Prozessanalyse - selbst bauen oder kaufen?

In diesem Artikel vergleichen wir die Vor- und Nachteile des Aufbaus einer Prozessanalyselösung mit denen des Kaufs. Mit anderen Worten, wir vergleichen die Option, eine Prozessanalyselösung mit Business Analytics-Ressourcen und -Methoden aufzubauen, mit der Option, process intelligence Software zu kaufen.

Was ist Prozessanalytik?

Unter Prozessanalyse versteht man den Einsatz datengesteuerter Techniken und Tools zur Analyse, Überwachung und Optimierung von Geschäftsprozessen in einem Unternehmen.

Bei der Prozessanalyse werden Daten aus verschiedenen Quellen wie Ereignisprotokollen, Transaktionsaufzeichnungen oder Systemprotokollen gesammelt und untersucht, um Einblicke in die Leistung, Effizienz und Effektivität von Prozessen zu gewinnen. Ziel der Prozessanalyse ist es, Ineffizienzen, Engpässe und verbesserungswürdige Bereiche zu ermitteln, was letztlich zu einer besseren Entscheidungsfindung, höherer Produktivität und Kosteneinsparungen führt.

Zu den wichtigsten Aspekten der Prozessanalytik gehören:

1. Datenerfassung. Die Prozessanalyse beginnt mit der Erfassung relevanter Daten aus verschiedenen Quellen, wie Systemprotokollen, Datenbanken oder direkter Beobachtung. Diese Daten können Informationen über Aufgaben, Aktivitäten, Ressourcen, Zeiträume und Ergebnisse in Bezug auf einen bestimmten Geschäftsprozess enthalten.
2. Vorverarbeitung und Umwandlung von Daten. Die gesammelten Daten sind oft roh und unstrukturiert und müssen vorverarbeitet und umgewandelt werden, damit sie für die Analyse geeignet sind. Dies kann das Bereinigen, Filtern, Aggregieren oder Normalisieren der Daten beinhalten, um ihre Genauigkeit und Konsistenz zu gewährleisten.
3. Analysetechniken. Bei der Prozessanalyse werden verschiedene Datenanalysetechniken wie deskriptive, diagnostische, prädiktive oder präskriptive Analysen eingesetzt, um Erkenntnisse über die Prozessleistung zu gewinnen. Die Techniken können statistische Analysen, Data Mining, maschinelles Lernen oder Process Mining umfassen, je nach den spezifischen Zielen und Anforderungen der Analyse.
4. Leistungsmessung. Anhand der analysierten Daten berechnet die Prozessanalytik Leistungskennzahlen und Key Performance Indicators (KPIs), um die Effizienz und Effektivität des Geschäftsprozesses zu bewerten. Diese Kennzahlen können Zykluszeiten, Durchsatz, Ressourcennutzung, Fehlerquoten und Kundenzufriedenheitswerte umfassen.
5. Gewinnung von Erkenntnissen und Empfehlungen. Die Prozessanalyse zielt darauf ab, verwertbare Erkenntnisse zu gewinnen, die Unternehmen bei der Verbesserung ihrer Prozesse helfen können. Durch die Identifizierung von Ineffizienzen, Engpässen oder Abweichungen von Best Practices können Analysten gezielte Empfehlungen zur Prozessverbesserung entwickeln, z. B. die Rationalisierung von Aufgaben, die Neuzuweisung von Ressourcen oder die Implementierung neuer Technologien.
6. Überwachung und kontinuierliche Verbesserung. Die Prozessanalyse umfasst die kontinuierliche Überwachung der Prozessleistung, um sicherzustellen, dass die Verbesserungen wirksam und nachhaltig sind. Durch die Förderung einer Kultur der kontinuierlichen Verbesserung und die regelmäßige Überprüfung und Aktualisierung von Prozessen können sich Unternehmen an veränderte Geschäftsanforderungen anpassen und eine optimale Prozessleistung aufrechterhalten.

