Zu wissen, was gestern schiefging, ist nützlich. Vorherzusehen, was morgen schiefgeht, ist wertvoll. Process Mining und KI zusammen führen über vier Analyseebenen von der Rückschau zur vorausschauenden Steuerung.
Die Kombination aus Process Mining und Künstlicher Intelligenz eröffnet vier Analyseebenen, die aufeinander aufbauen. Jede beantwortet eine andere Frage, und mit jeder Ebene wächst der Nutzen für die Steuerung.
Deskriptiv: Was ist passiert?
Die deskriptive Analyse liefert ein objektives Abbild der realen Prozessverläufe. Sie zeigt, welche Wege ein Auftrag tatsächlich genommen hat, wie lange einzelne Schritte gedauert haben und wo Varianten entstehen. Das ist die Grundlage, auf der alles Weitere aufbaut – und für viele Unternehmen bereits ein Aha-Moment, weil das reale Bild selten dem gedachten entspricht.
Diagnostisch: Warum ist es passiert?
Die diagnostische Analyse geht der Ursache nach. Sie identifiziert, warum Abweichungen und Engpässe auftreten – ob ein Medienbruch zwischen zwei Systemen die Wartezeit erzeugt, ob eine bestimmte Auftragsart regelmäßig aus dem Standard fällt oder ob ein Schritt an einer bestimmten Schnittstelle immer wieder klemmt. Erst diese Ebene macht aus Beobachtung Erkenntnis.
Prädiktiv: Was wird passieren?
Die prädiktive Analyse blickt nach vorn. Machine-Learning-Modelle prognostizieren auf Basis historischer Muster künftige Prozessverläufe. In der Praxis zeigt sich das bei der Verzögerungsvorhersage: Ein Modell lernt aus Merkmalen wie der Wartezeit nach der Disposition, der Anzahl bisheriger Rückfragen oder dem Auftragsvolumen, welche Muster typisch für spätere Verzögerungen sind. Schon wenige Stunden nach Auftragseingang lässt sich damit mit hoher Zuverlässigkeit vorhersagen, ob eine Sendung ihren SLA einhalten wird.
Der Effekt ist messbar: In der Praxis lassen sich unvorhergesehene Spätlieferungen um 30 bis 50 % reduzieren. Ähnliche Modelle sagen voraus, an welchen Tagen und in welchen Lagerzonen Engpässe entstehen, und ermöglichen so eine proaktive Personalplanung, statt kurzfristig auf Überlastung zu reagieren.
Präskriptiv: Was sollte getan werden?
Die präskriptive Analyse schließlich leitet Handlungsempfehlungen ab. KI-Modelle schlagen optimale Prozesspfade vor und geben nicht nur die Prognose, sondern auch die passende Reaktion. Das ist die Ebene, auf der aus Analyse Steuerung wird – die Lieferkette erkennt eine drohende Verzögerung und schlägt selbst vor, wie sie zu vermeiden ist.
Fragen im Klartext: LLM in der Prozessanalyse
Eine neuere Entwicklung senkt die Einstiegshürde deutlich: die Integration von Large Language Models in Process-Mining-Plattformen. Prozessverantwortliche können künftig in normaler Sprache fragen – „Warum hat sich Kunde XY in den letzten 30 Tagen verzögert?“ – und erhalten eine datenbasierte, erklärende Antwort. Damit wird die Analyse nicht mehr nur für Datenexperten zugänglich, sondern für alle, die den Prozess verantworten. Die Technik rückt näher an die Menschen, die mit ihr arbeiten.
Eine Sendung durch alle vier Ebenen
Der Zusammenhang wird an einer einzelnen Sendung greifbar. Auf der deskriptiven Ebene zeigt sich, dass sie nicht den direkten Weg genommen hat, sondern zwei zusätzliche Schleifen durchlief. Die diagnostische Ebene nennt die Ursache: ein Medienbruch zwischen TMS und ERP sowie zwei Rückfragen beim Kunden. Die prädiktive Ebene meldet bereits wenige Stunden nach Auftragseingang, dass diese Sendung mit hoher Wahrscheinlichkeit ihren SLA verfehlen wird – erkannt an genau den Mustern, die in der Vergangenheit zu Verzögerungen geführt haben. Und die präskriptive Ebene schlägt vor, die Sendung auf ein anderes Fahrzeug umzuplanen und vorzuziehen.
