Process-Mining-Konnektoren: Wann sie sich lohnen

Was versprechen Process-Mining-Konnektoren und was kosten sie?

Process-Mining-Konnektoren versprechen einen schnellen Einstieg in die Analyse: Sie verbinden eine Anwendung mit dem Quellsystem, extrahieren die Daten und aktualisieren sie regelmäßig. Das funktioniert, wenn der Konnektor Ihr System unterstützt und Ihre Datenanforderungen erfüllt. Doch nicht immer ist alles sofort einsatzbereit. Prüfen Sie auch die Systemkonfiguration, das Datenmodell, die Sicherheitsanforderungen und die Fragen, die Sie beantworten möchten.

Die Entwicklung oder Konfiguration eines Konnektors kann die Zuordnung von Feldern, die Validierung der Ergebnisse und Anpassungen an individuelle Workflows oder Systemänderungen umfassen. Möglicherweise pflegt Ihr Datenteam bereits verlässliche Datensätze. Ein neuer Konnektor könnte dann Arbeit doppelt erledigen, statt auf dem Bestehenden aufzubauen.

Auch danach fällt laufender Aufwand an. Jemand muss die Pipeline warten, Änderungen beheben und nachvollziehen, wie der Konnektor die Daten umwandelt. Verzögert sich dadurch Ihre erste Analyse, hat der Komfort des Konnektors seinen Preis.

Was ein Konnektor leisten muss

Das Versprechen klingt einfach: System auswählen, Knopf drücken, formatierte Daten erhalten, Aktualisierungen planen, fertig. Der größte Teil der Arbeit steckt in dem, was diese Kurzfassung auslässt.

• Ihr System entspricht keinem Standard. Konnektoren sind für bestimmte Versionen bestimmter Software ausgelegt. Unternehmen passen ihre Systeme jedoch an: Sie ergänzen Felder, ändern Workflows und strukturieren Tabellen um. Ein System, das über zehn Jahre weiterentwickelt wurde, entspricht selten einer Installation nach Lehrbuch.
• Ein Konnektor soll alles abdecken. Ein Konnektor, der für jede denkbare Analyse ausgelegt ist, wächst so lange, bis er auch Sonderfälle unterstützt, die bei Ihnen nie vorkommen. Trotzdem fehlt womöglich genau die Antwort, nach der Sie suchen.
• Das Labyrinth aus mehreren Tabellen. Die meisten Konnektoren erwarten mehrere miteinander verknüpfte Quelltabellen. Dann müssen Sie Ihren Geschäftsprozess, das Datenmodell des Konnektors und das Datenmodell des Quellsystems verstehen und wissen, wie diese zusammenpassen.
• Blackboxen sind schwer zu vertrauen. Wenn etwas schiefläuft, können Sie nicht hineinschauen. Sind die Quelldaten falsch, wandelt der Konnektor sie fehlerhaft um oder liegt es an der Konfiguration? Ohne Einblick ist die Fehlersuche schwierig. Das Ergebnis lässt sich dann auch den Personen, die darauf reagieren müssen, nur schwer erklären.
• Allgemeine Bezeichnungen verursachen zusätzlichen Abstimmungsaufwand. Nennt der Konnektor etwas „Order Confirmation“, Ihr Team aber „Sales Acknowledgment“, braucht es bei jeder weiteren Besprechung eine Übersetzung.

Die tatsächlichen Kosten

Auch die technische Arbeit belastet das Budget, meist an einer Stelle, die ursprünglich nicht dafür vorgesehen war.

• Zeit. Monate für die Datenextraktion statt für die Analyse.
• Geld. Lizenzkosten für den Konnektor und Beratungskosten für die Einrichtung.
• Verpasste Chancen. Verbesserungen müssen warten, solange die Pipeline entwickelt wird.
• Motivation. Projekte verlieren an Schwung, wenn sie in der Datenphase stecken bleiben.
• Vertrauen. Wenn das erste Projekt länger dauert als geplant, stellen Beteiligte den Wert von Process Mining infrage.

