Voraussetzungen für Process Mining

Voraussetzungen für Process Mining

RohDaten sind nur der Anfang! Process Mining entfaltet seine volle Stärke mit sauberen, gut vorbereiteten Event-Daten. Analysieren, vorbereiten und optimieren Sie Ihre Daten, um relevante Erkenntnisse in Ihre Geschäftsprozesse zu erhalten.

Welche Daten werden zum Start benötigt?

Stellen Sie sich vor, Sie betreiben einen Limonadenstand, haben aber ein schlechtes Gedächtnis! Um herauszufinden, wie gut dein Stand läuft, solltest du ein paar BasisHinweiss festhalten:

• Customer ID (CaseID): Das ist wie eine Nummer, die Sie jedem Kunden geben. So wissen Sie, ob jemand wiederkommt (oder sich vielleicht regelmäßig über zu saure Lemonade beschwert!).
• Action Taken (Activity): Das zeigt, was getan wurde! Zum Beispiel “Take Order”, “Prepare Lemonade” oder auch “Resolve Angry Customer Complaint” (hoffentlich nicht zu oft!).
• Action Time (Zeitstempel): Das ist der Zeitpunkt, zu dem du die Aktion durchgeführt hast. Die Reihenfolge der Aktionen ist maßgeblich!

Mit nur diesen drei Infos wird Process Mining zum cleveren Beobachter an deinem Stand: Der Kundenfluss wird sichtbar, Engpässe (z.B. Sie zu langsam sind beim Lemonade-Machen) werden erkannt und du siehst, ob manche Kunden öfter unzufrieden sind (Zeit, das Rezept zu verbessern!).

So könnte eine Beispieltabelle aussehen:

Customer ID (CaseID)	Action Time (Zeitstempel)	Action Taken (Activity)
1	10:00 Uhr	Take Order
1	10:02 Uhr	Prepare Lemonade
1	10:05 Uhr	Serve Customer
2	10:03 AM	Take Order
2	10:10 AM	Resolve Angry Customer Complaint (yikes!)
2	10:12 AM	Prepare Lemonade
2	10:15 AM	Serve Customer (hoffentlich diesmal glücklicher!)

Das klingt nach wenig, reicht aber für erste Process Mining-Erkenntnisse zu Effizienz, Engpässe und Optimierungen völlig aus!

1. Der Fall der fehlenden Lemonade-Logs

Unser Lemonade-Stand war ein voller Erfolg! Unsere Kunden liebten unser geheimes Rezept (meistens) und das Business lief super. Doch mit dem Erfolg kamen neue Herausforderungen: Wir wurden von Kunden überrannt, die Schlangen waren lang, die Stimmung gereizt: und wir wussten nicht, warum!

Erinnern Sie sich an unseren kleinen Spion (Process Mining)? Wunder kann er auch nicht vollbringen: er braucht gute Infos, aber wir hatten nur ein paar Notizen auf einer Serviette. Da wurde es richtig chaotisch:

Das Aufräumen des Daten-Chaos war ein eigenes Abenteuer. Im nächsten KAPItel siehst du, wie wir mit etwas Spürsinn und Hilfe unseres Datenverliebten Spions unseren Lemonade-Stand so richtig optimiert und zum Nachbarschafts-Star gemacht haben!

2. Die große Daten-Ausgrabung

Unser Limonadenstand war ein voller Erfolg, aber die Schlangen waren ein Albtraum! Wir wussten, dass wir unseren Datenspion (Process Mining) brauchten, um uns zu helfen, aber zuerst mussten wir ihm einige brauchbare Informationen beschaffen. Das bedeutete eine detaillierte Analyse in die Welt der Datenextraktion: im Grunde alle versteckten Hinweise zu finden über unsere Kunden und sie in etwas zu verwandeln, das unser Spion verstehen konnte.