Erstellung von Prozessanalysen mit Tableau/PowerBI usw.

Wenn Sie planen, die Prozessanalyse in Ihrem Unternehmen zu adaptieren, besteht eine Möglichkeit darin, eine eigene Lösung mit einem Business-Intelligence-Tool (BI) wie Tableau oder Power BI zu entwickeln und dabei einige Open-Source- oder allgemein verfügbare Prozessanalysemodule zu nutzen, z. B. Process Mining Algorithmen, die in Python verfügbar sind, und Prozessmodellierungs-Visualisierungsstandards, die durch BPMN definiert sind.

Dieser Ansatz hat sowohl Vor- als auch Nachteile.

Vorteile der selbst erstellten Prozessanalytik

1. Anpassungsfähigkeit: Die interne Erstellung von Dashboards für die Prozessanalyse ermöglicht eine größere Flexibilität und Anpassung an die individuellen Anforderungen und Präferenzen des Unternehmens. Sie können die Dashboards auf bestimmte Geschäftsprozesse, Datenquellen und Metriken zuschneiden und so eine bessere Anpassung an die Bedürfnisse Ihres Unternehmens gewährleisten.
2. Integration: Inhouse-Dashboards können tiefer in bestehende Systeme, Datenbanken, Data Lakes und Anwendungen integriert werden, da das Entwicklungsteam über fundierte Kenntnisse dieser Systeme verfügt und bei Bedarf Konnektoren oder APIs erstellen kann.
3. Kontrolle: Die Entwicklung von process intelligence Dashboards im eigenen Haus bietet mehr Kontrolle über Design, Funktionalität und Datensicherheit. Dadurch kann das Unternehmen die Dashboards anpassen und ändern, wenn sich die Geschäftsanforderungen ändern oder neue Datenquellen verfügbar werden.

Nachteile der selbst erstellten Prozessanalytik

1. Ressourcenanforderungen: Die interne Entwicklung von Prozessanalysen erfordert ein qualifiziertes Entwicklungsteam mit Fachwissen in den Bereichen Datenanalyse, Visualisierung und Softwareentwicklung. Dies kann eine erhebliche Investition in Bezug auf Zeit, Aufwand und Personalkosten darstellen.
2. Längere Entwicklungszeit: Die Erstellung benutzerdefinierter Dashboards dauert in der Regel länger als die Implementierung von Standardlösungen, da das Entwicklungsteam die Lösung von Grund auf entwerfen, codieren, testen und bereitstellen muss.
3. Wartung und Aktualisierung: Interne Dashboards erfordern eine laufende Wartung, Aktualisierung und Unterstützung, was zeitaufwändig und kostspielig sein kann. Dazu gehören die Behebung von Fehlern, das Hinzufügen neuer Funktionen und die Gewährleistung der Kompatibilität mit Änderungen an Datenquellen oder Systemen.
4. Skalierbarkeit: Der Aufbau eines skalierbaren BI-Dashboards im eigenen Haus kann komplex und ressourcenintensiv sein, insbesondere wenn das Datenvolumen und die Benutzerbasis des Unternehmens schnell wachsen. Lösungen von Drittanbietern können eine bessere Skalierbarkeit und Leistung bieten, da sie sich auf diese Aspekte konzentrieren.

Beispiel: Durchführung von Process Mining mit Python

Ein sehr vereinfachtes Beispiel ist, dass man mit der Programmiersprache Python schnell auf Open-Source-Algorithmen vonProcess Mining zugreifen und diese nutzen kann.

