Visit us @Rethink Corporate Finance 2017 | Hamburg 27.4.2017 | Hotel Atlantic Kempinski

Zur Zukunft der Prozessanalyse

Wird der Prozessanalyst weg-automatisiert?

Zur Zukunft der Prozessanalyse
April 3, 2017 LANA
In Events, Process Mining

Wird der Prozessanalyst wegautomatisiert?

Auf der diesjährigen Cebit, richteten wir im Rahmen des Future Talks eine Podiumsdiskussion aus. Das zentrale Thema der Diskussion war die zunehmende Automatisierung der Prozessanalyse: Welche Möglichkeiten bieten aktuelle und zukünftige Technologien, was sind Chancen und Risiken und was bedeuten diese Entwicklungen für den Beruf des Prozessanalysten?

Beim Future Talk zu “Self Service Analytics – Die Automatisierung der Prozessanalyse” diskutierten unter der Moderation von Karina Buschsieweke: Tobias Rother, Gründer und Geschäftsführer der Process Analytics Factory, Torben Hingst, Leiter des Bereichs Business Intelligence und Datenintegration der MACH AG und Dr. Thomas Baier, Alumni des HPI und Geschäftsführer der Lana Labs GmbH.

Process Mining in der Praxis

Process Mining ist heute State of the Art für datenbasierte Prozessanalyse. Durch Auswertung von Daten, die IT-Systeme bei der Ausführung eines Prozesses mitschreiben, werden sonst nicht erfassbare Optimierungspotentiale in Geschäftsprozessen aufgedeckt. Aber wie kommen Unternehmen eigentlich dazu Process Mining einzusetzen?
Bei der MACH AG beispielsweise ist das Prozessmanagement ein fester Bestandteil im Beratungsportfolio. Als Anbieter von ERP-Software, die auf vielfältige Weise Prozesse und Workflows abbildet, verfügt man dort über relevante, strukturierte Daten. Daher sei es nur konsequent, die in Datenbanken und Protokollen vorhandenen Daten zu nutzen. „Process Mining ist für uns die geeignete Methode dafür. Die zusammen mit Lana Labs durchgeführten Proof of Concepts waren dabei mehr als vielversprechend.“, erklärt Herr Hingst.

Gegenüber dieser strukturierten Herangehensweise findet man in der Praxis auch andere Beispiele. Herr Rother gab interessante Einblicke auf die Frage, ob Unternehmen eigentlich vorher schon von ihren Ineffizienzen wissen oder doch oftmals von den Analyseergebnissen überrascht sind. Tatsächlich finden sich beide Ansätze wieder und haben auch ihre jeweilige Berechtigung. Unternehmen wissen entweder schon, dass es ein Problem gibt, aber nicht warum; oder Sie wollen grundsätzliche Prozesstransparenz schaffen wobei vorher unerkannte Ineffizienzen aufgedeckt werden können. 

future talk, cebit, process mining, lana labs

Die Datenbasis macht den Erkenntnis-Unterschied

Im Gegensatz zu Informationen, die durch herkömmliche Methoden wie Interviews o.ä. gewonnen werden und einen eher subjektiven Charakter haben, basiert Process Mining auf objektiven Daten. Diese können leicht erhoben werden. Die Datenbasis ermöglicht die präzise Analyse quantitativer Fragestellungen, das heißt Durchlaufzeiten und Prozessabläufe können exakt betrachtet werden. Eine präzise Abweichungsanalyse anhand definierbarer Kriterien ist möglich und zeigt die Optimierungspotentiale auf. Hier wiederum kann dann gezielt die Beratung ansetzen. „Das sind klare Mehrwerte, die unseren Kunden zugute kommen.“, so Herr Hingst.

Dabei ist die Datenextraktion und -aufbereitung noch immer eine der Hauptherausforderungen im Process Mining. Wie könnten künftige Szenarien aussehen, die diese Hürde vielleicht sogar völlig nivellieren?

Bei der Process Analytics Factory arbeitet man hier mit Plug-and-Play Extraktionsskripten für SAP, die aus der Erfahrung zahlreicher Projekte entstanden sind. Für Prozesse wir Order-to-Cash und Purchase-to-Pay, benötigt man nun nur noch wenige Stunden zur Extraktion – einen Bruchteil der Zeit, die bei der Datenextraktion völlig unbekannter Prozesse möglicherweise benötigt wird. Weitere Extraktoren seien bereits in Arbeit.

Auch Herr Hingst sieht die Datenextraktion und -aufbereitung bisher noch als Expertenaufgabe. Die größte Herausforderung sei dabei die Kenntnis der Quelldatenstruktur und der Zusammenhänge – technisch und fachlich. Eine Erleichterung können möglichst generische Extraktoren darstellen, die per Konfiguration auf unterschiedliche Quelldaten einstellbar sind. Die Übersetzung ins Zielformat sollte dann automatisch ablaufen. Bei der MACH AG hat man bereits einen Prototypen für die eigene ERP-Software entwickelt und erfolgreich eingesetzt.

