Was ist Process Mining?

Process Mining ist eine Analysetechnik des Prozessmanagements, die Geschäftsprozesse auf Basis digitaler Spuren in IT-Systemen rekonstruiert und auswertet. Die Methode nutzt Ereignisprotokolle (Event Logs) aus operativen Systemen wie ERP, CRM oder Workflow-Management-Systemen, um tatsächliche Prozessabläufe zu visualisieren und zu analysieren. Im Gegensatz zu traditionellen Ansätzen wie Workshops oder Interviews basiert Process Mining auf objektiven Daten und zeigt, wie Prozesse wirklich ablaufen – nicht wie sie theoretisch ablaufen sollten.

Process Mining verbindet Data Mining mit Prozessmanagement und wird auch als Business Intelligence auf Prozessebene bezeichnet. Die Technologie ermöglicht es, implizites Prozesswissen aus Daten zu extrahieren, Prozesse transparent zu machen und kontinuierlich zu optimieren.

Jeder Prozessschritt in einem IT-System hinterlässt digitale Spuren in Form von Event Logs. Diese Ereignisprotokolle enthalten mindestens drei wesentliche Informationen:

• Case-ID: Eindeutige Identifikation des Prozessvorgangs
• Aktivitätsbezeichnung: Name des durchgeführten Prozessschritts
• Zeitstempel: Zeitpunkt der Aktivitätsausführung

Zusätzliche Attribute wie Bearbeiter, Kosten oder Standorte erweitern die Analysemöglichkeiten. Der IEEE Standard for Extensible Event Stream (XES), der 2016 veröffentlicht wurde, definiert ein standardisiertes Format für den Austausch von Event Logs.

Eine Process Mining-Software extrahiert Log-Daten aus Quellsystemen und transformiert sie in ein einheitliches Format. Spezielle Algorithmen durchsuchen die Ereignisdaten nach Mustern, rekonstruieren Prozessabläufe und erstellen grafische Darstellungen. Die Visualisierung erfolgt häufig als Direct Follower Graph, Petri-Netz, BPMN-Modell oder UML-Aktivitätsdiagramm. Am verbreitetsten ist der Direct Follower Graph, und er lässt sich ohne Vorwissen lesen: Jeder Knoten steht für eine Aktivität, jede Kante für den Übergang von einer Aktivität zur nächsten. Je dicker eine Kante gezeichnet ist, desto häufiger wird dieser Weg genommen. Rücksprünge, Schleifen und Nebenpfade werden dadurch auf einen Blick sichtbar.

Genau hier entsteht der Moment, der Process-Mining-Projekte in der Regel auslöst. Prozesse, die als sauberes Flussdiagramm mit sieben Schritten dokumentiert sind, sehen in der Rekonstruktion aus den echten Daten oft aus wie ein Knäuel — in der Fachsprache das Spaghetti-Modell. Diese Grafik ist meist das erste belastbare Argument dafür, dass Prozessarbeit nötig ist. Die Software berechnet zusätzlich Kennzahlen wie Durchlaufzeiten, Wartezeiten zwischen Aktivitäten, Prozessvarianten und Häufigkeitsverteilungen. Die aussagekräftigste davon ist meist die Variantenzahl: Zeigt ein als standardisiert geltender Prozess mehrere hundert unterschiedliche Durchlaufvarianten, ist die Diskussion über Standardisierung damit beendet. Ähnlich aufschlussreich ist das Verhältnis von Wartezeit zu tatsächlicher Bearbeitungszeit — bei vielen Freigabeprozessen entfällt der weitaus größere Teil der Durchlaufzeit auf Liegezeiten, nicht auf Arbeit.

Das Institute of Electrical and Electronics Engineers (IEEE) definiert in seinem Process Mining Manifest von 2011 drei grundlegende Analysetypen, die auf den Arbeiten von Professor Wil van der Aalst von der RWTH Aachen basieren, der weithin als „Godfather of Process Mining“ bekannt ist.

Process Discovery rekonstruiert Prozessmodelle automatisch aus Event Logs ohne Rückgriff auf vorhandene Modelle. Diese Technik nutzt ausschließlich Ereignisprotokolldaten, um Prozesse zu identifizieren und zu visualisieren. Discovery ist der am weitesten verbreitete Process Mining-Typ und eignet sich besonders, wenn keine oder nur unzureichende Prozessdokumentation existiert.

Conformance Checking vergleicht reale Prozessabläufe mit existierenden Prozessmodellen. Diese diagnostische Methode führt einen Soll-Ist-Vergleich durch und identifiziert Abweichungen zwischen dem theoretischen Modell und der tatsächlichen Prozessausführung. Conformance Checking prüft, ob definierte Richtlinien eingehalten werden und ob Prozesse wie geplant ablaufen.

