Definition: Process Mining
Process Mining ist eine Datenanalysetechnik, die tatsächliche Geschäftsprozessabläufe rekonstruiert, indem sie Eventlogs aus Unternehmenssystemen auswertet - so sehen Organisationen, wie Arbeit wirklich stattfindet, nicht wie sie dokumentiert wurde.
Kernmerkmale von Process Mining
Process Mining arbeitet mit Eventlogs - zeitgestempelten Aufzeichnungen jeder Systemaktion - die von ERP-, CRM- und MES-Systemen automatisch generiert werden, ohne zusätzliche Instrumentierung.
- Discovery: erstellt automatisch visuelle Prozesskarten aus rohen Eventlog-Daten
- Conformance Checking: vergleicht tatsächliche Abläufe mit dem geplanten Referenzmodell und quantifiziert Abweichungen
- Enhancement: identifiziert Ursachen von Verzögerungen, Nacharbeit und Ausnahmen
- Kontinuierliches Monitoring: verfolgt die Prozessleistung über die Zeit, um Drifts nach der Automatisierung zu erkennen
Process Mining vs. Prozess-Mapping
Klassisches Prozess-Mapping erfasst, wie Manager und Prozessverantwortliche glauben, dass ein Prozess funktioniert - gewonnen aus Workshops, Interviews und Flussdiagrammen. Process Mining liest, was Systeme tatsächlich aufzeichnen: jede Transaktion, jeden Zeitstempel, jede Routing-Entscheidung. Die Lücke zwischen beiden ist typischerweise erheblich. Branchenübergreifende Studien zeigen konsistent, dass 20 bis 40 % der Transaktionen auf Wegen ablaufen, die in keiner dokumentierten Prozedur erfasst sind. Für KI- und RPA-Projekte ist die Automatisierung des dokumentierten Prozesses ohne Berücksichtigung realer Varianten ein Hauptgrund für niedrige Automatisierungsquoten nach dem Go-live.
Bedeutung von Process Mining im Enterprise-KI-Umfeld
Process Mining ist die Datenbasis für jede KI-Automatisierungsstrategie. Gartner schätzt, dass bis 2026 rund 80 % der Grossunternehmen Process Mining als Teil ihrer Automatisierungsstrategie nutzen werden - ein Wert, der die wachsende Erkenntnis widerspiegelt, dass ohne Prozessdaten gebaute Automatisierung regelmässig underperformt. Für Mittelstandsunternehmen, die KI-Agenten in Order-to-Cash-, Procure-to-Pay- oder Produktions-Workflows einsetzen, beantwortet Process Mining die entscheidende Frage vor jeder Technologieinvestition: Welche Prozessvarianten sind häufig genug, um automatisiert zu werden - und welche Ausnahmen erfordern bewusst menschliches Urteilsvermögen?
Methoden und Verfahren für Process Mining
Drei strukturierte Techniken bilden ein vollständiges Process-Intelligence-Programm.
Prozessdiscovery aus Eventlogs
Der Ausgangspunkt ist die Verbindung eines Process-Mining-Tools mit den Eventlog-Tabellen des Unternehmenssystems - typischerweise SAP, Oracle oder ein spezialisiertes MES. Das Tool liest Transaktionszeitstempel, Benutzer-IDs und Statuswechsel, um jeden Weg, den eine Prozessinstanz genommen hat, zu rekonstruieren.
- Relevante Eventlog-Tabellen aus dem Quellsystem identifizieren und exportieren
- Fall-ID (z. B. Bestellnummer), Aktivität (z. B. Statuswechsel) und Zeitstempelfelder definieren
- Discovery-Algorithmen laufen lassen, um die tatsächliche Prozesskarte mit Frequenz- und Durchlaufzeitdaten je Pfad zu erzeugen
- Auf die häufigsten Pfade filtern, die 80 % des Transaktionsvolumens abbilden - das sind die Automatisierungskandidaten
Conformance Checking und Variantenanalyse
Sobald der entdeckte Prozess kartiert ist, vergleicht Conformance Checking jeden Fall mit dem Referenzmodell und markiert Abweichungen. Variantenanalyse gruppiert alle einzigartigen Prozesspfade und ordnet sie nach Häufigkeit. Ein standardmässiger Rechnungsverarbeitungsablauf kann drei geplante Wege und über 40 tatsächliche Varianten haben - die meisten selten, einige häufig genug, um eigene Behandlung zu rechtfertigen. Dieser Output bestimmt direkt das Design der Workflow-Automatisierung: welche Varianten automatisiert, welche überarbeitet und welche als notwendige Ausnahmen akzeptiert werden.
