Warum wir Standard-Konnektoren meiden (und was wir stattdessen tun)

Auf der Suche nach Daten-Templates? Entdecken Sie unsere Leitfäden zur kontinuierlichen Prozessverbesserung mit sofort nutzbaren Vorlagen für Prozesse wie Einkauf bis Zahlung, Order-to-Cash und die Kreditorenbuchhaltung.

Process Mining braucht Daten – aber wir machen es falsch

”Daten machen 80% der Arbeit im Process Mining aus.”

Diese Statistik haben Sie wahrscheinlich schon gehört. Und wir haben sie definitiv selbst erlebt. Doch hier ist die unangenehme Wahrheit: Dass Daten 80% der Arbeit ausmachen, ist kein Naturgesetz – es ist ein Symptom dafür, dass etwas falsch gemacht wird.

Wenn die Datenextraktion zu einem monatelangen Projekt wird, ist etwas schiefgelaufen. Das Ziel von Process Mining sind nicht perfekte Datenpipelines. Es sind Erkenntnisse. Es ist die Entdeckung, dass Rechnungen 12 Tage lang unberührt liegen, bevor sie jemand ansieht. Es ist die Feststellung, dass 40% der Aufträge aufgrund eines falsch konfigurierten Systems manuelles Eingreifen erfordern.

Daten sind ein Mittel zum Zweck, nicht der Zweck selbst.

Warum bleiben also so viele Process Mining-Projekte in der Datenphase stecken? Oft läuft es auf eine einzige Entscheidung hinaus: die Wahl von sofort einsatzbereiten Konnektoren.

Das Versprechen von sofort einsatzbereiten Konnektoren

Seien wir ehrlich. Das Versprechen ist verlockend.

Sofort einsatzbereite Konnektoren sind vorgefertigte Integrationen, die vorgeben, Prozessdaten aus Systemen wie SAP, Salesforce, ServiceNow oder Oracle zu extrahieren. Der Pitch klingt dann etwa so:

• Zeigen Sie auf Ihr System
• Drücken Sie einen Knopf
• Ihre Daten erscheinen, perfekt formatiert
• Richten Sie tägliche Aktualisierungen ein
• Fertig

In einer idealen Welt wäre das transformativ. Und ehrlich gesagt, wir haben es gesehen, wie es funktioniert – in Demos. Manchmal sogar in einfachen Produktionsumgebungen mit Standard-Systemkonfigurationen.

Aber hier ist der Haken: Ihr Unternehmen ist keine Demo-Umgebung.

Der Realitäts-Check

Wir verbringen seit Jahren damit, Unternehmen beim Process Mining zu unterstützen. Wir haben gesehen, was funktioniert und was nicht. Und immer wieder haben wir erlebt, wie sofort einsatzbereite Konnektoren mehr Probleme schaffen, als sie lösen.

Der “schnelle Start”, der ein Jahr dauert

Einer unserer Kunden startete sein Process-Mining-Projekt begeistert von einem SAP-Konnektor eines Anbieters. “Drei Wochen bis zu den ersten Erkenntnissen” wurde ihm versprochen.

Doch achtzehn Monate später waren sie immer noch mit der Behebung von Datenqualitätsproblemen beschäftigt.

Das ist kein Einzelfall. Wir haben Konnektor-Projekte erlebt, die sich über ein Jahr hinzogen und dabei gleichermaßen Budgets und Enthusiasmus verschlangen. Der “einfache” Aufbau wird alles andere als einfach, wenn die Realität auf das Verkaufsversprechen trifft.

Warum Konnektoren in der Praxis oft scheitern

• Ihr System ist nicht Standard. Konnektoren sind für bestimmte Versionen spezifischer Software konzipiert. Doch Unternehmen passen ihre Systeme an: Sie fügen Felder hinzu, ändern Workflows und Tabellenstrukturen. Ihr eingesetztes ERP-System hat sich wahrscheinlich über ein Jahrzehnt entwickelt. Der Konnektor erwartet eine Lehrbuch-Installation; Sie aber haben ein lebendiges System, das über Jahre hinweg durch Geschäftsentscheidungen geformt wurde.

• Konnektoren versuchen, alles zu lösen. Ein Konnektor, der jeden denkbaren Process-Mining-Anwendungsfall abdecken soll, wird unglaublich komplex. Er muss Sonderfälle unterstützen, denen Sie nie begegnen werden, während er möglicherweise genau die spezifische Analyse, die Sie wirklich benötigen, nicht unterstützt. Dieser “Einheitsgröße für alle”-Ansatz bedeutet, dass Sie sich durch eine Komplexität kämpfen müssen, die Ihrem Projekt keinen Mehrwert bringt.

