Process-Mining-Beispiel mit Standortdaten

Einführung

Process Mining ist eine leistungsstarke Methode, um Geschäftsprozesse zu analysieren, zu überwachen und zu verbessern, indem Erkenntnisse aus Ereignisprotokollen gewonnen werden, die von Informationssystemen erzeugt werden. Durch die Auswertung von Daten aus dem täglichen Betrieb — etwa Zeitstempel, Aktivitätsnamen, Fall-IDs und Benutzer — kann Process Mining zeigen, wie Prozesse in der Praxis tatsächlich ablaufen, und Ineffizienzen, Abweichungen und Engpässe aufdecken, die sonst unbemerkt bleiben würden.

Process Mining wird branchenübergreifend eingesetzt, unter anderem in Logistik, Gesundheitswesen, Finanzen und Fertigung. In der Logistik kann es Lagerabläufe optimieren, Warenströme nachverfolgen und die Lieferzuverlässigkeit verbessern. Im Gesundheitswesen hilft es Krankenhäusern und Kliniken, Patientenwege zu analysieren, Wartezeiten zu verkürzen und Behandlungsprozesse zu verschlanken. Finanzinstitute nutzen es, um regulatorische Vorgaben einzuhalten, Prozessanomalien zu erkennen und Onboarding-Workflows für Kunden zu verbessern. In der Fertigung liefert es wertvolle Einblicke in die Leistung von Produktionslinien, identifiziert Verzögerungen in der Qualitätskontrolle und zeigt Möglichkeiten auf, Arbeitslasten auszugleichen oder Durchlaufzeiten zu verkürzen.

Indem operative Prozesse transparent gemacht werden, ermöglicht Process Mining Unternehmen, über Annahmen hinauszugehen und sich auf echte Daten zu stützen, um Prozessverbesserungen, Compliance-Prüfungen und strategische Entscheidungen voranzutreiben.

In diesem Blogbeitrag gehen wir anhand eines konkreten Process-Mining-Beispiels auf Indoor-Standortdaten aus einem realen Fertigungsprozess ein. Mithilfe von Ereignisprotokollen, die aus RTLS-Daten generiert wurden, zeigen wir, wie sich Prozesse mit Tools wie Celonis, IBM Process Mining und PM4Py in Python visualisieren, validieren und optimieren lassen. Sie können den Beispieldatensatz und die Skripte hier herunterladen, um direkt mitzumachen oder es mit Ihren eigenen Tools auszuprobieren:

‍

Vorteile und Nutzen von Process Mining

Bevor wir uns dem Beispiel widmen, stellen wir zunächst die drei Hauptkategorien des Process Mining vor:

1. Process Discovery

Was es macht: Erstellt automatisch ein Prozessmodell auf Basis realer Ereignisprotokolldaten.Vorteile:

• Zeigt, wie Prozesse tatsächlich ablaufen, einschließlich verborgener Pfade und Varianten.
• Keine vorab vorhandenen Modelle erforderlich — sie werden aus den Daten erstellt.
• Hilft Unternehmen, die operative Realität mit den Erwartungen zu vergleichen.

2. Conformance Checking

Was es macht: Vergleicht den tatsächlichen Prozess (aus den Logs) mit einem bestehenden Referenzmodell.

• Erkennt Abweichungen, Ineffizienzen und Compliance-Probleme.
• Unterstützt Audits und regulatorische Prüfungen.
• Hebt Bereiche hervor, in denen Prozesse von Standardverfahren abweichen.

3. Process Enhancement

Was es macht: Verbessert bestehende Prozessmodelle mithilfe realer Datenerkenntnisse.

• Identifiziert Engpässe, Verzögerungen und Optimierungspotenziale.
• Feinjustiert Prozesse auf Basis der operativen Leistung.
• Unterstützt kontinuierliche Prozessverbesserung und Entscheidungsfindung.

In den folgenden Abschnitten zeigen wir, wie Anwender bestehende Process-Mining-Tools einsetzen können, um Indoor-Standortdaten und Ereignisprotokolle zu nutzen, um diese drei Kategorien in ihren eigenen Prozessen zu untersuchen.