Das Ergebnis ist keine nachträgliche Erklärung einer Verspätung, sondern ihre Vermeidung. Aus vier Analyseebenen wird eine durchgehende Kette von der Beobachtung zur Handlung.
Was jede Ebene voraussetzt
Die Ebenen bauen aufeinander auf, und das gilt auch für ihre Voraussetzungen. Deskriptive und diagnostische Analyse brauchen ein solides Event Log. Prädiktive Modelle brauchen darüber hinaus genügend historische Daten samt tatsächlichem Ausgang, um Muster zu lernen – ohne diese Basis ist jede Prognose Raten mit Nachkommastellen. Präskriptive Analyse setzt zusätzlich voraus, dass klar ist, welche Handlungen überhaupt zur Wahl stehen und wer sie auslösen darf. Wer die prädiktive Ebene überspringt, um schnell zu Empfehlungen zu kommen, baut auf Sand.
Was sich in der Steuerung ändert
Mit den höheren Ebenen verschiebt sich die Arbeitsweise. Statt auf Probleme zu reagieren, wenn sie eingetreten sind, wird früher eingegriffen, wenn sie sich erst andeuten. Für die Menschen in der Disposition heißt das weniger Feuerwehrarbeit und mehr vorausschauendes Handeln. Damit das gelingt, braucht es zwei Dinge: Vertrauen in die Prognosen, das sich erst über nachweisbare Treffer aufbaut, und klare Regeln, wer auf eine Vorhersage hin tatsächlich handeln darf. Eine Prognose, die niemand in eine Entscheidung übersetzt, bleibt folgenlos.
Woran man erkennt, ob eine Prognose belastbar ist
Vertrauen in prädiktive Modelle sollte man sich verdienen lassen, nicht voraussetzen. Drei Anhaltspunkte helfen bei der Einschätzung. Erstens die Datengrundlage: Beruht das Modell auf genügend Fällen, die dem aktuellen Geschäft ähneln, oder auf einer veralteten oder zu kleinen Historie? Zweitens die Trefferquote im Rückblick: Ein Modell, das man über Wochen mitlaufen lässt, ohne sofort auf jede Prognose zu reagieren, zeigt, wie oft es recht behält. Erst danach gibt man ihm mehr Gewicht. Drittens die Erklärbarkeit: Ein Modell, das nachvollziehbar macht, warum es eine Verzögerung erwartet – etwa wegen der Wartezeit nach der Disposition und dreier Rückfragen –, ist im Alltag wertvoller als eine Zahl ohne Begründung.
Dieser schrittweise Aufbau von Vertrauen ist kein Zeichen von Zögerlichkeit, sondern die Voraussetzung dafür, dass die Menschen im Prozess die Prognosen ernst nehmen und in Handlungen übersetzen.
Häufige Fragen
Was ist der Unterschied zwischen prädiktiver und präskriptiver Analyse? Prädiktive Analyse sagt voraus, was passieren wird – etwa eine drohende Verzögerung. Präskriptive Analyse geht einen Schritt weiter und empfiehlt, was zu tun ist, um darauf zu reagieren.
Wie stark lassen sich Verzögerungen durch prädiktive Analyse senken? In der Praxis lassen sich unvorhergesehene Spätlieferungen um 30 bis 50 % reduzieren, indem Verzögerungen früh erkannt und Gegenmaßnahmen rechtzeitig eingeleitet werden.
Braucht man für die höheren Analyseebenen KI? Deskriptive und diagnostische Analysen leistet Process Mining allein. Für Prognosen und Handlungsempfehlungen kommen Machine-Learning-Modelle hinzu – die höheren Ebenen bauen auf den unteren auf.