• Das Multi-Tabellen-Labyrinth. Die meisten Konnektoren arbeiten mit mehreren Quelltabellen, was leistungsstark klingt – und es auch ist. Doch die Einrichtung und Pflege dieser Tabellenbeziehungen ist komplex. Sie müssen nicht nur Ihren Geschäftsprozess verstehen, sondern auch das Datenmodell des Konnektors, das Datenmodell des Quellsystems und wie diese zueinander abgebildet werden sollen. Das sind viele Modelle.

• Black Boxes schüren Misstrauen. Wenn bei einem Konnektor etwas schiefläuft (und es läuft immer etwas schief), können Sie nicht hineinschauen, um den Grund zu verstehen. Sind die Daten im Quellsystem falsch? Transformiert der Konnektor sie fehlerhaft? Gibt es ein Konfigurationsproblem? Sie debuggen “blind”, was für alle Beteiligten frustrierend ist – und es nahezu unmöglich macht, Ergebnisse den Stakeholdern zu erklären.

• Doppelte Arbeit. Hier ist die Ironie: Viele Organisationen haben bereits saubere, aufbereitete Daten in ihren Data Warehouses oder Data Lakes. Ihre Data Engineers haben Jahre damit verbracht, Pipelines aufzubauen, Datenqualitätsprobleme zu lösen und zuverlässige Datensätze zu erstellen. Ein Konnektor ignoriert all diese Arbeit und beginnt bei Null, was potenziell Inkonsistenzen mit den Daten einführt, denen Ihr Unternehmen bereits vertraut.

• Generische Namen, die verwirren. Konnektoren verwenden standardisierte Terminologie, die möglicherweise nicht mit der Art und Weise übereinstimmt, wie Ihr Unternehmen über seine Prozesse spricht. Wenn der Konnektor etwas als “Order Confirmation” bezeichnet, Ihr Team aber von “Sales Acknowledgment” spricht, haben Sie eine zusätzliche Übersetzungsebene geschaffen, die jede Konversation verlangsamt.

• Die ETL-Falle. Die meisten Konnektoren zwingen Sie in die ETL-Tools des Anbieters. Das bedeutet, proprietäre Systeme zu erlernen, von anbieterspezifischen Funktionen abhängig zu sein und Fachwissen aufzubauen, das nicht auf andere Tools übertragbar ist. Währenddessen verfügt Ihr Unternehmen wahrscheinlich bereits über eine ETL-Infrastruktur und Mitarbeiter, die wissen, wie man sie bedient.

• Vendor Lock-in als Konzept. Seien wir direkt: Komplexe, proprietäre Datenpipelines sind aus Sicht des Anbieters ein Feature, kein Bug. Sobald Sie sechs Monate in den Aufbau einer Konnektor-basierten Infrastruktur investiert haben, wird ein Wechsel zu einem anderen Tool enorm teuer. Das ist kein Zufall.

Die versteckten Kosten

Jenseits der technischen Herausforderungen verursacht der Konnektor-Ansatz echte Kosten:

• Zeit: Monate für die Datenextraktion statt für die Analyse
• Geld: Teure Konnektor-Lizenzen plus Beraterhonorare für die Einrichtung
• Opportunität: Prozessverbesserungen verzögern sich, während die Pipeline aufgebaut wird
• Motivation: Teams verlieren ihren Enthusiasmus, wenn Projekte in der Datenphase stecken bleiben
• Vertrauen: Stakeholder zweifeln am Wert von Process Mining, wenn erste Projekte aus dem Ruder laufen

Unser Ansatz: Daten-Templates

Wir haben einen anderen Weg gewählt. Anstatt Konnektoren zu entwickeln, haben wir Daten-Templates erstellt.

Die Philosophie ist einfach: Wir geben vor, welche Daten in einem Format benötigt werden, das nah an Ihrem Prozess ist und einfach generiert werden kann.

Starten Sie mit Excel

Ja, wirklich. Sie können mit Excel beginnen.

Neu bei Event Logs? Unser Leitfaden “Wie man ein Process Mining Event Log erstellt” führt Sie Schritt für Schritt durch die Erstellung Ihres ersten Event Logs, mit Beispielen in Excel und SQL.

Unsere Datentemplates definieren genau, welche Spalten Sie für jede Art von Analyse benötigen. Für viele Prozesse sind dies eine Case ID, ein Timestamp und ein Activity Name – plus alle zusätzlichen Attribute, die für Ihr Unternehmen relevant sind.

Das können Sie selbst erstellen. Und zwar heute. Kein Warten auf die IT. Kein langwieriger Beschaffungsprozess. Keine Beauftragung von Beratern. Exportieren Sie einfach Daten aus Ihrem System, bringen Sie sie in unser Template-Format, laden Sie sie hoch, und schon analysieren Sie Ihren Prozess.

Ist es perfekt? Nein. Ist es schnell? Absolut. Und Schnelligkeit ist wichtiger als Perfektion, wenn Sie Ihren Prozess verstehen wollen.

