LANA Process Mining | One license - one penguin ♥ | Contact us for a live demo!

Ursachenanalyse von Prozessabweichungen - Jetzt automatisiert in LANA

Automatisierte Ursachenanalyse für LANA
February 28, 2017 LANA
In Process Mining

Prozessanalyse und Optimierung sind oftmals ein kostspieliges Unterfangen. Neben dem hohen Ressourceneinsatz, der diese oftmals manuelle Tätigkeit erfordert, gibt es einen weiteren Nachteil: die auf subjektiven Erkenntnissen basierenden Ergebnisse der Analyse. Der möglicherweise realisierte Nutzen von Prozessverbesserungen bleibt oftmals vage und wenig quantifizierbar. Mit Process Mining können die vielen, bislang größtenteils ungenutzten Prozessdaten den Analysten allerdings in sehr kurzer Zeit mit qualifizierten Informationen zu Geschäftsrisiken und Optimierungspotential versorgen. Noch ist manuelle Arbeit allerdings auch hier erforderlich.

Während LANAs automatisierter Soll-Ist Abgleich bereits einen Großteil der manuellen Tätigkeit bei der Prozessanalyse übernimmt, geht unsere Vision und das technisch Mögliche noch weit darüberhinaus. Daher heben wir das Automatisierungspotential in der Prozessanalyse kontinuierlich weiter. Unsere neueste Errungenschaft in diesem Bereich betrifft das automatisierte Erkennen der Ursachen von Prozessabweichungen. Realisiert wurde das neueste Feature von LANA mit Klassifikations-Algorithmen aus dem Data Mining. Nun muss die Ursache eines Problems nicht mehr manuell aufgespürt und analysiert werden, was das Potential von Process Mining Anwendungen insgesamt deutlich erweitert.

Daten für die Ursachenanalyse

Das Hauptziel einer Ursachenanalyse ist es jene Faktoren zu identifizieren, welche entdeckte oder zuvor beobachtete Probleme hervorrufen und genauere Informationen über ihre Eigenschaften bereitzustellen. Dabei sind im Speziellen das Ausmaß, die Lokalisierung, der Zeitpunkt und der Kontext der verursachten Probleme von Interesse.

Typischerweise können diese Informationen aus den Prozessausführungsdaten extrahiert werden, die von den unterstützenden IT-Systemen geloggt wurden.

Im Hinblick auf die Datenextraktion gibt es verschiedene Optionen, die bereits erfolgreich in der Praxis angewendet werden: 

  • Extraktion pro Analyse mit einfachen Datenbankabfragen,
  • reguläre automatisierte Extraktionen mit sogenannten ETL-Tools (Extract-Transform-Load), die man bereits aus dem Business Intelligence Bereich kennt, oder
  • direkte Integration der Extraktionslogik in das Analyse-Tool unter Nutzung bereits bestehender Schnittstellen.

Dennoch erfordert die Extraktion von oftmals sehr stark angepassten IT-Systemen, wie bspw. SAP, eine gewisse Expertise und damit häufig initiale Implementierungsprojekte beim Kunden. Im Gegensatz dazu ermöglicht die Integration von standardisierten Cloud-Services den Datenimport per Mausklick, sobald die Schnittstelle einmal vorhanden ist.

Die oben gezeigte Darstellung skizziert wie die Daten der Prozessausführung genutzt werden. Zunächst wird der automatisierte Soll-Ist-Abgleich dazu verwendet die zu analysierenden Abweichungen schnell zu identifizieren. In diesem Schritt werden die Prozessdaten klassifiziert und aufgeteilt: in Fälle in denen das Problem auftritt und solche wo es nicht auftritt. Im zweiten Schritt werden die klassifizierten Prozessdaten genutzt, um Korrelationen der in den Daten vorhandenen Einflussfaktoren und dem Auftreten des Problems zu identifizieren. Hierfür werden Data Mining Klassifizierungsalgorithmen benutzt.

Diese Klassifizierung resultiert in einer Liste von Faktoren die stark mit dem Problem korrelieren und insofern als potentielle Ursachen angesehen werden können. Diese Ursachen können sich in Material, Anlagen, Personen, Prozessausführung, Management oder der Umwelt wiederfinden. Jede Prozessausführung ist mit unterschiedlichen Attributdaten verknüpft, wie z.B. das betroffene Produkt oder Land, der Produktionsstandort oder die genutzten Maschinen. So kann beispielsweise die Ursache für das Problem von zu langen Produktionszyklen stark mit der Nutzung einer bestimmten Maschine (Anlage), die regelmäßig überheizt (Umwelt), zusammenhängen.

Die Ergebnisse der Ursachenanalyse sind wichtiger Input für Verbesserungsmaßnahmen und zeigen auf, welche Verhaltensweisen, Handlungen, Daten, Ressourcen oder ähnliche Aspekte verändert werden müssen, um die Wiederholung des unerwünschten Verhaltens in Zukunft zu vermeiden, Best Practices aufzustellen und eine fehlerfreie Ausführung durchzusetzen.

Automatisierung ermöglicht Process Mining für alle

Die automatisierte Ursachenanalyse trägt zu einer weiteren Vermeidung manueller Tätigkeiten im Process Mining bei und versorgt den Analysten automatisch mit Verletzungen von Prozessvorgaben sowie deren Ursachen. Mit fortschreitender Automatisierung wird Process Mining attraktiv für eine Nutzergruppe, für welche die Methode aufgrund der Komplexität zuvor nicht ohne Weiteres zugänglich war.

Die Vorteile von Process Mining sind heute und speziell mit LANA für eine viel breitere Zielgruppe verfügbar, da weniger Spezialwissen und Ressourcen benötigt werden. Der Anwender kommt auch ohne spezialisierte Analysekenntnisse aus und kann sich voll auf die Verbesserung der Geschäftsprozesse fokussieren.

Für ein Unternehmen, welches selbst weder über Kompetenzen noch Ressourcen verfügt um aktiv Prozessanalyse zu betreiben, ist eine Lösung wie LANA ideal. Durch die automatisierte Prozessanalyse erhält der Anwender eine Liste mit den priorisierten Problemen, ihrer Verortung im Prozess (auf Aktivitätslevel) und den Ursachen. Diese Liste ermöglicht die effiziente und faktenbasierte Planung von Verbesserungsstrategien und die Sicherstellung von hoher Prozessqualität im Bezug auf Termintreue, Leistungsfähigkeit, Regeltreue und Ressourceneinsatz.

In Unternehmen die bereits aktives Prozessmanagement betreiben, senkt LANA den Aufwand für die reguläre Prozessanalyse enorm. So können die Ressourcen auf die eigentliche Prozessverbesserung verwendet werden, während die Veränderung kontinuierlich über die Zeit kontrolliert wird.