Grundlagen zu Process-Mining-Daten

Rohdaten sind nur der Ausgangspunkt. Process Mining basiert auf sauberen, strukturierten Ereignisdaten. Erfahren Sie, wie Sie Ihre Daten für zuverlässige Erkenntnisse aus Prozessen bewerten, aufbereiten und verbessern.

Kapitel 1: Welche Daten Sie für den Einstieg benötigen

Stellen Sie sich vor, Sie betreiben einen Limonadenstand, haben aber ein sehr schlechtes Gedächtnis. Um zu verstehen, wie gut Ihr Stand läuft, beschließen Sie, drei grundlegende Angaben zu erfassen:

• Kunden-ID (CaseID): Diese Nummer identifiziert jeden Kunden. Sie zeigt, ob dieselbe Person für weitere Limonade zurückkommt oder sich über eine saure Charge beschwert.
• Durchgeführte Aktion (Activity): Hier wird festgehalten, was passiert ist. Wurde eine Bestellung aufgenommen, Limonade zubereitet oder eine Beschwerde eines verärgerten Kunden bearbeitet? Hoffentlich nicht allzu oft.
• Zeitpunkt der Aktion (Timestamp): Hier wird erfasst, wann jede Aktion stattgefunden hat. Sie benötigen die Reihenfolge der Aktionen, um den Prozess zu verstehen.

Mit diesen drei Datenpunkten arbeitet Process Mining wie ein kleiner Detektiv an Ihrem Stand. Die Methode zeigt den grundlegenden Kundenfluss, identifiziert Engpässe wie eine langsame Zubereitung der Limonade und macht sichtbar, ob sich manche Kunden häufiger beschweren als andere. Damit haben Sie einen klaren Ausgangspunkt für Verbesserungen.

So könnten die Daten in einer Tabelle aussehen:*

Das mag nach sehr wenigen Informationen aussehen, reicht Process Mining jedoch aus, um erste Fragen zu stellen und grundlegende Erkenntnisse über die Effizienz Ihres Limonadenstands zu gewinnen.

Kapitel 2: Der Fall der fehlenden Limonadenprotokolle

Unser Limonadenstand war ein großer Erfolg. Die Kunden liebten unser Geheimrezept, meistens jedenfalls, und das Geschäft florierte. Doch der Erfolg brachte eine neue Herausforderung: Wir waren von Kunden überlaufen. Die Schlangen wurden länger, die Gemüter erhitzten sich, und das Schlimmste war, dass wir nicht wussten, warum.

Erinnern Sie sich an den kleinen Detektiv, den wir eingestellt hatten, Process Mining? Er konnte keine Wunder bewirken. Er benötigte zuverlässige Informationen, doch wir hatten nur ein paar Kritzeleien auf einer Serviette. Hier wurde es unübersichtlich:

Die Bereinigung dieses Datenchaos wurde zu einem neuen Projekt. Im nächsten Kapitel sehen Sie, wie ein wenig Detektivarbeit und die Unterstützung unserer datenorientierten Process-Mining-Lösung uns dabei halfen, den Limonadenstand zu optimieren und zum Neid der Nachbarschaft zu werden.

Kapitel 3: Die große Datensuche

Unser Limonadenstand war ein großer Erfolg, doch die Schlangen waren ein Albtraum. Wir wussten, dass Process Mining helfen konnte, mussten jedoch zunächst zuverlässige Process-Mining-Daten bereitstellen. Das bedeutete, tief in die Datenextraktion einzusteigen: verborgene Hinweise über unsere Kunden zu finden und sie in Informationen umzuwandeln, die Process Mining interpretieren konnte.