Warum eine einzige Tabelle?

Für die meisten Analysen setzen wir bewusst auf ein einziges Tabellenformat. Das mag auf den ersten Blick einschränkend wirken – bis Sie die dahinterliegende Logik verstehen:

1. Leicht verständlich: Jeder kann eine Tabelle einsehen und sofort erfassen, was vor sich geht.
2. Einfach zu erstellen: Komplexe Joins oder ein aufwändiges Beziehungsmanagement sind nicht nötig.
3. Process Mining macht es ohnehin: Selbst Tools, die mehrere Tabellen einlesen, führen diese für die Analyse zu einem Event Log zusammen.

Selbstverständlich können Sie in ProcessMind weiterhin mit mehreren Tabellen arbeiten – sei es für unterschiedliche Perspektiven, verschiedene Prozesse oder sogar bei Ansätzen des object-centric Process Mining. Doch Sie müssen nicht damit anfangen. Starten Sie einfach und fügen Sie Komplexität erst dann hinzu, wenn sie einen echten Mehrwert bietet.

Arbeiten Sie mit Ihrem Data Team zusammen

Das haben wir gelernt: Der Konnektor-Ansatz umgeht oft Ihre Data Engineers. Das ist ein Fehler.

Ihr Data Team kennt Ihre Systeme. Es weiß, wo die Datenqualitätsprobleme liegen. Es weiß, welchen Feldern man vertrauen kann und welche überprüft werden müssen. Wahrscheinlich hat es bereits viele Probleme gelöst, auf die ein Konnektor stoßen würde.

Unsere Datentemplates schaffen eine gemeinsame Sprache. Geben Sie das Template Ihrem Data Engineer, und er wird sofort verstehen, was benötigt wird. Er kann die Tools nutzen, die er bereits kennt – SQL, seine bestehende ETL-Plattform, sein Data Warehouse –, um genau die benötigten Daten zu generieren.

Keine neuen Systeme zu lernen. Keine proprietären Anbieterschulungen. Nur klare Anforderungen, die erfahrene Datenexperten schnell erfüllen können.

Nutzen Sie, was Sie haben

Die meisten Unternehmen verfügen bereits über eine umfangreiche Dateninfrastruktur:

• Data Warehouses mit bereinigten, validierten Daten
• ETL-Pipelines, die Informationen zuverlässig übertragen
• Data Lakes mit historischen Aufzeichnungen
• Business-Intelligence-Tools mit etablierten Abfragen

Der Template-Ansatz ermöglicht es Ihnen, all dies optimal zu nutzen. Bauen Sie nicht neu auf, was bereits existiert. Erstellen Sie keine parallelen Datenpipelines. Nutzen Sie die Investitionen, die Sie bereits getätigt haben.

Das bedeutet auch, dass die Daten, die Sie für Process Mining aufbereiten, an anderer Stelle wiederverwendet werden können. Erstellen Sie einen Datensatz einmal und nutzen Sie ihn für Process Mining, Machine Learning, traditionelle BI und alles, was danach kommt. Das ist Effizienz.

KI-gestützte Flexibilität

Selbst mit klaren Templates wissen wir, dass Daten nicht immer perfekt formatiert ankommen. Deshalb haben wir eine KI-gestützte Datenzuordnung in ProcessMind integriert.

Laden Sie Ihre Daten hoch, und unser System versteht sie oft automatisch – es erkennt, welche Spalte die Case ID, welcher der Timestamp und welche die Aktivitätsnamen enthält. Wenn etwas nicht korrekt zugeordnet wird, können Sie es manuell mit wenigen Klicks anpassen.

Das Ziel ist es, Reibungsverluste zwischen Ihnen und den Erkenntnissen zu beseitigen.

Bereit für den Start?

Wir haben ProcessMind nach diesen Prinzipien entwickelt: Einfache Datenanforderungen. Schnelle Wertschöpfung. Sie behalten die Kontrolle.

Entdecken Sie unsere Leitfäden zur kontinuierlichen Prozessverbesserung, um Daten-Templates für gängige Prozesse zu finden. Jeder Leitfaden beinhaltet:

• Prozessaktivitäten und welche Daten erfasst werden müssen
• Sofort nutzbare Template-Dateien
• Anleitungen für gängige Systeme wie SAP, Oracle und Microsoft Dynamics
• Best Practices für die Datenaufbereitung

Oder starten Sie einfach eine kostenlose Testphase und laden Sie Daten hoch. Sie werden überrascht sein, wie schnell Erkenntnisse erscheinen, wenn Sie nicht darauf warten müssen, dass ein Konnektor konfiguriert wird.

Daten sind nicht das Ziel. Ihr Prozessverständnis ist es. Lassen Sie uns schneller dorthin gelangen.