Digitaler Zwilling einer Organisation: Schritt für Schritt zum eigenen Modell

Ein digitaler Zwilling der Organisation verknüpft das Modell eines Sollprozesses mit den Daten, die Ihre Systeme bereits erzeugen. Messwerte zeigen, wie gut der tatsächliche Ablauf dem Modell entspricht. So entsteht weder ein Unternehmensdiagramm noch eine eigenständige Datenplattform, sondern die Verbindung von Modell und Daten für einen konkreten Prozess.

Der Aufbau erfolgt nicht in einem einzigen Projekt, sondern stufenweise: dokumentiert, gemessen, getestet, aktuell. Jede Stufe beantwortet eine andere Frage. Alles auf dieser Seite beschreibt Funktionen von ProcessMind für denselben Prozesseintrag: Modellierung, Ereignisdaten und Process Mining, Simulation, Dashboards und Prozessgesundheit.

Die Bestandteile eines digitalen Zwillings einer Organisation

Drei Bestandteile, die nur zusammen funktionieren:

• Ein Prozessmodell. Es zeigt, wie die Arbeit ablaufen soll: die Aktivitäten, ihre Reihenfolge, die Rollen, Systeme und Regeln. Teile davon liegen vermutlich in Diagrammen, Wiki-Seiten und Richtliniendokumenten, verstreut und nicht mehr aktuell.
• Ausführungsdaten. Sie zeigen, was tatsächlich geschehen ist, direkt aus den Systemen, in denen die Arbeit erfasst wird: ERP, CRM, ITSM, WMS. Cases, Aktivitäten und Timestamps, ohne dass jemand den eigenen Arbeitsalltag nachträglich rekonstruieren muss.
• Messung. Sie stellt die Verbindung zwischen Modell und Daten her. Scores der Prozessgesundheit, Varianten und Konformitätsprüfungen zeigen, wo die Ausführung vom Modell abweicht. Simulationen machen sichtbar, was eine Änderung bewirken würde, bevor Sie sie umsetzen.

Mit dem Modell allein haben Sie eine Dokumentation. Ergänzen Sie die Daten, können Sie den tatsächlichen Ablauf analysieren. Mit Messungen und der Möglichkeit, Änderungen zu testen, entsteht ein digitaler Zwilling.

Damit ist auch die Frage nach dem Unterschied zwischen digitalem Zwilling und Process Mining beantwortet: Process Mining zeigt, was geschehen ist. Ein digitaler Zwilling entsteht, wenn diese Nachweise mit einem Modell und der Möglichkeit verknüpft werden, Änderungen zu testen. Process Mining allein beantwortet die erste Frage und geht nicht darüber hinaus.

Zwei häufige Missverständnisse sollten wir ausräumen. Digitale Zwillinge bilden auch physische Anlagen wie Maschinen anhand von Sensordaten ab. Das ist ein anderes Artefakt, beschrieben in unserer Erklärung zum digitalen Zwilling. In der Softwareentwicklung bezeichnet DTO ein Data Transfer Object, das mit diesem Thema nichts zu tun hat. Gartner hat den Begriff im Sinne einer Organisation in die Enterprise-Architektur eingebracht. Dabei geht es nicht um eine Maschine, sondern darum, wie Arbeit Prozesse, Teams und Systeme durchläuft.

Die Begriffe sind ebenso vielfältig wie die Definitionen: In Unterlagen von Anbietern finden sich etwa „organization digital twin“, „DTO digital twin“, „enterprise digital twin“ und „organizational digital twin“. Betrachten Sie sie als Bezeichnungen für dasselbe Artefakt. Entscheidend ist, ob das Modell mit Daten und Messwerten verbunden ist, nicht die Bezeichnung.

Der Weg von unten: modellieren, Daten ergänzen, verbessern

Die einzelnen Stufen lassen sich leichter von unten angehen, als von oben durchzuplanen. Jeder Schritt führt zu einem Ergebnis, das Sie anderen zeigen können, und lässt sich innerhalb einer Woche abschließen.

1. Modellieren Sie einen Prozess, nicht die gesamte Organisation

   Wählen Sie einen Prozess, zu dem eine Entscheidung ansteht. Liegt er als Diagramm oder Dokument vor, übernehmen Sie ihn. Andernfalls beschreiben Sie ihn in einem Satz und lassen Sie mit KI einen ersten BPMN-Entwurf erstellen, den Sie anschließend überarbeiten. Am Ende steht ein Modell, das Ihr Team geprüft hat, einschließlich der Schritte mit zugehöriger Dokumentation.