Das haben wir herausgefunden:

• Schatzsuche: Manchmal glichen die Daten einem vergrabenen Schatz, verborgen in staubigen Ecken unserer Systeme, darunter Webseiten, E-Mails und PDFs. Wir mussten zu Datenarchäologen werden, alte Dateien durchsuchen und Werkzeuge wie Screen Scraping einsetzen, um die benötigten Informationen zu finden.
• Bei der Übersetzung verloren: Selbst nachdem wir die Daten gefunden hatten, waren sie nicht immer eindeutig. Einige Hinweise waren auf Servietten gekritzelt und damit unstrukturierte Daten, während anderen Metadaten fehlten. Wir benötigten eine Datenstandardisierung, um alles zu interpretieren.
• Der Fokus ist entscheidend: Bei Tausenden von Tabellen in unseren Quellen für Process-Mining-Daten war es verlockend, alles zu sammeln. Doch genauso wenig, wie Sie in einer Eisdiele jede Geschmackskombination probieren würden, mussten wir uns auf die Fragen konzentrieren, die wir beantworten wollten. Brauchten Kunden zu lange für ihre Bestellung, oder waren wir bei der Zubereitung der Limonade der Engpass? Diese Fragen halfen uns, die zu extrahierenden Daten zu priorisieren.

Es kostete Mühe, doch mit Neugier und sorgfältiger Arbeit fanden wir einen wertvollen Bestand an Process-Mining-Daten. Im nächsten Kapitel sehen Sie, wie wir ihn bereinigten und Process Mining für uns einsetzten.

Kapitel 4: Die Datenkur

Nach unseren Extraktionsarbeiten in Kapitel 3 hatten wir einen riesigen Datenberg. Doch der Datensatz war uneinheitlich: Einige Kundeninformationen waren nützlich, manche Einträge bestanden aus zufälligen Notizen und vieles davon war irrelevant. Es war Zeit für eine Datenbereinigung.

Filtern wurde zu unserem wichtigsten Werkzeug. Stellen Sie sich vor, Sie würden eine unordentliche Werkzeugkiste sortieren. Bei der Extraktion hatten wir zunächst einen breiten, groben Ausschnitt festgelegt. Nun war es Zeit für eine detaillierte, präzise Eingrenzung.

So sind wir bei der Filterung vorgegangen:

Nachdem die Daten weitgehend bereinigt waren, konnten wir im nächsten Kapitel Process Mining einsetzen. Wir würden Discovery, Conformance und Enhancement untersuchen, um Probleme am Limonadenstand zu diagnostizieren und seine Effizienz zu steigern.

Kapitel 5: Die Datenüberarbeitung

Unsere Datenbereinigung in Kapitel 4 war hilfreich. Doch bevor wir Process Mining einsetzen konnten, blieb noch ein entscheidender Schritt: die Überarbeitung der Daten. Stellen Sie sich vor, ein Kunde kommt mit einem zerknitterten Geldschein. Sie würden ihn zwar annehmen, aber ein sauberer, glatter Schein wäre leichter zu handhaben. Genau darum geht es bei der Datenbereinigung.

Das mussten wir erledigen:

• Fall abgeschlossen: Ein Prozess gleicht der Reise eines Kunden: Er hat einen Anfang, eine Mitte und ein Ende. Wir mussten jedes Ereignis, das zu einem einzelnen Kunden-Case gehörte, miteinander verknüpfen, darunter die Bestellung, die Wartezeit und die abschließende Lieferung der Limonade. Stellen Sie sich vor, Sie würden alle Belege eines Kundenbesuchs zusammenordnen.
• Prozesssprache: Unsere Daten beschrieben den Prozess nicht immer eindeutig. Die Aktivitäten mussten klar definierte Statusänderungen im jeweiligen Kunden-Case abbilden. „Kunde zufrieden!“ war beispielsweise zu vage. Wir brauchten einen eindeutigen Status wie „Limonade geliefert“.

Es war nicht der glamouröseste Teil des Projekts. Doch eine sorgfältige Datenvorbereitung und klare Definitionen ergaben einen sauberen Datensatz. Mit Process Mining auf diesen transformierten Daten konnten wir die Ursachen langer Warteschlangen aufdecken und unseren Limonadenstand effizienter organisieren.