Einer Organisation, mit der wir zusammengearbeitet haben, wurden über den SAP-Konnektor eines Anbieters „drei Wochen bis zu den ersten Erkenntnissen“ versprochen. Achtzehn Monate später war das Team noch immer mit der Datenqualität beschäftigt. Das ist nicht immer der Fall, kommt aber häufig vor. Deshalb klären wir die Kosten eines Konnektors, bevor wir ihn empfehlen.

Wann lohnt sich ein Konnektor?

Konnektoren können eine gute Wahl sein, wenn Sie häufig große Datenmengen wiederholt extrahieren müssen und das Quellsystem umfassend unterstützt wird. Sie eignen sich auch für regulierte Umgebungen, in denen Ihre Organisation eine kontrollierte Datenpipeline mit etablierten Sicherheits- und Governance-Prozessen verlangt.

In diesen Fällen liegt der Vorteil darin, dass dieselbe Extraktion wiederholt ausgeführt wird. Ein Konnektor kann den regelmäßigen manuellen Aufwand verringern, sofern er Ihre Systemkonfiguration und Datenanforderungen unterstützt.

Klären Sie vorab, welche Systemversionen und Konfigurationen der Konnektor unterstützt, welche Daten er extrahiert, wie er mit Anpassungen umgeht und wer für die Wartung zuständig ist. Ein Konnektor ist nur dann sinnvoll, wenn er zur Arbeitsweise Ihrer Systeme und Teams passt.

Wann ist ein Konnektor möglicherweise mehr, als Sie brauchen?

Wenn Sie eine Prozessfrage zum ersten Mal untersuchen, wissen Sie vielleicht noch nicht, welche Daten Sie benötigen oder ob die Analyse nützlich sein wird. Eine wiederkehrende Pipeline aufzubauen, bevor diese Fragen beantwortet sind, verursacht zusätzlichen Aufwand, bevor klar ist, was sich überhaupt automatisieren lohnt.

Ein Konnektor deckt möglicherweise auch nur einen Teil eines Prozesses ab, der sich über mehrere Systeme erstreckt. Dann müssen Sie die Daten weiterhin zusammenführen, unterschiedliche Bezeichnungen abgleichen und die Ergebnisse validieren. Ein Konnektor für eine einzelne Anwendung löst nicht automatisch die gesamte Aufgabe der Datenaufbereitung.

Für eine erste Analyse kann ein vorhandener Export ausreichen, um Ihre Fragestellung zu prüfen. Sobald Sie sehen, was fehlt, können Sie den Datensatz überarbeiten.

Auch wenn ein Konnektor grundsätzlich passt, bringt dieser Weg drei Kosten mit sich:

• Doppelte Arbeit. Viele Organisationen haben bereits bereinigte, aufbereitete Daten in einem Data Warehouse oder Data Lake. Ein Datenteam hat dort oft jahrelang an der Behebung von Qualitätsproblemen gearbeitet. Ein Konnektor setzt wieder bei null an und kann Widersprüche zu Daten verursachen, denen das Unternehmen bereits vertraut.
• Die ETL-Falle. Konnektoren bringen in der Regel eigene Werkzeuge des Anbieters mit. Ihr Team muss sich dann in ein proprietäres System einarbeiten, statt die Infrastruktur zu verwenden, die es bereits betreibt und kennt.
• Abhängigkeit vom Anbieter. Eine Pipeline, deren Entwicklung sechs Monate gedauert hat, lässt sich nur mit hohem Aufwand ersetzen. Das sollten Sie vor der ersten Zusage wissen.

Echtzeit-Extraktionen verändern auch die Analyse. Bei einem ständig wechselnden Datensatz lässt sich eine Vergleichsbasis schwerer festlegen. Die Pipeline muss laufend überwacht werden, Rechenkosten fallen fortlaufend an und der Vergleich verschiedener Zeiträume wird komplizierter. Wenn eine monatliche Aktualisierung Ihre Frage beantwortet, verursacht eine ständig aktive Pipeline Kosten, ohne zusätzliche Erkenntnisse zu liefern.