Automatisierung heute und in Zukunft

Wie weit ist die Automatisierung in der Prozessanalyse heute fortgeschritten und was erwartet uns noch aus der Forschung? Dr. Baier, der sich seit 2008 mit Process Mining beschäftigt, gab einen kurzen Überblick über die Entwicklung: Vor etwa sechs Jahren kamen im ersten Schritt Process Discovery  Tools auf den Mark und dann folgte lange nichts Neues. Im letztem Jahr haben wir das mit dem Conformance Checking Feature in LANA geändert: Das automatisierte Aufdecken von Abweichungen, löst die aufwendige manuelle Analyse des “Discovered Models” ab. 2017 folgt nun die ‚Automatisierte Ursachenanalyse‘, mit der die Ursachen der aufgedeckten Prozessabweichungen ebenfalls automatisiert aufgezeigt werden.

Die nächsten Schritte in der Automatisierung wird es in Verbindung mit weiteren Machine Learning Techniken geben: Erste Ansätze für Integration im Bereich Prediction findet man bereits in den Ankündigungen mancher Toolhersteller.

Process Mining Daten bieten eine sehr gute Grundlage, um Simulations- und Vorhersage-Modelle auf validen historischen Daten aufzubauen. Mit “Was-wäre-wenn-Analysen” könnten Fragen wie „Was bedeutet der SAP-Rollout für mein Call-Center?“ beantwortet werden.  Zudem steht das Wissen, welche Ressourcen wofür benötigt werden und welche Schritte unter welchen Umständen wie lange dauern von Anfang an bereit.

Prediction würde es ermöglichen, relevante Informationen zeitnah für Mitarbeiter und Kunden bereitzustellen und einzugreifen bevor im Prozess etwas schief geht.

future talk, cebit, process mining, lana labs

Der Ruf nach Real-time Monitoring & Künstlicher Intelligenz

In vielen unserer Kundenprojekte definieren wir Sollprozesse, erklärte Herr Hingst. Die naheliegende Herausforderung sei das Ermitteln der Ist-Prozesse. Process Mining unterstützt hierbei. Im Falle von LANA sogar bis hin zu einem Prozessmodell in BPMN2.0. Nach Implementierung der Soll-Prozesse sieht die Methode bei der MACH AG einen kontinuierlichen Verbesserungsprozess (KVP) vor. Die Grundlage hierfür kann eine regelmäßige Abweichungsanalyse mit Methoden des Process Mining legen. Die hohe Kunst wäre jetzt noch ein Real-Time-Monitoring, das im Moment der Abweichung darüber informiert und ein sofortiges Gegensteuern zulässt.

Selbstlernende Algorithmen könnten in Zukunft erkennen, welche Abweichungen kritisch bzw. schlecht sind, was erfolgsversprechende Verbesserungsmaßnahmen sind – die in der gleichen Branche, im gleichen Prozess von anderen Unternehmen durchgeführt wurden-  oder die sich aus dem Unterschied zu erfolgreichen Prozessausführungen ergeben, erklärt Dr. Baier. Weitere Szenarien künstlicher Intelligenz im Process Mining sind die automatische Erkennung von Anomalien; Fraud-Detection und Natural-Language-Text Processing, sodass auch die Verarbeitung von E-Mails, Chats, Beschreibungstexten möglich wird. Die Herausforderung besteht dabei in der Definition: Wie definiere ich Erfolg? Was ist gut und was ist schlecht?

Auch Herr Rother sieht hier ganz klar Zukunftspotential, verweist aber auch auf den aktuellen Stand, indem Artificial Intelligence gerne im Marketing verwendet wird, aber noch keinen realen Bestand in der Praxis hat. In eigenen Forschungsprojekten wurde hier aber bereits das Potential von Machine-Learning-Techniken für die weitere Automatisierung der Datenextraktion erprobt. So soll es bald möglich sein mit selbstlernenden Algorithmen auch unbekannte Systeme anzubinden und deren Daten zu extrahieren und für das Process Mining zu transformieren.

Prozessanalyse – Quo vadis?

Können wir uns nun also darauf vorbereiten den Arbeitsbereich Prozessanalyse komplett zu automatisieren? Die Antwort auf die Frage, ob wir den Prozessanalysten in Zukunft noch brauchen, war zum Schluss eindeutig: Ja.

Der Prozessanalyst muss noch immer Entscheidungen über gut und schlecht treffen, Ergebnisse interpretieren und kommunizieren sowie möglicherweise kreativ Verbesserungsmöglichkeiten erarbeiten und umsetzen.

Allerdings wird er nicht mehr in der bisherigen Form benötigt. Aufgrund der anwachsenden Mengen an digitalen Daten wird es zukünftig darauf ankommen, diese Datenmengen zu managen, zu analysieren und die richtigen Schlüsse zu ziehen. Die Beherrschung geeigneter Tools und Transformieren der Erkenntnisse in kundenspezifische Lösungen wird dabei einer der wichtigsten Erfolgsfaktoren.