‍

Standortdaten in das klassische Process Mining einbinden

Wie Ereignisprotokolle typischerweise erfasst werden

In den meisten Process-Mining-Anwendungsfällen stammen Ereignisprotokolle aus Unternehmenssystemen wie ERP, MES oder WMS. Diese Systeme erzeugen Logs, wenn ein Benutzer eine digitale Aktion ausführt — etwa einen Barcode scannt, eine Bestellung bestätigt oder eine Aufgabe abschließt. Jeder Logeintrag enthält drei Schlüsselelemente: eine Fall-ID, einen Aktivitätsnamen und einen Zeitstempel.

Das funktioniert gut für digitale Workflows, stößt jedoch an Grenzen, wenn wichtige Prozessschritte in der physischen Welt stattfinden — etwa beim Transport von Waren durch eine Fabrik oder beim Verlegen von Patienten in einem Krankenhaus.

Wie Standortdaten Process Mining verbessern

Durch die Verwendung von Echtzeit-Standortdaten mit Geofencing ist es möglich, Ereignisse automatisch auf Basis physischer Bewegungen zu protokollieren. Zum Beispiel:

• Eine Palette, die einen Produktionsbereich betritt, löst „Produktion starten“ aus
• Ein Gabelstapler, der im Versandbereich ankommt, löst „Versandbereit“ aus

Diese Methode erzeugt vollständig strukturierte Ereignisprotokolle ohne manuelle Eingabe — ideal für Fertigung, Logistik oder Gesundheitswesen, wo viele Prozessschritte nicht digital erfasst werden.

Vorteile dieses Ansatzes:

• Erfasst reale Aktionen, die in Software-Logs fehlen
• Automatisiert die Protokollierung ohne Mitarbeitereingriff
• Spiegelt den tatsächlichen Prozessfluss wider, nicht nur den geplanten

Standortbasierte Daten schließen die Lücke zwischen physischen Abläufen und Process Mining und ermöglichen eine vollständigere und präzisere Prozessanalyse.

‍

Wie die Pozyx-Plattform die Daten für Process Mining bereitstellt

Das Beispiel, das wir besprechen, stammt aus einem Fertigungsbetrieb mit zwei Produktionslinien. Jeder Auftrag muss verschiedene Stationen im Betrieb durchlaufen, bevor er versandbereit für den Kunden ist.

Der Kunde möchte automatische Einblicke in seinen Produktionsprozess erhalten. Um dies zu erreichen, wird jeder Auftrag im Betrieb nachverfolgt.

Echtzeit-Auftragsverfolgung mit UWB-Technologie

Um diese Nachverfolgung zu ermöglichen, werden die durch den Prozess laufenden Aufträge mit UWB-Tags verfolgt. Diese Tracker ermöglichen eine präzise Verfolgung der Aufträge und helfen uns zu bestimmen, wie viel Zeit die Aufträge an einem bestimmten Ort verbringen, der durch einen Geofence auf der Karte definiert ist.

Diese Aufgabe kann von dem Pozyx UWB Real Time Location System (RTLS) übernommen werden. Dieses Produkt liefert die erforderliche Hardware (Tags und Anchors) sowie den Positionierungsserver, der Echtzeit-Positionsupdates für jeden Auftrag bereitstellt.

Von Positionsdaten zu Ereignisprotokollen: Die Rolle der Pozyx-Plattform

Die vom RTLS kommenden Positionen können problemlos von der Pozyx-Plattform verarbeitet werden. Die Pozyx-Plattform ermöglicht es Anwendern, den Standortdaten Geschäftslogik hinzuzufügen. Genauer gesagt kann ein Benutzer innerhalb der Plattform einen Prozess konfigurieren, der definiert, wann ein Auftrag beginnt und endet. Sobald dies eingerichtet ist, erzeugt die Pozyx-Plattform einen Event-Stream, der jeden Auftrag und seine Standorthistorie nachverfolgt.