Wie funktionieren Datentemplates?

Mit Datentemplates können Sie vorhandene Daten verwenden, statt mit einem vorgefertigten Konnektor zu beginnen. Ein Template beschreibt die Felder, die eine Analyse benötigt, in einem Format, das Sie oder Ihr Datenteam vorbereiten können.

Mit einem Leitfaden für Ihren Prozess beginnen

Suchen Sie in den Leitfäden zur Prozessverbesserung nach Ihrem Prozess oder System. Jeder Leitfaden behandelt einen Prozess oder einen Prozess in einem bestimmten System. Er beschreibt Herausforderungen, Ziele, Aktivitäten und Datenanforderungen und enthält ein Excel-Template zum Download.

Ist Ihr Prozess nicht aufgeführt, beginnen Sie mit dem generischen Datentemplate. In beiden Fällen entsprechen die Spalten den Anforderungen der Analyse. Ihr Team kann sie anhand eines Exports befüllen, statt das Schema von Grund auf zu entwerfen.

Mit Excel beginnen

Für viele Analysen genügt zunächst eine Tabelle mit Case-ID, Timestamp und Aktivitätsname sowie weiteren Attributen, die für Ihre Fragestellung relevant sind. Exportieren Sie die verfügbaren Daten, bringen Sie sie in das Template-Format und laden Sie sie hoch. Danach können Sie mit der Analyse beginnen.

Sie brauchen keine vollständige, automatisierte Pipeline, um eine Idee zu prüfen. Möglicherweise müssen Sie Ihren ersten Datensatz noch überarbeiten. So finden Sie heraus, welche Anforderungen die Analyse stellt.

Neu bei Event Logs? Erfahren Sie, wie Sie ein Event Log erstellen. Die Anleitung enthält Beispiele für Excel und SQL.

Mit einer Tabelle beginnen

Die meisten Analysen arbeiten bewusst mit einer einzelnen Tabelle.

1. Sie lässt sich leicht prüfen. Jede Person kann eine Tabelle öffnen und sehen, was darin steht.
2. Sie lässt sich leicht erstellen. Vor der ersten Analyse sind weder Joins noch die Verwaltung von Beziehungen erforderlich.
3. Beim Mining werden die Daten ohnehin zusammengeführt. Werkzeuge, die mehrere Tabellen einlesen, erstellen vor der Analyse ein einzelnes Event Log.

In ProcessMind können Sie mit mehreren Tabellen arbeiten, wenn Ihre Fragestellung unterschiedliche Perspektiven oder Prozesse erfordert. Sie müssen jedoch nicht damit beginnen. Starten Sie mit dem einfachsten Datensatz, der Ihre Frage beantwortet.

Arbeiten Sie mit Ihrem Datenteam zusammen

Ihr Datenteam weiß, wie Ihre Systeme konfiguriert sind, welchen Feldern Sie vertrauen können und welche Daten bereits verfügbar sind. Ein klares Template gibt dem Team konkrete Anforderungen vor, ohne dass es sich in ein proprietäres Datenmodell einarbeiten muss.

Das Team kann mit vertrauten Werkzeugen und Infrastrukturen arbeiten, darunter SQL, vorhandene ETL-Plattformen, Data Warehouses und Data Lakes. So können Sie auf verlässlichen Daten aufbauen, statt eine parallele Pipeline zu erstellen.

Praktische Hinweise zur Vorbereitung eines Event Logs finden Sie in der Dokumentation zur Datenaufbereitung.

KI-gestützte Zuordnung verwenden

Die Spaltennamen eines Exports stimmen möglicherweise nicht genau mit denen im Template überein. Beim Upload kann ProcessMind häufig Felder wie Case-ID, Timestamp und Aktivität erkennen. Wird ein Feld falsch zugeordnet, können Sie die Zuordnung manuell anpassen.