Das haben wir entdeckt:

• Schatzsuche: Manchmal waren die Daten wie verborgene Schätze: versteckt in staubigen Ecken unserer Systeme (Webseiten, E-Mails, PDFs). Wir mussten zu Datenarchäologen werden, alte Dateien durchforsten und ausgefallene Tools (Screen ScrAPIng) verwenden, um die benötigten Informationen ans Licht zu bringen.
• Verlorene Übersetzung: Selbst wenn wir die Daten fanden, waren sie nicht immer klar. Einige Hinweise waren auf Servietten gekritzelt (unstrukturierte Daten) und andere waren in einem geheimen Code (fehlende MetaDaten) verschlossen. Wir brauchten einen Übersetzer (Datenstandardisierung), um alles zu entschlüsseln.
• Fokus ist der Schlüssel: Bei so vielen Datenquellen (tausende von Tabellen!) war es verlockend, alles zu greifen. Aber genau wie man nicht jede Eiskombination im Eiscreme-Laden probieren würde, mussten wir uns auf die Fragen konzentrieren, die wir beantworten wollten. Haben die Kunden zu lange gebraucht, um zu bestellen, oder waren wir der Flaschenhals bei der Limonadenherstellung? Der Fokus auf diese Schlüsselfragen half uns bei der Priorisierung, welche Daten wir extrahieren sollten.

Es war nicht einfach, aber mit ein wenig Ellbogenschmalz und einer gesunden Portion Neugier gelang es uns, eine Schatzkammer an Daten freizulegen. Im nächsten KAPItel werden wir sehen, wie wir dieses Chaos beseitigt haben und unseren Datenspion endlich für uns arbeiten lassen!

3. Der Daten Detox

Nach unserer heldenhaften Extraktion (siehe KAPItel 3) hatten wir einen riesigen Datenberg! Aber Achtung: Die Daten waren total gemischt: wertvolle KundenHinweiss, jede Menge Kritzeleien und vieles völlig unnötig. Zeit für den Daten Detox!

Filterung wurde unser bester Freund. Stell dir vor, du räumst eine chaotische Werkzeugkiste auf. Anfangs machten wir grobe Auslese (Coarse-Grained Scoping) bei der Extraktion, jetzt wurde es feiner (Fine-Grained Scoping).

So lösten wir das Filter-Problem:

Mit blitzsauberen Daten (naja, fast!), konnten wir im nächsten KAPItel endlich die volle Power von Process Mining ausschöpfen. Wir entdecken Methoden wie Discovery, Conformance und Enhancement, um unsere Lemonade-Prozesse zu optimieren und den Stand zum effizientesten in der Nachbarschaft zu machen!

4. Das Daten Makeover

Nach unserem Daten Detox war es fast geschafft: doch ein wichtiger Schritt fehlte noch: das Daten Makeover! Stellen Sie sich vor, ein Kunde zahlt mit einem zerknitterten Schein: nehmen wir an, aber einfacher ist es mit einem glatten Geldschein. Genau das bewirkt Daten Cleaning.

Das mussten wir tun:

• Case Closed: Ein Prozess ist wie eine Kundenreise: er hat Anfang, Mitte und Ende. Wir mussten alle Ereignisse, die zu einem Kunden (Case) gehörten: Bestellung, Wartezeit, Lemonade bekommen: sauber verknüpfen. Wie alle Bons eines Besuchs zusammensortieren.
• Process sprechen: Unsere Daten sprachen nicht immer Prozess-Sprache. Aktivitäten sollten klar als Statuswechsel in der Kundenreise (Case) markiert sein. “Kunde happy!” war zu vage: wir brauchten eindeutige Status wie “Lemonade geliefert”.

Nicht der spannendste Teil, aber mit etwas Datenarbeit und klarem Kopf hatten wir endlich ein sauberes Datenset! Mit diesen verwandelten Daten fanden wir die Ursachen für Warteschlangen und machten unseren Lemonade-Stand zum Vorbild für Effizienz (und Genuss)!