Wichtig ist, dass die Pozyx-Plattform zwar nahtlos mit dem Pozyx UWB RTLS integriert ist, aber nicht darauf beschränkt bleibt. Jedes präzise RTLS-System, das zuverlässige Positionsupdates liefern kann, kann mit der Pozyx-Plattform verbunden werden, um die folgenden Funktionen freizuschalten.

Sobald das Setup abgeschlossen ist, ist der einfachste nächste Schritt die Nutzung unseres Reporting-Tools, um automatisch einen Process-Mining-Report zu erstellen. Dieser Report, der als Excel- oder CSV-Datei bereitgestellt wird, kann anschließend in spezialisierte Process-Mining-Tools für weitere Analysen importiert werden.

‍

Analyse des Process-Mining-Beispiels

Wir werden nun einige grundlegende Process-Mining-Techniken anhand bekannter Tools für Process Mining veranschaulichen.

Erster Blick auf unseren Prozess mit Celonis Business Miner

Zunächst laden wir unseren Report in die Process-Mining-Anwendung von Celonis.

Zuerst laden wir unsere CSV- oder Excel-Datei mit dem Ereignisprotokoll hoch. Nach dem Hochladen können wir die Anwendung so konfigurieren, dass sie erkennt, welche Spalten die Schlüsselinformationen enthalten: Zeitstempel, Aktivitätsname und Fall-ID.

Mit dem Process Explorer lässt sich der mit dem RTLS-System verfolgte Prozess recht einfach visualisieren.

Der Explorer bietet dem Benutzer anschließend einen direkten Überblick über die verschiedenen Aspekte, die er im Detail analysieren kann.

Als Erstes untersuchen wir die Frage: „Wie sieht Ihr Prozess aus?“ Dies gehört zum Process Discovery und ermöglicht es dem Benutzer, seinen Prozess zu visualisieren.

Daran erkennen wir deutlich, dass Aufträge mit der Aufgabe Goods arrival beginnen und dann in einer von zwei Produktionslinien weiterlaufen.

Der Prozess endet, nachdem der Auftrag den Standort Packing & Shipping verlässt.

Das Tool bietet uns außerdem Schieberegler, mit denen sich weniger häufige Pfade herausfiltern lassen. Wenn wir alle Pfade anzeigen, werden zwei zusätzliche sichtbar.

Die Identifizierung dieser beiden Pfade ist ein Beispiel für Conformance Checking. Bei der Untersuchung dieser Ansicht stellen wir fest, dass der Prozessablauf gelegentlich nicht eingehalten wurde.

Bei der ersten Abweichung sehen wir, dass auf der ersten Produktionslinie der Schritt testing bei mehreren Aufträgen übersprungen wurde. Dies deutet wahrscheinlich auf ein mögliches Qualitätsproblem auf dieser Produktionslinie hin.

Bei der zweiten Abweichung sehen wir, dass einige Produkte nach dem product testing an einen vorherigen Schritt zurückgeschickt wurden. Dies deutet darauf hin, dass bestimmte fertige Produkte während der Prüfung Probleme hatten und nachbearbeitet werden mussten.
‍

Diese ersten Schritte zeigen uns bereits schnell die Vorteile und den Mehrwert eines Process-Mining-Tools für die weitere Analyse der Daten. Allein auf Basis des Ereignisprotokolls konnten wir unseren Prozess so visualisieren, wie er in der Fabrik abläuft, und die Prozesskonformität validieren.

Gehen wir nun tiefer auf die dritte Technik ein: Process Enhancement.
Wir starten eine neue Analyse mit dem Titel „Wie lange dauert Ihr Prozess?“

In dieser Analyse untersucht das Tool die Durchlaufzeit unseres Prozesses. Es zeigt, dass 1,68 Tsd. Fälle untersucht wurden und 94 % dieser Fälle eine Durchlaufzeit von drei Tagen oder weniger aufweisen.

Diese Art von Übersicht ist äußerst nützlich, da sie sofort Einblick in die aktuell erwartete Durchlaufzeit gibt. Außerdem lässt sie sich in einen leicht verfolgbaren KPI für den Betrieb übersetzen, da der Benutzer die erwartete Durchlaufzeit anpassen und sofort sehen kann, wie die aktuelle Verteilung im Vergleich dazu aussieht.

