Was wird für Process Mining benötigt?

Was wird für Process Mining benötigt?

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 wertvolle Einblicke in Ihre Geschäftsprozesse zu erhalten.

Welche Daten werden zum Start benötigt?

Stellen Sie sich vor, Sie betreiben einen Lemonade-Stand, vergessen aber alles sofort! Damit Sie wissen, wie Ihr Geschäft läuft, sollten Sie einige Basisdaten erfassen:

• Customer ID (CaseID): Eine eindeutige Nummer pro Kunde. So erkennen Sie, wer wiederkommt – egal ob für mehr Lemonade oder eine Reklamation.
• Action Taken (Activity): Was ist passiert? Zum Beispiel „Take Order“, „Prepare Lemonade“, „Resolve Angry Customer Complaint“ (hoffentlich selten!).
• Action Time (Timestamp): Wann fand die Aktion statt? Die Reihenfolge ist entscheidend!

Mit nur diesen drei Informationen kann Process Mining als kleiner Spion agieren. Sie sehen die Abläufe, finden Engpässe (z. B. bei der Zubereitung) und erkennen, ob manche Kunden häufiger unzufrieden sind (Zeit für Verbesserungen!).

So könnte eine Beispieltabelle aussehen:

Das klingt nach wenig Information – doch für Process Mining reicht es, um die richtigen Fragen zu stellen und die Effizienz des Lemonade-Stands zu entdecken!

1. Der Fall der fehlenden Lemonade-Logs

Unser Lemonade-Stand lief großartig! Die Kunden liebten (meistens) unser geheimes Rezept und das Geschäft boomte. Doch mit dem Erfolg kamen neue Herausforderungen: Zu viele Kunden, lange Warteschlangen, gereizte Stimmung – und wir wussten nicht warum!

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

• Der Data Detective: Unser erstes Problem war es, alle relevanten Details zu finden. Kundenbestellungen waren auf Klebezetteln, Kassenzetteln und sogar zerknitterten Servietten verteilt. Das war wie Detektivarbeit – wir mussten Informationen aus verschiedenen Quellen (Datenbanken, Flat Files, Message Logs usw.) zusammensuchen.
• Eine gemeinsame Sprache sprechen: Selbst wenn wir die Daten gefunden hatten, waren sie oft nicht eindeutig. Mal stand „Customer Happy!“, mal nur ein trauriges Gesicht. Wir brauchten eine Übersetzung (data standardization), damit der Spion jede Notiz versteht.
• Die richtigen Fragen stellen: Am Ende mussten wir uns auch klar werden, was wir überhaupt wissen wollten. Waren die Schlangen so lang, weil die Kunden beim Bestellen zögerten oder weil wir zu langsam bei der Zubereitung waren? Die richtigen Fragen halfen uns, die Datenerfassung gezielt zu steuern (verschiedene Sichten auf die Daten).

Das Aufräumen dieses Datenchaos war ein eigenes Abenteuer. Im nächsten Kapitel zeigen wir, wie wir mit etwas Detektivarbeit und Process Mining unseren Lemonade-Stand optimieren und zum Vorbild in der Nachbarschaft machen konnten!

2. Die große Daten-Ausgrabung

Unser Lemonade-Stand war ein Hit, aber die Warteschlangen waren furchtbar! Uns war klar: Wir brauchen unseren Data-Spy (Process Mining), aber dafür mussten wir ihm erst brauchbare Infos liefern. Das hieß: Tief in die Welt der Datenextraktion eintauchen – alle verborgenen Hinweise zu unseren Kunden finden und so aufbereiten, dass unser Spion sie versteht.

Das haben wir herausgefunden:

• Schatzsuche: Manchmal waren die Daten wie ein verborgener Schatz – versteckt in den Tiefen unserer Systeme (Webseiten, E-Mails, PDFs). Wir mussten zu Datenarchäologen werden, alte Dateien durchgehen und Tools wie Screen Scraping einsetzen, um die nötigen Infos zu bergen.
• Lost in Translation: Auch wenn wir Daten fanden – sie waren oft nicht eindeutig. Manche Infos standen auf Servietten (unstrukturierte Daten), andere waren wie Geheimcodes (fehlende Metadaten). Wir brauchten eine Übersetzung (data standardization), um alles zu entschlüsseln.
• Fokus ist entscheidend: Bei so vielen Datenquellen (tausende Tabellen!) war es verlockend, einfach alles zu nehmen. Doch wie man nicht jede Eissorte probiert, sollten wir uns auf die Fragen konzentrieren, die wirklich weiterhelfen. Nahmen Kunden zu viel Zeit bei der Bestellung, oder waren wir beim Zubereiten der Engpass? Der Fokus auf diese Kernfragen half uns, gezielt die relevanten Daten zu extrahieren.

Einfach war es nicht, aber mit etwas Einsatz und Neugier fanden wir letztlich einen Daten-Schatz. Im nächsten Kapitel zeigen wir, wie wir das Daten-Chaos beseitigt und Process Mining endlich für uns arbeiten lassen konnten!

3. Der Data Detox

Wir hatten dank unserer Extraktion einen riesigen Datenberg. Aber Achtung: Unter den nützlichen Kundeninfos befanden sich viele unnütze Notizen und einiges, was wir gar nicht brauchten. Zeit für einen Data Detox!

Filtern war jetzt unser bester Freund. Wie beim Aufräumen eines chaotischen Werkzeugkastens starteten wir grob (coarse-grained scoping) und wurden dann immer feiner (fine-grained scoping).

So sind wir vorgegangen:

• Fokus auf das Wesentliche: Die häufigsten Kundenbestellungen sind wie die besten Werkzeuge. Wir konzentrierten uns auf die Top 10 Aktivitäten (Bestellen, Warten, Lemonade erhalten), damit unser Data-Spy nicht überlastet wird. Alles andere rückte erst einmal in den Hintergrund.
• Iteration ist der Schlüssel: Filtern ist keine einmalige Aufgabe. Sobald Process Mining mit der Analyse begann, fanden wir neue Fokusbereiche. Wie ein Detektiv folgten wir neuen Hinweisen und passten den Filter ständig an.

Mit sauberen Daten (nahezu perfekt!) konnten wir als Nächstes die volle Power von Process Mining entfesseln! Wir probierten Methoden wie Discovery, Conformance und Enhancement aus, um die Herausforderungen unseres Lemonade-Stands zu erkennen und den Betrieb optimal zu gestalten.

4. Das Data Makeover

Nach unserem Data Detox war es fast geschafft – doch ein wichtiger Schritt fehlte noch: das Data 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 Data Cleaning.

Das mussten wir tun:

• Case Closed: Ein Prozess ist wie die Reise eines Kunden – Anfang, Mitte und Ende. Wir mussten alle Events zu einem Kunden (Case) verbinden: Bestellung, Wartezeit, Lemonade-Übergabe. Wie alle Belege eines Besuchs zu sortieren.
• Prozessgerecht formulieren: Unsere Daten sprachen nicht immer Prozess-Sprache. Aktivitäten müssen klar als Statuswechsel je Kundenreise (Case) definiert werden. „Customer Happy!“ ist zu vage – „Lemonade ausgeliefert“ ist eindeutig.

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