Process Mining und Verhaltensvielfalt miteinander versöhnen

Process Mining und Verhaltensvielfalt
Alper Bayar
durch

Process Mining gewinnt mehr und mehr an Relevanz. Dafür sorgt der zunehmende Anteil von IT-gestützten Aktivitäten, deren Ausführung in Ereignisprotokollen aufgezeichnet wird: Ziel von Process Mining ist es, prozessbezogenes Wissen aus Ereignislogdaten zu extrahieren und kombiniert mit Fachdaten für die Analyse aufzubereiten und zu visualisieren. Sobald allerdings Prozesse viele Verhaltensoptionen zulassen, gibt es häufig Probleme mit der Analyse, wenn man keine passenden Vorkehrungen trifft.

Ein Großteil der Software-Anwendungen für Mining-Algorithmen arbeitet dann am besten, wenn sie auf gut strukturierte Prozesse und Tätigkeiten treffen. Beispiel: Ein Kunde bestellt Ware, erhält die Bestellung und die Rechnung und bezahlt – fertig. Jeder Schritt wird durch das zunehmende Online-Shopping in Logdateien festgehalten – und zwar jedes Mal. Dank Digitalisierung ist es ein Leichtes, die Daten zu extrahieren, schnell aufzubereiten sowie in die Process Mining Tools zu laden und dort auszuwerten.

Process-Mining-Algorithmen bevorzugen stringente Daten

Andere Prozesse beinhalten im Gegensatz zu dem obigen Beispiel einen größeren Handlungsspielraum für die beteiligten Akteure. Diese Prozesse sind stets fallbezogen und besitzen eine hohe Varianz. Ein Paradebeispiel ist die Patientenpflege im Gesundheitswesen.

Hier gibt es nicht den einen vorgezeichneten Weg, wie die Pflegekräfte einen bestimmten Prozess ausführen sollen. Kaum ein Fall ist wie der andere. Fast bei jedem Patienten gibt es individuelle rechtliche-, versicherungstechnische- und gesundheitliche Aufgaben für die Pflegekräfte. Bei einem Knochenbruch ist schon zu unterscheiden, um was für einen Bruch es sich handelt. Die Art des Bruches, die Stelle, sowie die Schwere der Verletzung machen den Fall für sich spezifisch. Ebenso spezifisch sind dann die weiteren Bearbeitungsschritte, die genau für diesen Fall relevant sind.

Die Folge: Klassische Process-Mining-Algorithmen, die nach Präzision streben, ordnen jedem im Ereignislog gefundenen Kausalzusammenhang einen so genannten Bogen im Prozessmodell zu. Visuell dargestellt, entsteht ein undurchsichtiges Labyrinth aus vielen Abzweigungen und Knoten. Man spricht von sogenannten Spaghetti-Modellen, aus denen sich kaum noch Rückschlüsse zur Optimierung dieser Prozesse ziehen lassen.

Die kurzfristige Lösung: Die Symptome von „breiten“ unübersichtlichen Prozessen lassen sich mittels Abstraktionsmethoden, derzeit noch manuell, adressieren. Einige sollen hier kurz vorgestellt werden:

Prozesse beziehen sich auf wiederkehrende Muster und Strukturen. Beispielsweise geben Meilensteine bestimmte Ausführungspunkte im Prozessmodell an und bieten einen Mechanismus zur Unterstützung der bedingten Ausführung einer Aktivität oder eines Unterprozesses. Ein Analyst ist daran interessiert, das Vorhandensein von Meilensteinmustern im Prozessereignisprotokoll zu ermitteln und diese zu analysieren.

Zur Beantwortung der Frage, in welchem Kontext eine Aktivität oder eine Gruppe von Aktivitäten in einem Ereignisprotokoll ausgeführt werden, kann das Einbeziehen weiterer Prozessattribute nützlich sein, die zur Kategorisierung von gleichartigen Prozessinstanzen verwendet werden können. Dies können Informationen über den Prozessausführenden, über den Kunden oder weitere fallbezogene Informationen betreffen.

Daneben ist es sinnvoll unerhebliche Aktivitäten, bspw. zum aktuellen Zeitpunkt noch nicht abgeschlossene Fälle, vorab zu erkennen und aus dem Ereignislog zu entfernen. Gleiches gilt für Fälle mit fehlerhaften Daten und für Ereignisse, die zwar im Ereignislog erfasst wurden, für die Analyse jedoch keinerlei Bedeutung besitzen.

Eine weitere Möglichkeit zur Bekämpfung der Symptome ergibt sich aus der Zusammenfassung von vollautomatischen Aktivitätsketten.

Lösung: Mehr Freiheiten statt starres Prozesskorsett

Forschungsarbeiten wie die der TU Eindhoven von 2009 befassen sich seit geraumer Zeit damit, die klassischen Process-Mining-Ansätze und -paradigmen an flexible Prozessbedingungen anzupassen. Ziel ist es, Mining-Techniken zu entwickeln, mit denen auch weniger gut strukturierte Prozesse analysiert werden können.

Ein pragmatischer Ansatz ist, das im Process Mining Manifesto festgelegte Paradigma der „Präzision“ des Wunschprozesses einer besseren Aussagekraft zu opfern. Das bedeutet, dass Unternehmen mit flexiblen Umgebungen keinen ganz so strikten Sollprozess definieren, mit dem die Vorgehensweisen der Mitarbeiter in der Praxis verglichen werden. Sie zwängen die Vielfalt nicht in ein künstliches Prozesskorsett, das wenig mit dem realen Arbeitsalltag der Mitarbeiterinnen und Mitarbeiter zu tun hat. Aufgabe für die Prozess Mining Community ist dabei, den Algorithmen diese Freiheitsgrade beizubringen, damit sie im Ergebnis keine oder weniger komplexe Spagetti-Modelle mehr ausspucken. 

Das geschilderte Beispiel zeigt zudem, dass es nicht reicht, sich einfach Process Mining Tools anzuschaffen, sie mit den Logdaten zu verdrahten und schon sprudelt es an Analyseerkenntnissen. Einige Herausforderungen im Zusammenhang mit Ereignislogdaten, die ebenfalls im Process Mining Manifesto erwähnt werden, zeigen, was Unternehmen noch alles berücksichtigen müssen.


Process Mining Herausforderungen
Process Mining Herausforderungen

Process Mining ist ein junges Forschungsgebiet

Es lohnt sich darüber hinaus, die Entwicklungen zu Process Mining im Blick zu behalten. Es besteht reichlich Raum, die Analyse von Ereignislogdaten zu verbessern, insbesondere bei heterogenem Verhalten. Aktuelle Entwicklungen gehen unter anderem in Richtung der Kombination von Process-Mining-Ansätzen mit anderen Analysetechniken, beispielweise mit RPA und Process Engineering, aber auch mit Data Mining und Case Handling. Spannend bleibt die Frage, in welcher Art und Weise Analysetechniken wie die Klassifikation und Abstraktion, (Trace-) Clustering, die Mustererkennung sowie die visuelle Analyse, aufwandsarm und in Echtzeit tiefere Einsichten in Ereignislogdaten zu gewinnen.

Wer das Thema vertiefen möchte, dem lege ich die Arbeit Process Mining In The Large ans Herz. Ich freue mich auf weiteren Austausch.

Foto: Getty Images / Erik Khalitov


Alper Bayar

Alper Bayar ist Berater im Bereich Public Sector bei Sopra Steria. Er ist auf Geschäftsprozessmanagement spezialisiert und beschäftigt sich mit methodischen Ansätzen wie Process Mining.


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.