2. Verknüpfen Sie ihn in der Architektur

   Ordnen Sie den Prozess ein: Zu welcher Wertschöpfungskette gehört er, wer ist verantwortlich und an welche Prozesse wird er übergeben? Ein Modell für sich ist eine Zeichnung. Als Teil einer verknüpften Architektur bildet dasselbe Modell die Strukturebene des digitalen Zwillings und schafft die Grundlage für die nächsten Stufen.

3. Ergänzen Sie die Ereignisdaten

   Laden Sie das Event Log für diesen Prozess hoch. Eine Case-ID, eine Aktivität und ein Timestamp reichen für den Anfang. Die Daten müssen nicht vollständig sein: Schon das Log eines Systems zeigt den Ablauf, Wartezeiten und Varianten für die dort erfassten Schritte. KI-Datenempfehlungen für den Datensatz weisen vor der Analyse auf Spaltenzuordnungen und Qualitätsprobleme hin.

4. Verbessern Sie den Prozess und testen Sie die Änderung

   Nehmen Sie den schwächsten Befund zum Ausgangspunkt und ändern Sie eine Sache: eine Übergabe, eine Freigabe oder eine Nacharbeitsschleife. Passen Sie das Modell an, simulieren Sie die Änderung im Vergleich zum aktuellen Prozess und entscheiden Sie anhand des Vergleichs statt nach Bauchgefühl. Messen Sie danach erneut, um den Verbesserungszyklus zu schließen.

Sie müssen nicht erst die gesamte Organisation modellieren, damit sich die beschriebenen Schritte lohnen. Zwei Prozesse mit Daten sind hilfreicher als zwanzig Prozesse auf Folien. Der zweite Prozess geht außerdem deutlich schneller als der erste. Wie Modellierung und Process Mining einander ergänzen, erfahren Sie in unserem ausführlichen Beitrag.

Mit lückenhaften statt perfekten Daten starten

Die Datenabdeckung wächst wie das Modell: Prozess für Prozess. Zwei Punkte machen das praktikabel.

Auch lückenhafte Daten beantworten eine Frage. Stammt das Log aus einem System, sehen Sie bereits den Ablauf, Wartezeiten und Varianten der dort erfassten Schritte. Schritte, die an anderer Stelle stattfinden, fehlen. Das wissen Sie, weil das Modell zeigt, wo sie hingehören.

Das Modell ordnet die Daten ein. Die meisten Process-Mining-Tools beginnen mit einem Log und leiten daraus den Prozess ab. Was im Log fehlt, bleibt daher unsichtbar. Liegt das Modell bereits vor, müssen die Daten nicht den gesamten Prozess abbilden, um nützlich zu sein: Die Struktur ist vorhanden, jede Kennzahl bezieht sich auf einen benannten Schritt und Lücken zeigen sich als Schritte ohne Daten.

Das spricht auch dagegen, auf vollständige Daten zu warten. Ein neunmonatiges Projekt, das das perfekte Log zusammenstellt, bildet womöglich einen Prozess ab, der sich während der Datenerhebung bereits verändert hat. Die erste Analyse erklärt dann die Projektgeschichte statt der tatsächlichen Arbeit. Besser ist ein schneller, hinreichend genauer Einstieg: ein Prozess, ein System, drei Monate an Ereignissen und eine konkrete Entscheidung.

Die Datenabdeckung wächst anschließend mit der Architektur. Für den nächsten dokumentierten Prozess kommt das zugehörige Log hinzu. So folgt die Reichweite des digitalen Zwillings dem Prozesskatalog und nicht einem separaten Datenprogramm.

Prozessgesundheit: So wird der digitale Zwilling gemessen

Ein digitaler Zwilling ohne Score ist ein Projekt ohne Rückmeldung. Die Prozessgesundheit macht aus der Verbindung von Modell und Daten eine Grundlage, die Sie Woche für Woche verbessern können. Das CURES-Framework erläutert, was die fünf Dimensionen messen.

Welche Entscheidungen ein digitaler Zwilling unterstützt

Eine Änderung freigeben oder ablehnen. Modellieren Sie den geplanten Prozess, halten Sie Mengen und Zeitangaben realistisch und vergleichen Sie die Optionen. Die Ergebnisse einer Simulation sind nur so aussagekräftig wie die zugrunde liegenden Annahmen. Deshalb sollten Sie diese genau prüfen: Eine Simulation sagt die Zukunft nicht voraus, sondern macht die Entscheidungsgrundlage sichtbar.