Darüber hinaus ermöglicht das Tool eine tiefere Analyse, mit der sich die Entwicklung der Durchlaufzeit im Zeitverlauf verfolgen lässt — um Trends, Anomalien oder Phasen der Verbesserung und Verzögerung zu erkennen.

Es ist auch möglich, die Durchlaufzeit zwischen einzelnen Aufgaben weiter zu analysieren und die Anzahl der Fälle pro Tag zu sehen, aber dies vermittelt bereits einen guten ersten Eindruck davon, was mit diesem Tool möglich ist.

Durchlauf- und Wartezeiten mit IBM Process Mining analysieren

Mit IBM Process Mining folgen wir einem sehr ähnlichen Ablauf, um unser Ereignisprotokoll in das Tool hochzuladen. Wie zuvor müssen wir angeben, welche Spalten der Case ID (hier als Process ID bezeichnet), Aktivität und Zeitstempel entsprechen. Ein bemerkenswerter Unterschied besteht jedoch darin, dass IBM Process Mining es uns ermöglicht, zwei separate Spalten zu kennzeichnen: eine für die Startzeit und eine weitere für die Endzeit. Dadurch kann das Tool klar zwischen der für die Ausführung einer Aktivität aufgewendeten Zeit und der Wartezeit zwischen Aktivitäten unterscheiden — eine Funktion, die in der Anwendung Celonis Business Miner nicht so leicht verfügbar ist.

Sobald das Ereignisprotokoll korrekt konfiguriert und gekennzeichnet ist, präsentiert das Tool seine Analyse des Prozesses. Die visuelle Darstellung des Prozessmodells ist der von Celonis recht ähnlich.

Eine hervorzuhebende Funktion ist die Möglichkeit, die Option „Rework“ auszuwählen. Durch die Aktivierung wird der zuvor als Nacharbeit identifizierte Abschnitt des Prozesses automatisch hervorgehoben. Beeindruckenderweise führt das Tool diese Variantenanalyse durch, ohne dass zusätzliche Eingaben des Benutzers erforderlich sind.

Als Nächstes nutzen wir dieses Tool, um Möglichkeiten zur Prozessoptimierung und -verbesserung zu erkunden. Bei der Analyse erkennen wir schnell ein Ungleichgewicht in der Arbeitslast zwischen den beiden Produktionslinien: Produktionslinie 2 bearbeitet etwa 65 % aller Aufträge. Außerdem gibt es einen deutlichen Unterschied bei den Durchlaufzeiten. Im Durchschnitt werden Aufträge auf Produktionslinie 1 in 2 Tagen und 9 Stunden abgeschlossen, verglichen mit 2 Tagen und 16 Stunden auf Produktionslinie 2.

Auf den ersten Blick deutet dies darauf hin, dass der Betrieb die Effizienz steigern könnte, indem mehr Aufträge auf Produktionslinie 1 verlagert werden, die derzeit weniger ausgelastet ist und eine kürzere Durchlaufzeit hat.

Anschließend betrachten wir das Prozessmodell, um die durchschnittliche Dauer jeder Aufgabe zu prüfen. Wie bereits erwähnt, unterteilt das Tool die Dauer jeder Aufgabe bequem in zwei Teile: Servicezeit und Wartezeit.

Die resultierende Visualisierung macht es einfach, diese Zeiten in jedem Schritt des Prozesses zu erkennen. Deutliche Unterschiede zwischen den beiden Produktionslinien werden sichtbar und bieten bei genauerer Untersuchung weitere Optimierungsmöglichkeiten.

Analyse des Ereignisprotokolls mit Python

Als letzten Schritt dieser Analyse betrachten wir, wie wir das Ereignisprotokoll mit Python visualisieren können. Für Process Mining in Python verwenden wir die Bibliothek PM4Py. Diese Bibliothek unterstützt moderne Process-Mining-Algorithmen in Python. Im Gegensatz zu den vorherigen Tools ist dieses Tool Open Source. Allerdings hat es den Nachteil, dass Sie den Großteil der Analyse selbst durchführen müssen, da es keine Benutzeroberfläche gibt, die Sie bei der Datenerkundung anleitet.