So können Sie einen vorhandenen Export analysieren, ohne jede Quelldatei vorher perfekt formatieren zu müssen.

Wie werden Daten in der Praxis aktualisiert?

Eine geplante Aktualisierung ist sinnvoll, wenn Sie einen Prozess regelmäßig überwachen müssen. Für eine erste Fragestellung oder den Vergleich der Leistung über einen längeren Zeitraum sind kontinuierliche Aktualisierungen jedoch nicht immer erforderlich.

Bei vielen Analysen lässt sich ein stabiler Datensatz, der nach einem festen Zeitplan aktualisiert wird, leichter interpretieren. Sie können eine Vergleichsbasis festlegen, eine Änderung vornehmen und die Ergebnisse mit dieser Basis vergleichen. Wie häufig die Aktualisierung erfolgen sollte, hängt davon ab, wie oft sich Ihr Prozess ändert und wie schnell Sie reagieren müssen.

Legen Sie zunächst fest, wie häufig die Analyse neue Daten benötigt. Beantwortet eine monatliche oder vierteljährliche Aktualisierung Ihre Frage, verursacht eine Echtzeit-Pipeline möglicherweise zusätzlichen Aufwand, ohne die Entscheidung zu verbessern.

Was, wenn Sie später eine Automatisierung benötigen?

Sobald Sie wissen, welche Daten Sie benötigen und dass die Analyse nützlich ist, kann Ihr Datenteam einen wiederholbaren Ladevorgang einrichten. Dafür bietet ProcessMind eine REST-API: Ein Job, den Ihr Team bereits zeitgesteuert ausführt, kann den Export hochladen, entweder als neuen Datensatz oder als Aktualisierung eines vorhandenen Datensatzes. Die API-Übersicht beschreibt die Authentifizierung und die Endpunkte.

Das Produkt enthält bewusst keinen Scheduler. Zeitplanung, Zugangsdaten und Überwachung bleiben in der Infrastruktur, die Ihr Team bereits betreibt. So müssen Sie nicht noch einen weiteren Ort konfigurieren und überwachen.

Sie müssen nicht automatisieren, bevor Sie wissen, was automatisiert werden soll. Beginnen Sie mit einem Export, validieren Sie die Analyse und entscheiden Sie dann, ob sich ein wiederkehrender Ladevorgang lohnt. Wird daraus eine Pipeline, gelten die in ETL für Process Mining beschriebenen Vor- und Nachteile.

Wann sollten Sie einen Anbieter mit vorgefertigten Konnektoren wählen?

Ein Anbieter mit vorgefertigten Konnektoren kann die bessere Wahl sein, wenn Sie regelmäßig und unterstützt Daten aus einem abgedeckten System extrahieren müssen und der Konnektor zu Ihrer Konfiguration und Ihren Governance-Anforderungen passt. Das kann besonders bei häufigen Ladevorgängen oder regulierten Pipelines wichtig sein, für die Ihre Organisation ein bestimmtes Integrationsmuster verlangt.

Fragen Sie vor der Entscheidung, welche Systeme der Konnektor unterstützt, wie er mit Anpassungen umgeht, welcher Wartungsaufwand anfällt und ob Sie die resultierenden Daten prüfen und wiederverwenden können. Möchten Sie zunächst eine Analyse testen, sind ein vorhandener Export und ein Datentemplate möglicherweise der einfachere Einstieg.

Der Unterschied ist klar: Passende Konnektoren können wiederkehrenden Aufwand für die Datenextraktion verringern. Mit Templates können Sie verfügbare Daten verwenden, ohne zunächst ein Konnektorprojekt starten zu müssen. Ihre Daten bleiben Ihre Daten, ohne Anbieterbindung. Ob Sie später automatisieren, entscheiden Sie selbst.