ProcessMind veröffentlicht Prozesssimulations-Engine für digitale Zwillinge

AMSTERDAM, NIEDERLANDE

ProcessMind, ein europäischer Anbieter für Process Mining, gab heute den Start einer Prozesssimulations-Engine  bekannt. Diese wurde speziell für die Erstellung digitaler Zwillinge von Geschäftsprozessen entwickelt. Die neue Funktion ermöglicht es Unternehmen, virtuelle Abbilder ihrer Betriebsabläufe zu erstellen und Änderungen in einer geschützten Umgebung zu testen.

AMSTERDAM, NIEDERLANDE

Digitale Zwillinge in Geschäftsprozessen

Ein digitaler Zwilling  ist ein virtuelles Modell, das einen realen Prozess in einer digitalen Umgebung abbildet. Im Gegensatz zu statischen Diagrammen handelt es sich um datengetriebene Kopien, die mit operativen Daten aktualisiert werden können. Mit dieser Technologie können Unternehmen die Performance überwachen, Simulationen durchführen und potenzielle Ergebnisse bewerten, bevor sie Änderungen tatsächlich umsetzen.

Die Technologie des digitalen Zwillings, die ursprünglich für die Luft- und Raumfahrt sowie die Fertigungsindustrie entwickelt wurde, hält nun Einzug in allgemeine Geschäftsprozesse. Laut Strategic Market Research wurde der Markt für digitale Zwillinge im Jahr 2021 auf 6,30 Mrd. USD geschätzt und soll bis 2030 auf 131,09 Mrd. USD anwachsen.

Technischer Überblick

Die Prozesssimulations-Engine von ProcessMind extrahiert Parameter aus hochgeladenen Event Logs, darunter Case-Ankunftsraten, Bearbeitungsdauer, Routing-Wahrscheinlichkeiten und Ressourcenbedarf. Diese Parameter dienen als Basis für die Erstellung digitaler Zwillinge zur Szenarioanalyse.

Das System nutzt die ereignisdiskrete Simulation (Discrete Event Simulation, DES) – eine Methodik, bei der sich der Systemzustand zu bestimmten Zeitpunkten ändert. Dieser Ansatz eignet sich ideal für Geschäftsprozesse, in denen Aktivitäten feste Start- und Endzeiten haben, Ressourcen punktgenau zugewiesen werden und Cases verschiedenen Pfaden im Prozess folgen.

Prozessverbesserung war bisher oft ein Ratespiel. Man nimmt eine Änderung vor und hofft, dass sie funktioniert. Mit digitalen Zwillingen  können Sie an einem Nachmittag zehn verschiedene Szenarien testen und genau das auswählen, das am vielversprechendsten ist.

Christiaan Esmeijer, Gründer von ProcessMind

Funktionen

Die Simulations-Engine umfasst folgende Funktionen:

• Extraktion von Parametern aus Event-Log-Daten
• Szenariomodellierung mit anpassbaren Variablen
• Direkter Vergleich verschiedener Szenarien
• Analyse von Ressourcenkapazitäten und Prognose der Auslastung
• Identifikation von Bottlenecks bei unterschiedlichen Volumenszenarien
• Unterstützung verschiedener Wahrscheinlichkeitsverteilungen

Die Engine unterstützt gängige Wahrscheinlichkeitsverteilungen wie Normal-, Exponential-, Gleich-, Dreiecks- und Lognormalverteilung. Jede Aktivität lässt sich mit Bearbeitungszeiten, Ressourcenbedarf und Wahrscheinlichkeiten für das Überspringen von Schritten konfigurieren.

Plattform-Integration

Die Simulations-Engine ist reibungslos in die bestehenden Process-Mining-  und BPMN-Modellierungsfunktionen von ProcessMind integriert. Die Plattform wird in EU-Rechenzentren gehostet und ist DSGVO-konform.

Der geplante Workflow umfasst die Prozessidentifikation mittels Mining, den Aufbau eines digitalen Zwillings auf Basis der extrahierten Daten und die anschließende Simulation geplanter Änderungen.

Die Simulations-Engine extrahiert Parameter direkt aus Event Logs. Dies reduziert den Aufwand für die manuelle Konfiguration, der bei Prozesssimulationen üblicherweise anfällt.

Christiaan Esmeijer, Gründer von ProcessMind

Anwendungsbereiche

Typische Anwendungsbereiche für digitale Prozesszwillinge sind das Testen von Szenarien zur Ressourcenumverteilung, die Bewertung von Prozess-Redesigns, die Prognose von Kapazitätsbedarfen bei Volumenänderungen, der Vergleich von Automatisierungsszenarien sowie die Validierung geplanter Lösungen vor der eigentlichen Umsetzung.

Die Simulation lässt virtuelle Prozessinstanzen durch das Modell laufen. Dabei werden Zeitverteilungen, Ressourcenkapazitäten und Ankunftsmuster genutzt, die aus den Quelldaten stammen. Das Ergebnis liefert Prognosen für Durchlaufzeiten, Durchsatz, Ressourcenauslastung und Kosten.