Process Mining und KI im Progressive BPM: Werkzeuge für die richtigen Fragen

Process Mining hat in den letzten Jahren viel verändert. Ein Unternehmen spielt die Ereignisprotokolle seines ERP-Systems in eine Mining-Plattform ein und sieht nach wenigen Wochen, wie seine Prozesse im Alltag laufen. Nicht als Soll-Modell, sondern als Netz aus Tausenden tatsächlichen Durchläufen, mit allen Schleifen, Rücksprüngen und Umwegen.

Der erste Blick auf ein solches Netz ist oft ernüchternd. Ein Prozess, der im Handbuch aus sieben Schritten besteht, zeigt in den Daten 340 Varianten. Die Projektleiterin präsentiert das Ergebnis in der Geschäftsführung, alle sind beeindruckt, und dann stellt jemand die Frage: Und was machen wir jetzt?

An dieser Stelle hilft Progressive BPM weiter.

Daten ohne Frage bleiben Bilder

Process Mining beantwortet die Frage, was in den Systemen passiert. Es beantwortet nicht, welches dieser Phänomene ein Problem ist und warum es entsteht. 340 Varianten sind für sich genommen weder gut noch schlecht. Manche davon sind sinnvolle Sonderfälle, manche teure Fehler, manche Messartefakte.

Ein Mining-Projekt, das mit der Frage „Wie laufen unsere Prozesse?“ startet, produziert deshalb oft eindrucksvolle Visualisierungen und wenig Veränderung. Ein Projekt, das mit der Frage „Warum hängen unsere Rechnungen in der Freigabe fest?“ startet, produziert Antworten.

Progressive BPM liefert diese Fragen. Jede Process Card beginnt mit einem Symptom, das Menschen im Alltag erleben. Process Mining kann dann prüfen, wie oft dieses Symptom auftritt, wo genau es entsteht und welche Fälle betroffen sind.

Wo Process Mining eine Card stärkt

Beim Ausgangswert. Im Beitrag über Kennzahlen habe ich beschrieben, wie Teams ohne Daten mit Stichproben und Schätzungen arbeiten. Wenn die Daten in einem System liegen, ist Process Mining genauer. Statt 20 Rechnungen auszuwerten, sieht das Team die Durchlaufzeit aller Rechnungen des letzten Jahres, aufgeschlüsselt nach Kostenstelle und Betrag.

Bei der Ursachenanalyse. Die Card zum Rechnungseingang nennt als Ursachen fehlende Fristen und unklare Zuständigkeiten. Process Mining kann zeigen, ob die Verzögerung tatsächlich in der Freigabe entsteht oder schon bei der Erfassung. Vielleicht hängen 80 Prozent der überfälligen Rechnungen bei drei Kostenstellen. Dann beginnt die Lösung dort.

Bei der Wirkungsmessung. Nach jeder Lösungsstufe zeigt Process Mining, ob sich der Durchlauf verändert hat. Die Erfolgskontrolle wird damit fast kostenlos.

Bei Umwegen. Im Beitrag über Prozesstreue habe ich Umwege als Datenquelle beschrieben. Process Mining findet sie systematisch: Bestellungen, die nach der Rechnung angelegt wurden, Freigaben, die am Workflow vorbeiliefen, Reklamationen, die ohne Ticket abgeschlossen wurden.

Wo Process Mining nicht hinkommt

Process Mining sieht nur, was in Systemen protokolliert wird. Viele Prozessprobleme entstehen genau dort, wo keine Spuren entstehen.

Die Rechnung, die in einem persönlichen Postfach liegt, erscheint im ERP erst, wenn jemand sie erfasst. Die Wartezeit davor ist für das Mining unsichtbar. Beim Onboarding laufen viele Aufgaben per E-Mail und Zuruf. Die Information, dass die IT fünf Tage vor dem Start von der neuen Person erfahren hat, steht in keinem Protokoll. Bei der Reklamation wandert der Fall zwischen Abteilungen hin und her, aber wenn das per E-Mail passiert, sieht das System nur Anfang und Ende.

Für diese Teile des Prozesses bleibt das Gespräch mit den Beteiligten unersetzlich. Eine gute Process Card verbindet beides: die Daten aus dem System und das Wissen der Menschen, die den Prozess ausführen.

KI als Werkzeug in der Lösung

Künstliche Intelligenz taucht in meinen Process Cards zunehmend in der strukturellen Lösungsstufe auf. Einige Anwendungen haben sich im Alltag bewährt.

Erfassung unstrukturierter Eingänge. Rechnungen, die als PDF oder Papier kommen, liest eine KI-gestützte Erfassung zuverlässig aus. Für Rechnungen, die noch nicht als E-Rechnung kommen, schließt sie die Lücke.

Klassifikation. Reklamationen, die per E-Mail eingehen, ordnet ein Sprachmodell einer Fehlerkategorie zu und schlägt die zuständige Person vor. Das spart den ersten Sortierschritt und liefert gleichzeitig die Daten für die monatliche Ursachenauswertung.

Zusammenfassung. Wenn ein Case Owner einen Fall übernimmt, der schon einige E-Mails lang ist, fasst ein Assistent den bisherigen Verlauf zusammen. Der Kunde muss seinen Fall nicht noch einmal erklären.

Vorschläge für Entscheidungen. Innerhalb eines Kulanzrahmens kann ein System auf Basis ähnlicher Fälle einen Vorschlag machen. Die Entscheidung trifft weiterhin der Case Owner.

Die Regel gilt auch für KI

Für KI gilt dasselbe wie für jede andere Software: Sie führt aus, was geklärt ist. Eine KI, die Reklamationen klassifiziert, braucht sinnvolle Kategorien. Wenn die Kategorien unklar sind, klassifiziert sie zuverlässig in unklare Kategorien. Eine KI, die Freigaben vorbereitet, braucht eine Freigabematrix. Ohne Matrix schickt sie Vorschläge an die falschen Personen.

Agentische Systeme, die ganze Prozessschritte selbstständig erledigen, verschärfen diesen Punkt. Je mehr ein System selbst tut, desto wichtiger ist, dass seine Befugnisse klar geregelt sind. Ein Agent, der Bestellungen auslösen darf, braucht dieselbe Wertgrenze wie ein Mensch, und jemand muss entscheiden, wo sie liegt.

Die Reihenfolge der drei Lösungsstufen bleibt deshalb bestehen. Erst die Sofortmaßnahme, dann die Regel, dann die Technik. KI kann die dritte Stufe deutlich wirksamer machen. Die ersten beiden ersetzt sie nicht.

Ein pragmatischer Einstieg

Wenn dein Unternehmen über Process Mining oder KI-Werkzeuge nachdenkt, empfehle ich folgendes Vorgehen:

1. Schreib drei Process Cards für die Probleme, die im Unternehmen am meisten Ärger verursachen.
2. Prüf für jede Card, ob die Daten für Symptom und Kennzahlen in einem System liegen.
3. Starte das Mining mit genau diesen drei Fragen.
4. Plane KI dort ein, wo sie eine strukturelle Lösung auf einer der Cards umsetzt.

So bekommt die Technik einen klaren Auftrag, und das Projekt endet nicht bei der Visualisierung. Nach einigen Monaten liegen drei gelöste Probleme vor, eine belastbare Datengrundlage und die Erfahrung, wo die Werkzeuge im eigenen Unternehmen helfen.