Process Enhancement erweitert und verbessert bestehende Prozessmodelle durch zusätzliche Informationen aus Event Logs. Im Gegensatz zu Conformance Checking steht hier nicht die Konformitätsprüfung im Mittelpunkt, sondern die Optimierung des Modells selbst. Enhancement reichert Prozessmodelle mit Daten zu Performance, Kosten oder Ressourcenauslastung an.

Process Mining findet überall dort Anwendung, wo IT-Systeme Prozessschritte so protokollieren, dass Zusammengehörigkeit und Chronologie nachvollziehbar sind. Typische Einsatzbereiche sind:

• Purchase-to-Pay-Prozesse: Von der Bedarfsmeldung über Bestellung und Wareneingang bis zur Rechnungsprüfung und Zahlung. Der meistgewählte Einstiegsprozess — ausführlich weiter unten.
• Order-to-Cash-Prozesse: Von der Kundenanfrage über Auftragserfassung, Kommissionierung und Versand bis zur Fakturierung. Die Analyse zeigt Verzögerungen in der Auftragsbearbeitung und Medienbrüche zwischen Systemen.
• IT-Service-Management: Für Incident-, Change- und Problem-Management-Prozesse. Process Mining erhöht die Transparenz von Ticket-Systemen, analysiert Eskalationsmuster und optimiert Auflösungszeiten.
• Produktionsprozesse: Zur Visualisierung von Materialflüssen, Identifikation von Rüstzeitverlusten und Aufdeckung von Kapazitätsengpässen. Besonders bei variantenreicher Fertigung zeigt die Analyse, welche Produktkonfigurationen zu Verzögerungen führen.
• Compliance und Risikomanagement: Zur automatischen Prüfung von Vier-Augen-Prinzipien, Funktionstrennung und Genehmigungsprozessen. Die lückenlose Dokumentation erleichtert Audits und Compliance-Überwachung.

Beispiel: Was Process Mining im Einkauf sichtbar macht

Purchase-to-Pay ist der Referenz-Anwendungsfall der Disziplin, weil der Prozess in ERP-Systemen durchgängig protokolliert wird und weil die Befunde sich direkt in Geld übersetzen lassen. Typische Ergebnisse einer ersten Auswertung:

– Bestellungen ohne vorausgehende Bedarfsmeldung oder Freigabe – Rechnungen, die mehrfach durch dieselbe Prüfschleife laufen

– Skonto-Verluste durch verspätete Rechnungsfreigabe – Genehmigungsstufen, die faktisch nie zu einer Ablehnung führen

– Nachträgliche Änderungen an bereits freigegebenen Bestellungen

Maverick Buying

Als Maverick Buying wird Beschaffung bezeichnet, die am Rahmenvertrag und am definierten Einkaufsprozess vorbeiläuft — der Fachbereich bestellt direkt beim Lieferanten, ohne Bedarfsmeldung, ohne Freigabe, oft zu schlechteren Konditionen. Im Event Log fällt dieses Verhalten als eigene Prozessvariante auf, weil die vorgelagerten Schritte schlicht fehlen. Process Mining beziffert damit, wie hoch der Anteil tatsächlich ist, statt ihn zu schätzen. In der IT-Beschaffung tritt dasselbe Muster als Schatten-IT auf, wenn Fachbereiche SaaS-Werkzeuge und Lizenzen eigenständig buchen.

Lieferantenbewertung

Aus denselben Daten lässt sich die Zusammenarbeit mit einzelnen Lieferanten bewerten: Liefertreue und Terminabweichungen aus echten Bewegungsdaten statt aus Selbstauskunft, Abweichungen zwischen Rahmenvertragspreis und tatsächlich bestelltem Preis, Häufungen von Reklamationen oder Rechnungskorrekturen und die Frage, wie viel Volumen tatsächlich über einen einzelnen Lieferanten läuft. Eine Einschränkung gehört dazu: Process Mining findet keine neuen Lieferanten. Es kennt ausschließlich das, was in den eigenen Systemen steht, und führt keine Marktrecherche durch. Was es liefert, ist die belastbare Begründung dafür, einen Lieferanten neu zu verhandeln oder abzulösen — die Suche nach dem Ersatz ist ein eigener Schritt mit anderen Werkzeugen.

Process Mining wird regelmäßig mit benachbarten Disziplinen verwechselt. Die Abgrenzung ist nicht akademisch, sondern praktisch relevant: Wer bereits ein Data Warehouse, ein BI-Werkzeug oder eine Prozessmodellierung im Einsatz hat, muss wissen, was Process Mining zusätzlich leistet und was es nicht ersetzt.