Ursachenanalyse und Simulation
Fortgeschrittene Process-Mining-Plattformen legen Finanz-, Qualitäts- und Durchlaufzeitdaten über den Prozessgraphen, um die wertvollsten Engpässe zu identifizieren. Ursachenanalyse verbindet Prozessabweichungen mit ihren Auslösern - etwa ein fehlendes Feld bei der Bestellungsanlage, das drei zusätzliche Genehmigungsschleifen nachgelagert verursacht. Simulationsfunktionen ermöglichen es Teams, die Wirkung geplanter Automatisierungen vor der Implementierung zu modellieren.
Wichtige Kennzahlen für Process Mining
Process Mining liefert quantitative Prozessintelligenz, die Workshop-Schätzungen durch gemessene Baselines ersetzt.
Prozessleistungs-Baselines
- Durchlaufzeit: mediane Ende-zu-Ende-Zykluszeit je Prozesspfad, aufgeteilt nach Varianten
- Automatisierungsquote: Anteil der Fälle auf einem für Straight-Through-Processing geeigneten Pfad
- Nacharbeitsquote: Anteil der Fälle mit mindestens einer Rückwärtsschleife oder wiederholten Aktivität
- Abweichungsquote: Anteil der Fälle, die vom geplanten Referenzprozess abweichen
Automatisierungspotenzial-Quantifizierung
Vor jeder Prozessautomatisierungs-Investition sollte Process Mining eine priorisierte Liste von Automatisierungskandidaten mit Fallvolumen, durchschnittlicher eingesparter Bearbeitungszeit und geschätztem Jahreswert liefern. McKinsey-Benchmarks zeigen, dass Unternehmen, die diesen Ansatz nutzen, 15 bis 20 % höheren Automatisierungs-ROI erzielen als solche, die Automatisierungsziele auf Basis von Stakeholder-Meinungen auswählen.
Konformitätsmonitoring nach der Automatisierung
Nach dem Deployment von KI-Agenten oder RPA überwacht Process Mining die laufende Konformität und verifiziert, dass die Automatisierung das erwartete Fallvolumen verarbeitet und keine neuen Ausnahmepfade erzeugt. Zielkennzahlen: Automatisierungsquote über 85 % für die Zielpfade, Abweichungsquote unter 5 % gegenüber der Prä-Automatisierungs-Baseline.
Risikofaktoren und Kontrollen bei Process Mining
Eventlog-Qualität und Vollständigkeit
Process Mining ist nur so genau wie die Eventlogs, die es liest. SAP und Oracle erzeugen reichhaltige Logs, aber ältere MES-Plattformen und Abteilungssysteme haben oft unvollständige oder inkonsistent strukturierte Eventdaten. Wenn Schlüsselaktivitäten nicht geloggt werden - manuelle Schritte ausserhalb des Systems, telefonische Freigaben, Excel-Workarounds - ist die entdeckte Prozesskarte strukturell unvollständig.
- Eventlog-Vollständigkeit vor dem Analysestart prüfen
- Manuelle Schritte identifizieren, die nicht in System-Logs erfasst sind, und Instrumentierungsbedarf klären
- Entdeckten Prozess anhand einer Stichprobe realer Fälle validieren, bevor Automatisierungsschlüsse gezogen werden
Scope-Creep und Analyse-Paralyse
Process-Mining-Tools erzeugen grosse Datenmengen. Ohne klaren Scope - ein Prozess, ein System, eine Geschäftseinheit - wachsen Projekte zu monatelangen Analyseprogrammen, die Automatisierung verzögern statt sie zu ermöglichen. Die effektivsten Implementierungen begrenzen die initiale Analyse auf einen einzigen hochvolumigen Prozess und produzieren Automatisierungsempfehlungen innerhalb von vier bis sechs Wochen.
