risiken in Produktions- und Liefernetzwerken gesucht werden soll.
Predictive Analytics macht aus Process Mining eine Enterprise AI
Überwachtes maschinelles Lernen ist das sogenannte Predictive Analytics, welche in die Anwendungsbereiche der Klassifikation (Vorhersage von Fällen) und der Regression (Vorhersage von Zeiten, Kosten usw.) unterschieden werden können. Dies ermöglicht die Anwendung auf neue Prozesse, die tagtäglich im Unternehmen anfallen. So können neue Prozesse zu einem möglichst frühen Zeitpunkt beispielsweise als Problemfälle klassifiziert werden oder eine Durchlaufzeit vorhergesagt werden.
Der Mehrwert für diese speziell auf die Prozessdaten-Historie trainierten Prädiktionsmodelle liegt in der unternehmensindividuellen Früherkennung von Problemfällen und der früh im Prozess möglichen Vorhersage von Prozesszeiten, -kosten und z. B. weiteren Ressourcenbedarfen. Das Anwenderunternehmen geht damit in die Richtung der daten- und KI-getriebenen Prozessaussteuerung.
Analysis Augmentation mit Generativer KI
Analysis Augmentation mit Generativer KI ist ein aufkommender Gamechanger im Value Engineering für datengetriebene Arbeiten – vor allem im Process Mining, Business Intelligence und der Datenanalyse insgesamt. Anstatt nur Visualisierungen und Metriken zu liefern, wird die Analyse durch Generative KI (z. B. LLMs wie GPT-4) kognitiv unterstützt und interaktiv erweiterbar.
Der Mehrwert liegt hier in der zügigen Value Generierung und entfaltet sich insbesondere bei der Bewältigung der Hürden, Prozessanalyse richtig zu filtern, zu visualisieren und vor allem zu interpretieren. Dem menschlichen Analysten wird somit auch bei geringer Erfahrung im Process Mining ermöglicht, schnell und zielführend auf relevante Insights zu stoßen.
GenAI – KI schreibt Event Logs für Anwender
Die Erstellung von Event Logs war ein häufiger Blocker für Unternehmen, Process Mining durchführen zu können. Dies ist insbesondere dann der Fall, wenn weniger verbreitete ERP- oder andere IT-Systeme als Datenquelle dienen und wenn etwas exotischere bzw. hochgradig individuelle Geschäftsprozesse analysiert werden sollen. GenAI-Applikationen können heute jedoch Datenbank-Tabellen verstehen und SQL– oder Python-Skripte entwickeln, die die relevanten Datenspuren identifizieren und in ein Event Log transformieren. Dies kann KI schon heute und ist keine Zukunftsmusik mehr, dank Reinforcement Learning, die in heutiger GenAI steckt, werden maschinelle Programmierer mit jedem User-Feedback immer besser.
In der Tat bedeutet dieser Mehrwert auch eine Demokratisierung von Process Mining Enabling für alle Unternehmen, die Process Mining anbieten und auch für jene, die Process Mining nutzen. Über die Jahre hart erkämpfte Wettbewerbsvorteile von Marktführern lösen sich durch KI schnell in Luft auf. Dies gilt selbstverständlich längst schon auch für viele Branchen und Geschäftsbereiche.
Process Mining auf unstrukturierten Daten
Dank Large Language Models (LLMs), NLP und Semantik-KI lassen sich heute aus unstrukturierten Quellen wie E-Mails, Ticket-Texte, PDF-Rechnungen, Callcenter-Protokolle oder ganze Word-Dokumenten strukturierte Event-Daten erzeugen. KI erkennt z. B.: wer was wann getan hat (z. B. „Freigabe erteilt“, „Lieferung gebucht“ als Events), n welchem Zusammenhang diese stehen (Case) und welche Objekte beteiligt waren (z. B. Auftragsnummern, Kundenreferenzen, Benutzerrollen).
Damit entsteht ein strukturierter Event Log aus unstrukturierten Daten, welcher bisher unzugängliche Prozesse sichtbar macht – etwa in der internen Kommunikation, in Ausnahmeprozessen oder hybriden Abläufen. Ein besonders beliebter Anwendungsfall hierfür ist Process Mining mit Daten aus Tickets im Kunden-Service. Statt nur Meta-Daten über die Tickets der Kundenanfragen zu analysieren, können die textlichen Inhalte als unstrukturierter Datenteil mit in die Prozessanalyse eingebracht werden.
Übrigens ermöglichen KI-Applikationen der Kategorie Computer Vision (Bilderkennung) die Analyse von Video-Material und damit die Erfassung von Aktivitäten (Events im Sinne des Process Mining) von Produktionsmitarbeitern. Ein Anwendungsfall wäre die Zeit-Ermittlung für REFA oder MTM.
Haben Sie Fragen zu KI für Process Mining? Möchten Sie Process Mining für Ihre Unternehmensorganisation nutzen oder haben Sie vielleicht bereits Process Mining im Einsatz, wollen jedoch den Nutzen (Mehrwert) erhöhen und die Kosten für die Analysemethodik senken? Sprechen Sie uns an! Oder nutzen Sie unser AI Assessment für die Identifikation sinnvoller Anwendungsfälle in Ihrem Unternehmen!
DATANOMIQ ist der herstellerunabhängige Beratungs- und Service-Partner für Business Intelligence, Process Mining und Data Science. Wir erschließen die vielfältigen Möglichkeiten durch Big Data und künstliche Intelligenz erstmalig in allen Bereichen der Wertschöpfungskette. Dabei setzen wir auf die besten Köpfe und das umfassendste Methoden- und Technologieportfolio für die Nutzung von Daten zur Geschäftsoptimierung.