Business Process Management bezeichnet die ganzheitliche Steuerung von Geschäftsprozessen und ist modellgetrieben. Process Mining ist datengetrieben und diagnostisch. Die Ansätze arbeiten auf unterschiedlichen Ebenen: Process Mining zeigt, wie Prozesse tatsächlich ablaufen, BPM legt fest, wie sie ablaufen sollen. Process Mining liefert damit die Analysebasis für BPM-Initiativen.

Process Mining ist datengetrieben und analysiert, wie Prozesse tatsächlich ablaufen. Während BPM definiert, wie Prozesse ablaufen sollen, zeigt Process Mining die Realität. BPM nutzt häufig informelle Methoden wie Workshops und Befragungen, Process Mining basiert auf objektiven Systemdaten.

Die Ansätze ergänzen sich optimal: Process Mining liefert die Analysebasis für BPM-Initiativen und zeigt vor Prozessneugestaltungen den aktuellen Zustand objektiv auf. Nach BPM-Implementierungen überwacht Process Mining kontinuierlich, ob modellierte Prozesse wie vorgesehen ausgeführt werden. BPM-Systeme generieren zudem strukturierte Event Logs als ideale Datengrundlage für Process Mining.

• Objektive Transparenz: Process Mining zeigt alle Prozessvarianten einschließlich seltener Ausnahmefälle, die in klassischen Analysen untergehen. Diese Transparenz umfasst Prozessschritte, Wartezeiten, Bearbeitungsdauern und Ressourceneinsatz. Die Visualisierung ermöglicht ein einfacheres Verständnis der Abläufe für Mitarbeiter und Führungskräfte.
• Präzise Ineffizienz-Identifikation: Die datenbasierte Identifikation von Ineffizienzen erfolgt quantifiziert und messbar. Process Mining visualisiert Prozessschleifen, überflüssige Genehmigungsschritte und Medienbrüche. Engpässe werden nicht nur qualitativ beschrieben, sondern mit konkreten Durchlaufzeiten und Kostenauswirkungen unterlegt.
• Kontinuierliche Prozessoptimierung: Zeiteinsparungen und Effizienzsteigerungen sind messbar. Unternehmen eliminieren unnötige Prozessschritte, automatisieren repetitive Tätigkeiten und standardisieren Prozessvarianten. Durch die End-to-End-Betrachtung wird erkennbar, wie Veränderungen einzelner Prozessschritte den Gesamtprozess beeinflussen.
• Faktenbasierte Entscheidungen: Annahmen und subjektive Wahrnehmungen werden durch objektive Daten ersetzt. Management-Diskussionen über Prozessverbesserungen basieren auf belastbaren Kennzahlen. Process Mining liefert Daten zur Priorisierung von Optimierungsprojekten nach Wirkung und Aufwand.

Datenqualität bildet die Grundvoraussetzung für erfolgreiches Process Mining. Fragmentierte IT-Landschaften ohne durchgängige Case-IDs, fehlende Zeitstempel oder inkonsistente Aktivitätsbezeichnungen erschweren die Analyse. Legacy-Systeme verfügen teilweise über keine oder nur eingeschränkte Logging-Funktionen.

Datenschutz nach DSGVO stellt besondere Anforderungen. Event Logs enthalten häufig personenbezogene Daten wie Bearbeiter-IDs. Unternehmen müssen Pseudonymisierung oder Anonymisierung sicherstellen, Zweckbindung beachten und Betriebsräte einbinden.

Die größte Einschränkung von Process Mining-Software liegt in der Beschränkung auf Informationssysteme. Software kann Aspekte eines Geschäftsprozesses, die in der realen Welt außerhalb von IT-Systemen stattfinden, nicht erfassen. Die menschliche Interpretation bleibt notwendig, um nicht nur die Struktur, sondern auch den Nutzen eines Prozesses zu verstehen.

Change Management erfordert Aufmerksamkeit, da Process Mining Prozessabläufe und Arbeitsweisen transparent macht. Mitarbeiter befürchten teilweise Leistungsüberwachung. Erfolgreiches Process Mining erfordert klare Kommunikation über Ziele, Einbindung betroffener Bereiche und Fokussierung auf Prozess- statt Personaloptimierung.

Führende Anbieter im deutschsprachigen Raum:

• Celonis (München): Marktführer mit umfangreicher Execution Management Platform und vorkonfigurierten SAP-Analysen
• Signavio Process Intelligence (SAP): Integration von Process Mining mit Business Process Management
• UiPath Process Mining (ehemals ProcessGold): Enge Verzahnung mit Robotic Process Automation
• Software AG (ARIS Process Mining): Ganzheitliches Prozessmanagement
• Microsoft Process Advisor (Power Platform): Integration in Microsoft-Ökosystem
• QPR Software: Fokus auf Performance Management
• Mehrwerk: Deutscher Anbieter für den Mittelstand

Open-Source-Alternativen wie ProM oder PM4PY eignen sich für Unternehmen mit Data Science-Kompetenz.