Discovery-Output als Implementierungsspezifikation behandeln
Process-Mining-Output zeigt, was aktuell passiert - nicht was passieren sollte. Eine entdeckte Prozesskarte mit 40 Varianten bedeutet nicht, dass alle 40 automatisiert werden sollten. Redesign-Entscheidungen erfordern Geschäftsurteil: Welche Varianten entstehen durch fehlerhafte vorgelagerte Prozesse, welche spiegeln legitime Geschäftskomplexität wider, und welche sollten schlicht eliminiert werden? Dysfunktionale Varianten im grossen Massstab zu automatisieren, zementiert schlechten Prozess statt ihn zu verbessern.
Praxisbeispiel
Ein 550-Personen-Fertigungsunternehmen aus Deutschland startete ein RPA-Projekt zur Automatisierung der Bestellungsverarbeitung in SAP. Erste Stakeholder-Workshops beschrieben einen dreistufigen Prozess: Anforderung, Genehmigung, Bestellungsanlage. Process Mining über 18 Monate SAP-Eventlogs zeigte 23 verschiedene Prozessvarianten: Die drei geplanten Schritte deckten nur 61 % der Bestellungen ab. Die restlichen 39 % enthielten fünf häufige Varianten mit Preisabweichungsschleifen, fehlenden Lieferantenstammdaten und Doppelgenehmigungsrouting für strategische Lieferanten.
- 23 Prozessvarianten aus 18 Monaten SAP-Eventlogs über 14.200 Bestellungen entdeckt
- 61 % der Fälle als für Straight-Through-Automatisierung geeignet identifiziert
- Drei häufige Ausnahmevarianten redesignt, um vorgelagerte Dateneingabelücken zu eliminieren
- RPA-Automatisierungsquote nach Redesign: 78 % - gegenüber geschätzten 45 % ohne vorheriges Process Mining
Aktuelle Entwicklungen und Auswirkungen
Process Mining entwickelt sich von einem Diagnosewerkzeug zu einem aktiven Bestandteil von KI-Automatisierungsplattformen.
KI-gestütztes Process Mining
Moderne Process-Mining-Plattformen integrieren KI-Agenten-Fähigkeiten, um über die Analyse hinaus zu Empfehlungen und Ausführung zu kommen. Statt einer Prozesskarte zur menschlichen Interpretation identifizieren KI-gestützte Tools automatisch die wertvollsten Automatisierungspotenziale und - in einigen Plattformen - lösen direkt Workflow-Änderungen aus.
- Generative KI-Schnittstellen ermöglichen Business-Usern Prozessdata-Abfragen in natürlicher Sprache
- Anomalieerkennung meldet emergente Abweichungen nahezu in Echtzeit, ohne manuelles Monitoring
- Automatischer Benchmark-Vergleich mit branchenübergreifenden Prozessleistungsdatenbanken
Integration mit SAP und ERP-Plattformen
SAP Signavio und Celonis sind von eigenständigen Tools zu nativen ERP-Integrationen geworden und reduzieren den Implementierungsaufwand für SAP-basierte Mittelständler von Monaten auf Wochen. Die Eventlog-Verbindung ist vorkonfiguriert; das Deployment konzentriert sich auf die Analyse-Scope-Definition statt auf Datenpipeline-Engineering.
Process Mining als KI-Agenten-Voraussetzung
Die Kombination von Process Mining und KI-Agenten wird zum Standarddeployment-Muster. Process Mining identifiziert den Zielprozess und seine Varianten; KI-Agenten werden für die entdeckten realen Pfade ausgelegt statt für einen hypothetischen Idealablauf. Organisationen, die diesem Muster folgen, berichten von deutlich höheren Automatisierungsquoten beim Go-live gegenüber solchen, die Agenten-Workflows aus Dokumentationen heraus designen.
