Gängige Prozesskennzahlen als Indikator für den erfolgreichen Einsatz von Process Mining

Als Grundlage für jedes prozessorientierte Unternehmen geben Prozesskennzahlen Auskunft zur Effizienz, Effektivität und Transparenz der betrachteten Prozesse und dienen damit als Indikation für deren Zielerreichungsgrad.

Zur kontinuierlichen Verbesserung müssen die Prozesse innerhalb eines Bereiches oder Funktion gemessen werden. Zu diesem Zweck sollte man sich beim Einsatz von Process Mining mit der Definition dieser Kennzahlen auseinandergesetzt haben. Als Basiskennwerte dienen hier bereits Vorgangsanzahl und Durchlaufzeiten.

Wird der Einstieg über das Unternehmensprozessmodell von außen mit größer werdenden Prozessfokus gewählt, sollte man sich vorerst einmal mit der Vielzahl der vorhandenen Prozesse (Prozesskomplexität) und den zu berücksichtigten Aktivitäten und Ereignissen auseinandersetzen. Gesamtdurchlaufzeiten können über den frühesten und spätesten Zeitpunkt mit in die Betrachtung einbezogen werden. Ein zusätzlicher Indikator für die Prozesskomplexität ist die Anzahl der zugrundeliegenden Prozessvarianten, welche Aufschluss über Vielseitigkeit, Optimierungspotenzial und Fehlerquote geben. Eine solche Darstellung ist in gängigen Process Mining Lösungen, wie Celonis, Fluxicon Disco oder process.science bereits über den Prozessvarianten Explorer integriert.

Ist der Prozessfokus auf einige wenige Prozesse erstmal gebildet, ist es nun möglich hier detaillierter auf Einzelprozesss-Ebene fortzufahren. Grundlegend unterscheidet die Theorie dabei zwischen fünf Arten von Prozesskennzahlen zur Prozesscharakterisierung, wie in der folgenden Abbildung 1 dargestellt.

Abbildung 1 Kennzahlenarten im Unternehmensprozessmodell

Beispiele für die unterschiedlichen Arten von Prozesskennzahlen können sein:

• Inputkennzahlen (z.B. SLA-Konformität, Termintreue)
• Steuerungskennzahlen (z.B. Ressourceneinsatz, Automatisierungsgrad)
• Effizienzkennzahlen (z.B. Output im Verhältnis zum Input, Abschluss- Fertigstellungs- und Bereitstellungsquoten)
• Effektivitätskennzahlen (z.B. Mengen, Durchlaufzeiten, Kundenzufriedenheit, Anzahl Rückfragen)
• Störungskennzahlen (z.B. Leerlaufzeiten, Fehler, Fehlerquoten, Storno)

Hier kann zusätzlich zwischen zwei weiteren Ausprägungsgruppen unterschieden werden. Produktive bzw. leistungsorientierten Kennzahlen im Rahmen des Inputs, der Effizienz und Effektivität und qualitative Kennzahlen, welche die Steuerung sowie etwaige Störungen berücksichtigen.

Einige dieser Kennzahlen werden beim Einsatz von Process Mining Tools implizit bereits vorgegeben, wie z.B. Mengen Durchlauf- und ggf. auch Bearbeitungszeiten.

Abbildung 2 Prozesskennzahlen Darstellung in einem Process Mining Tool

Andere Kennzahlen können zusätzlich mit Hilfe weiterer Attribute im zu erstellenden Event Log über SQL oder über die daran angelegte Process Query Language (PQL) berechnet werden.

Ein wichtiger Einflussfaktor bei der Bestimmung von Prozesskennzahlen ist dabei auch die Datenqualität. Hier gilt es vorab zu klären, ob die Prozessdaten vollständig, richtig und angemessen sind. Fehlende Vorgänge, variierende Aktivitätsbezeichnungen und falsche Zeitbezüge offerieren viel Analyse- sowie Anpassungsarbeit und zerstören das Vertrauen in die Prozessdaten.

Nur eine adäquate Datengrundlage im Zusammenspiel mit aussagekräftigen Prozesskennzahlen ermöglicht das Treffen von Entscheidungen hin zu essenziellen Zielsetzungen, wie Prozessoptimierung, Automatisierung und Nachhaltigkeit und die Durchführung eines erfolgreichen Process Mining Projektes.