Festlegen, wo die nächste Verbesserung ansetzt. Ein Diagramm zeigt, dass es eine Freigabe gibt. Ausführungsdaten zeigen, wie lange Cases dort warten. Zusammen lässt sich beurteilen, ob dieser Schritt Aufmerksamkeit verdient. Wie Sie Ihren Prozess analysieren, erfahren Sie in unserem Leitfaden vom Prozessgraphen zum Befund.

Prüfen, ob das Modell die tatsächliche Arbeit noch beschreibt. Ein Vergleich des Modells mit der jüngsten Ausführung zeigt, wo sich beide auseinanderentwickelt haben. Das ist ein Anlass, das Modell zu überprüfen, statt einem fertigen Dokument blind zu vertrauen.

Daten einspeisen und Erkenntnisse gewinnen

Ob ein digitaler Zwilling aktuell bleibt, zeigt sich nicht beim ersten, sondern beim zweiten und dritten Upload. Sobald die Analyse vorliegt, geht es darum, sie aktuell zu halten und die Ergebnisse zu verstehen:

• Eine tägliche Aktualisierung genügt. Das Log muss nicht fortlaufend in den digitalen Zwilling übertragen werden. Wenn Sie den Datensatz täglich oder wöchentlich durch einen aktuellen Export ersetzen, bleiben der analysierte Prozess und die Dashboards hinreichend aktuell, um darauf zu reagieren. Prozessentscheidungen ändern sich nicht von Minute zu Minute. Eine Aktualisierung, die tatsächlich durchgeführt wird, ist besser als eine Datenpipeline, die niemand pflegt.
• KI prüft die Daten, bevor Sie sie analysieren. KI-Datenempfehlungen prüfen den Datensatz und weisen mit einem Score zur Zuordnungssicherheit auf Spaltenzuordnungen und Qualitätsprobleme hin. So fällt eine fehlerhafte Timestamp-Spalte auf, bevor sie die Analyse verfälscht.
• KI-Zusammenfassungen analysieren den Prozess für Sie. KI-Zusammenfassungen beschreiben Engpässe, Compliance-Probleme, Trends und die Prozessgesundheit direkt auf der Zeichenfläche. Früher waren dafür oft ein Analyst und ein Meeting nötig.
• Stellen Sie eine Frage zum Prozess. Der KI-Assistent beantwortet Fragen zu Ihrem Prozess und schlägt Änderungen vor, die Sie prüfen und mit einem Klick übernehmen können.
• Ermöglichen Sie jedem Assistenten den Zugriff auf den digitalen Zwilling. Im Enterprise-Tarif stellt der MCP-Server Ihre Prozesse und Modelle als standardisierte MCP-Tools bereit. So können Claude, ChatGPT, Copilot oder ein selbst entwickelter Agent mit denselben verwalteten Daten arbeiten. Ein offener Standard ersetzt eine individuelle Integration. Jeder Benutzer sieht weiterhin nur die Inhalte, die sein Sitzplatz zulässt.
• Testen Sie Änderungen mit realistischen Parametern. KI-gestützte Simulation erstellt Simulationsparameter aus Ihrem Modell oder leitet sie aus Ihren eigenen Daten ab. So entfällt der zeitaufwendigste Teil beim Einrichten eines Was-wäre-wenn-Szenarios.

Der Zyklus, der einen digitalen Zwilling aktuell hält, ist kurz: Der Export läuft, die Analyse wird aktualisiert, Zusammenfassungen und Score der Prozessgesundheit zeigen Veränderungen an und jemand entscheidet über das weitere Vorgehen. Läuft dieser Zyklus ohne eigenes Projekt, ist die aktuelle Stufe erreicht.

Mit welchem Prozess Sie beginnen sollten

Wählen Sie einen Prozess, zu dem eine Entscheidung ansteht, der ein messbares Ergebnis hat und für den Ereignisdaten aus mindestens einem System vorliegen. Eine Freigabe oder Übergabe, über die bereits diskutiert wird, eignet sich oft besonders gut: Die Diskussion liefert die Frage, das Log die Antwort.

Prüfen Sie, ob die Ereignisdaten die relevanten Aktivitäten und Zeitangaben erfassen, bevor Sie Zusagen machen. Mindestens erforderlich sind eine Case-ID, eine Aktivität und ein Timestamp pro Ereignis. Modellieren und laden Sie den Prozess anschließend und prüfen Sie, worin Modell und Daten voneinander abweichen. Prozessmodellierung ist ein guter Einstieg, wenn das Modell der schwächere Teil ist.