Die Auswahl sollte Benutzerfreundlichkeit, Skalierbarkeit, Systemanbindung und Total Cost of Ownership berücksichtigen. Viele Tools bieten vorkonfigurierte Konnektoren für gängige ERP- und CRM-Systeme. Cloud-basierte Lösungen reduzieren Infrastrukturaufwände, erfordern aber Klärung datenschutzrechtlicher Aspekte.

Process Mining-Software kann als Abo-Produkt direkt genutzt werden und muss nicht zwingend implementiert werden. Alternativ können Unternehmen Beratung inklusive Process Mining-Analyse und Ergebnisaufbereitung einkaufen.

Pilotprojekte minimieren Risiken und ermöglichen Learning-by-Doing mit begrenztem Investment. Ideale Pilotprozesse sind geschäftskritisch genug für relevanten Impact, aber nicht zu komplex für die Interpretation. Prozesse mit vermuteten Ineffizienzen oder hohem Optimierungsdruck liefern überzeugende Business Cases.

Ausreichende Datenverfügbarkeit in strukturierter Form ist die Grundvoraussetzung. Purchase-to-Pay und Order-to-Cash haben sich als erfolgreiche Einstiegsprozesse etabliert, da sie gut dokumentiert sind und klare Kennzahlen bieten.

Stakeholder-Einbindung umfasst Prozessverantwortliche, IT-Abteilung, Datenschutzbeauftragte und Betriebsrat. Workshops zur gemeinsamen Interpretation von Analyseergebnissen fördern Akzeptanz. Process Mining funktioniert am besten als kollaborativer Ansatz zwischen Analysten und Fachbereichen.

Quick Wins schaffen Momentum. Bereits in Pilotprojekten lassen sich offensichtliche Ineffizienzen identifizieren und kurzfristig beheben: Eliminierung redundanter Genehmigungsschritte, Automatisierung manueller Eingaben oder Standardisierung häufiger Prozessvarianten.

Die Integration mit Künstlicher Intelligenz und Machine Learning erweitert Process Mining um prädiktive Fähigkeiten. KI-Algorithmen erkennen Muster und prognostizieren zukünftige Entwicklungen. Natural Language Processing ermöglicht die Analyse unstrukturierter Prozessdaten aus E-Mails oder Freitextfeldern.

Objektzentriertes Process Mining (OCPM) überwindet die Limitationen des traditionellen fall-zentrierten Ansatzes. Klassisches Process Mining verknüpft jedes Event mit einer einzelnen Case-ID und erfordert separate Datenextraktionen für verschiedene Prozesssichten. OCPM nutzt objektzentrierte Event Logs (OCEL), die Event-to-Object und Object-to-Object Beziehungen erfassen. Der OCEL 1.0 Standard wurde 2020 vom IEEE veröffentlicht, OCEL 2.0 erweiterte 2023 die Spezifikation mit zusätzlichen Austauschformaten.

Dies ermöglicht die Analyse mehrerer interagierender Objekte wie Bestellungen, Lieferungen und Rechnungen in einem einzigen Modell. Während herkömmliches Process Mining einen einzelnen Prozess isoliert analysiert, zeigt OCPM die prozessübergreifenden Abhängigkeiten und Auswirkungen. Anstatt Prozesse wie ein zweidimensionales Röntgenbild zu betrachten, bietet OCPM eine dreidimensionale MRT-Ansicht des gesamten Unternehmens.

Gartner prognostiziert, dass bis 2026 25 Prozent der globalen Unternehmen Process Mining als ersten Schritt zur Schaffung eines digitalen Zwillings für Geschäftsabläufe einsetzen werden. Der weltweite Umsatz mit Process Mining-Software stieg 2023 um 40 Prozent.

Process Mining etabliert sich zunehmend als permanentes Monitoring-Instrument für digitale Transformation statt als einmaliges Analysewerkzeug. Die Technologie liefert die Transparenz über Ist-Prozesse, die Voraussetzung für erfolgreiche Digitalisierungsprojekte ist.

Process Mining macht implizites Prozesswissen aus Daten greifbar und transportierbar. Die Technologie schafft objektive Transparenz über tatsächliche Abläufe und identifiziert Verbesserungspotenziale mit präzisen Kennzahlen. Die Kombination aus automatisierter Analyse und kontinuierlichem Monitoring ermöglicht nachhaltige Prozessexzellenz.

Für den Einstieg empfiehlt sich ein pragmatisches Pilotprojekt mit einem relevanten Geschäftsprozess, verfügbarer Datengrundlage und klarem Business Case. Quick Wins in der Pilotphase generieren Momentum für unternehmensweite Adaption. Process Mining sollte als langfristiges Potential verstanden werden, die kontinuierliche Weiterentwicklung erfordert.