Logistik 4.0-Standards? SAP EWM macht‘s möglich!
Mehr lesen
In jüngster Zeit wurde Data Process Mining in der Logistikwelt viel diskutiert. Wichtig dabei – es handelt sich hierbei um mehr als nur eine kurzfristige Modeerscheinung. Denn hinter dem etwas sperrig klingenden Namen verbirgt sich ein mächtiges Werkzeug, um Ineffizienzen und Optimierungspotenziale zu identifizieren. Wir bringen in diesem Beitrag Licht ins Dunkel, was sich genau dahinter verbirgt und klären, was es im Logistikumfeld und entlang der Supply Chain bewirkt.
Entwicklungen wie das Internet of Things, wie es beispielsweise mit vernetzten Objekten bereits genutzt wird, liefern uns laufend Daten über die Geschäftsprozesse. Doch wirklich spannend werden sie erst dann, wenn diese Datenmengen in Relation gesetzt werden: Wenn wir wissen, wie die Prozesse miteinander verknüpft sind oder was passiert, wenn die Verbindung an einer Stelle abbricht oder sich in eine andere Richtung bewegt. Genau hier setzt Data Process Mining an.
Der Haken bei der reinen Erhebung von Daten im Unternehmen war, dass dadurch noch keine hilfreichen Erkenntnisse zutage gefördert werden können. Zusammenhänge dahinter musste man sich bislang selbst herleiten, um z. B. herauszufinden, warum es zu Engpässen oder Schleifen in der Logistik kam. Um diese Arbeit zu automatisieren, führen Tools für Data Process Mining Daten zusammen und visualisieren sie. Genau deshalb spricht man bei Data Process Mining auch von der „Prozessoptimierung der Zukunft“.
Der Begriff „Data Process Mining“ setzt sich aus den etablierten Begriffen „Data Mining“ und „Business Process Management“ zusammen. Vielleicht haben sie für den gleichen Sachverhalt auch schon andere Namen gehört oder gelesen. Process Mining oder die Umschreibung, dass es sich um eine auf „Big Data“-basierende Prozessanalyse handelt, bezeichnen alle die gleiche analytische Methode, reale Geschäftsprozesse mit digitalen, datengetrieben Methoden zu prüfen und anschließend visuell wiederzugeben.
Ineffiziente Geschäftsprozesse, die dadurch optimiert werden können, sind z. B. Vertriebs-, Lieferketten-und Fertigungsprozesse. Der Clou: Im Gegensatz zu herkömmlichen Prozessanalyse-Methoden kann Data Process Mining nicht nur isolierte Prozessabläufe einzelner Sektionen erfassen, sondern die des ganzen Unternehmens. Nehmen wir z. B. die Bereitstellung von Material in der Produktion oder Aufträge mit Fremdbearbeitungs-Anteil. Es lassen sich Fragen beantworten wie u. a. „Wie schnell werden Tickets oder Kundenaufträge beantwortet?“ oder „Welche Abläufe laufen aktuell nicht rund und könnten automatisiert werden?“
Die Basis für die Prozessanalyse bilden valide Daten und messbare Fakten im Unternehmen – als digitale Spuren, die in den IT-Systemen hinterlassen wurden. Dann werden die fortschrittlichen Technologieverfahren der Data-Process-Mining-Tools hinzugenommen. Durch Data Process Mining werden Prozesse aufgedröselt: Komplett visuell dargestellt können Betrachter:innen alle Beziehungen/das Zusammenspiel zwischen Datenschichten erkennen und Muster ausfindig machen. Beispiel gefällig? Jegliche Lücken zwischen den Geschäftsprozessen in der Supply Chain werden dank den Tools unleugbar sichtbar. Der Fokus liegt darauf, aus den offengelegten Prozessen und sichtbar gemachten Flaschenhälsen Ableitungen für Verbesserungen treffen zu können.
Doch wie kann man im Logistikumfeld damit loslegen?
Ausgangspunkt eines Process-Mining-Projekts ist stets eine konkret formulierte Fragestellung und die Vorgabe, um welchen Prozess oder welches Problem es gehen soll.
Data Process Mining hat sich Transparenz auf die Fahnen geschrieben und legt Lücken sowie Abweichungen offen. Das führt natürlich auch dazu, dass zwangsläufig auch das Thema „Datenschutz“ ins Spiel kommt. Datenschutzrechtlich gesehen handelt es sich um schwieriges Terrain, falls geplant ist, sensible Daten zu erheben und weiterzugeben. Im Einzelfall kann sich auch abzeichnen, dass zum Beispiel User:innen- oder Kund:innen-Informationen für die Lösung des Problems nicht notwendig sind oder dass Daten in anonymisierter Form ausreichen. Doch in jedem Fall muss die Verwendung und Verarbeitung personenbezogener Daten aus rechtlicher Sicht vorher überprüft werden.
Die „Prozessoptimierung der Zukunft“ hat es also in sich. Denn mittels Data Process Mining gelingt es Unternehmen, vertiefte Erkenntnisse zu erlangen und zweifelsfrei sagen zu können, wo die Schwachstellen und Flaschenhälse in ihren Geschäfts- oder Logistikabläufen liegen. Das spart Kosten und trägt zur langfristigen Beseitigung von Stolpersteinen bei. Data Process Mining hat das Zeug dazu, unser oft gespaltenes Verhältnis gegenüber Datenerhebung und Analysemethoden gehörig auf den Kopf zu stellen und die Skepsis abzubauen. Wer noch zögert, ob sich die Methode lohnt, wird spätestens dann begeistert sein, wenn er sieht, das nicht mehr nur ein kurzer Abschnitt transparent nachvollziehbar visualisiert wird, sondern ein ganzer Ablauf mit allen Nebenpfaden.