Wir werden versuchen, einige Ergebnisse nachzubilden, die auch von den vorherigen Tools gefunden wurden. Zuerst importieren wir unser Ereignisprotokoll und versuchen, eine Visualisierung unseres Prozessmodells zu erhalten.

Die Art und Weise, wie wir das Ereignisprotokoll laden, ist der vorherigen sehr ähnlich:

• Wir laden das Ereignisprotokoll mit pandas, einer sehr beliebten Python-Bibliothek für Datenanalyse.
• Wir kennzeichnen die Spalten mit Fall-ID, Aktivität, Start- und Endzeitstempel.

Wir können das Prozessmodell auch recht einfach aus dem Ereignisprotokoll extrahieren. In einer der Grundansichten zeigt es uns einen gerichteten Graphen des Prozesses mit der Häufigkeit jedes Auftrags auf den Knoten und Kanten.

Weitere Analysen sind möglich, ebenso wie die Extraktion des BPMN-Modells.  Damit schließen wir jedoch unseren Überblick ab. Einige der Beispielcodes, die zur Erstellung dieser Abbildung verwendet wurden, finden Sie im Anhang.

‍

Standortbasierte Einblicke mit RTLS

Wie das obige Beispiel zeigt, können Standortdaten viele verschiedene Arten von Erkenntnissen liefern. Während RTLS-Lösungen häufig zur Analyse von Asset-Bewegungen und operativen Prozessen innerhalb von Anlagen eingesetzt werden, konzentrieren sich andere Analyseplattformen auf geografische Muster über mehrere Standorte hinweg. Einzelhändler können beispielsweise Filialnetzwerke analysieren, um Einblicke in das Kundenerlebnis über Standorte hinweg, zu gewinnen — eine weitere Form standortbasierter Erkenntnisse.

‍

Fazit

Dieses Beispiel zeigt den Wert von Process Mining in Kombination mit hochwertigen Standortdaten und wie sich damit umsetzbare Einblicke in operative Prozesse gewinnen lassen. Das Beispiel hat gezeigt, wie die Pozyx-Plattform das entscheidende standortbasierte Ereignisprotokoll bereitstellen kann, das die Grundlage der gesamten Analyse bildete.

Durch die präzise Verfolgung der Bewegung von Aufträgen durch den Produktionsprozess und die Umwandlung dieser Standortupdates in strukturierte Ereignisprotokolle ermöglichte unsere Lösung die nahtlose Integration mit führenden Process-Mining-Tools wie Celonis Business Miner, IBM Process Mining und der Open-Source-Bibliothek PM4Py in Python. Jedes Tool nutzte das von uns bereitgestellte Ereignisprotokoll, um die tatsächlichen Prozessabläufe zu visualisieren, Abweichungen zu identifizieren, Durchlaufzeiten zu messen und Optimierungspotenziale aufzudecken.

Die Ergebnisse zeigten klar den Mehrwert der Kombination von Standortdaten mit Process-Mining-Techniken — sie deckten Ineffizienzen auf, bestätigten die Prozesskonformität und unterstützten datenbasierte Entscheidungen.

Auch wenn sich dieses Beispiel auf einen Anwendungsfall in der Fertigung konzentrierte, lässt sich derselbe Ansatz branchenübergreifend anwenden, etwa in Logistik, Gesundheitswesen und darüber hinaus. Als Anbieter der RTLS-Infrastruktur und der Ereignisdaten ermöglichen wir unseren Kunden, dieses Potenzial in ihren eigenen Abläufen zu erschließen.

Wenn Sie tiefere operative Einblicke gewinnen oder Ihre Prozesse optimieren möchten, können unsere Pozyx UWB RTLS und die Pozyx-Plattform die perfekte Grundlage für Ihr nächstes Process-Mining-Projekt sein.