Fazit
Process Mining schliesst die Lücke zwischen dem, wie Organisationen glauben, dass ihre Prozesse funktionieren, und wie sie tatsächlich ablaufen. Für Mittelstandsunternehmen, die Workflow-Automatisierung oder KI-Agenten-Deployments erwägen, beantwortet Process Mining die grundlegenden Fragen, bevor Budget gebunden wird: Welche Prozesse sind tatsächlich im grossen Massstab automatisierbar, welche Ausnahmen müssen behandelt werden und wo verbessern vorgelagerte Prozessfixes die Automatisierungsergebnisse mehr als jede Technologieentscheidung. Organisationen mit dem höchsten Automatisierungs-ROI behandeln Process Mining nicht als einmalige Diagnose, sondern als kontinuierliche Infrastruktur - laufend neben Produktionssystemen, um Konformität zu überwachen und neue Verbesserungspotenziale zu identifizieren.
Häufig gestellte Fragen
Welche Daten nutzt Process Mining tatsächlich?
Process Mining liest Eventlogs - die zeitgestempelten Aufzeichnungen, die Unternehmenssysteme wie SAP, Oracle oder Salesforce automatisch für jede Transaktion generieren. Jeder Log-Eintrag enthält mindestens eine Fall-ID (z. B. Rechnungsnummer), einen Aktivitätsnamen (z. B. “genehmigt”) und einen Zeitstempel. Für Systeme, die bereits strukturierte Logs erzeugen - was die meisten grossen ERP- und CRM-Plattformen tun - ist keine zusätzliche Instrumentierung erforderlich.
Wie lange dauert ein Process-Mining-Projekt?
Eine fokussierte Process-Mining-Analyse zu einem einzigen Prozess - Purchase-to-Pay, Order-to-Cash oder Rechnungsverarbeitung - dauert typischerweise vier bis acht Wochen vom Datenzugang bis zu Automatisierungsempfehlungen. Der Hauptvariable ist der Datenzugang: Die Beschaffung von Eventlog-Exporten aus der IT dauert oft länger als die eigentliche Analyse.
Brauchen wir Process Mining vor jedem KI-Automatisierungsprojekt?
Für hochvolumige transaktionale Prozesse auf ERP-Systemen wird Process Mining vor dem Automatisierungsdesign dringend empfohlen. Für Prozesse mit stabilen, gut verstandenen Abläufen und wenigen Ausnahmen ist der Aufwand möglicherweise nicht gerechtfertigt. Faustregel: Wenn der Prozess mehr als 500 monatliche Fälle hat und mehrere Abteilungen oder Systeme involviert, amortisiert sich Process Mining durch vermiedene Nacharbeit.
Was ist der Unterschied zwischen Process Mining und Prozess-Mapping?
Prozess-Mapping erfasst, wie Menschen einen Prozess beschreiben - gewonnen aus Interviews und Workshops, dargestellt in Flussdiagrammen. Process Mining extrahiert, wie ein Prozess tatsächlich abläuft, aus System-Eventdaten. Prozess-Mapping ist schnell und kollaborativ, spiegelt aber Wahrnehmungen und Best-Case-Szenarien wider. Process Mining ist datengestützt und objektiv, erfordert aber saubere Eventlogs. Beide Methoden ergänzen sich.
Welche Unternehmenssysteme unterstützen Process Mining?
SAP ist das häufigste Quellsystem, mit nativen Integrationen von Celonis und SAP Signavio. Oracle ERP, Salesforce, ServiceNow, Microsoft Dynamics und die meisten grossen MES-Plattformen werden ebenfalls von führenden Process-Mining-Tools unterstützt. Systeme ohne strukturierte Eventlogs - darunter viele ältere On-Premise-Anwendungen - erfordern individuelle Extraktionsarbeit.
Wie hängt Process Mining mit RPA und KI-Agenten zusammen?
Process Mining identifiziert, welche Prozesspfade zur Automatisierung geeignet sind und welche Ausnahmevarianten existieren. RPA oder KI-Agenten implementieren dann die Automatisierung für diese Pfade. Ohne Process Mining wird Automatisierung gegen dokumentierte Best-Case-Abläufe designt und underperformt konsistent, weil reale Varianten nicht berücksichtigt werden. Mit Process Mining wird der Automatisierungsscope durch Daten definiert - bevor eine einzige Zeile Code geschrieben wird.