Um Process Mining in Python auszuführen, können Sie die pm4py-Bibliothek verwenden, die verschiedene Funktionen für process discovery, Konformitätsprüfung und Prozessverbesserung bietet. Hier finden Sie eine einfache Schritt-für-Schritt-Anleitung für den Einstieg in Process Mining mit der pm4py-Bibliothek:

Schritt 1: pm4py installieren

Zuerst müssen Sie die pm4py-Bibliothek installieren. Sie können dies mit pip tun:

bashCopy-Code

pip install pm4py

Schritt 2: Importieren der erforderlichen Bibliotheken

Als nächstes importieren Sie die erforderlichen Bibliotheken in Ihr Python-Skript:

pythonCopy code

import pm4py
from pm4py.objects.log.importer.xes import importer as xes_importer
from pm4py.algo.discovery.alpha import algorithm as alpha_miner
from pm4py.visualization.petrinet import visualizer as pn_visualizer

Schritt 3: Laden des Ereignisprotokolls

Laden Sie die Ereignisprotokolldaten mit dem entsprechenden Importer. In diesem Beispiel werden wir eine XES-Ereignisprotokolldatei verwenden:

pythonCopy code

event_log_file = "path/to/your/event_log.xes"
log = xes_importer.apply(event_log_file)

Sie können auch ein Ereignisprotokoll aus einer CSV-Datei erstellen, indem Sie die pm4py-Bibliothek verwenden. Hier ist ein Beispiel:

pythonCopy code

import pandas as pd
from pm4py.objects.conversion.log import converter as log_converter
from pm4py.objects.log.util import dataframe_utils

csv_file = "path/to/your/csv_file.csv"
dataframe = pd.read_csv(csv_file)
dataframe = dataframe_utils.convert_timestamp_columns_in_df(dataframe)
dataframe = dataframe.sort_values("timestamp_column_name")
log = log_converter.apply(dataframe)

Schritt 4: Anwendung eines process discovery Algorithmus

Wenden Sie einen process discovery Algorithmus auf die Ereignisprotokolldaten an, um das Prozessmodell zu extrahieren. In diesem Beispiel wird der Alpha Miner Algorithmus verwendet:

pythonCopy code

net, initial_marking, final_marking = alpha_miner.apply(log)

Sie können auch andere process discovery Algorithmen wie den Inductive Miner oder den Heuristics Miner ausprobieren, die in der pm4py-Bibliothek verfügbar sind.

Schritt 5: Visualisierung des Prozessmodells

Visualisieren Sie das ermittelte Prozessmodell mit dem Petri-Netz-Visualisierer:

pythonCopy code

gviz = pn_visualizer.apply(net, initial_marking, final_marking)
pn_visualizer.view(gviz)

Dadurch wird die Petri-Netz-Visualisierung des ermittelten Prozessmodells angezeigt.

Schritt 6: Durchführung zusätzlicher Analysen (optional)

Sie können die pm4py-Bibliothek verwenden, um zusätzliche Analysen wie Konformitätsprüfung, Engpassanalyse oder Leistungsanalyse durchzuführen. In der Dokumentation und den Beispielen der Bibliothek erfahren Sie mehr über diese Funktionalitäten.

Wenn Sie diese Schritte befolgen, können Sie grundlegende Process Mining in Python mit der pm4py-Bibliothek ausführen. Für fortgeschrittene Anwendungsfälle und Anpassungen lesen Sie bitte die offizielle pm4py-Dokumentation und Beispiele:

• Offizielle Dokumentation: https://pm4py.fit.fraunhofer.de/documentation
• Beispiele: https://github.com/pm4py/pm4py-core/tree/stable/examples

Das obige Beispiel ist eine zu starke Vereinfachung für die Bedürfnisse der meisten Unternehmensleiter. Die Realität der Entwicklung und Anwendung von Prozessanalysen ist oft viel komplizierter, so dass sich Unternehmen zunehmend für spezielle Lösungen von Anbietern entscheiden.

Prozessanalyse von einem Process Intelligence Anbieter kaufen

Die zweite Möglichkeit ist der Kauf von Prozessanalysen von einem process intelligence Softwareanbieter. Es gibt einige verschiedene Varianten, daher hier einige Hauptkategorien:

• Process Mining Software. Tools, die Ereignisprotokolle in Unternehmenssystemen auswerten, um Informationen über Prozesse und Arbeitsabläufe zu erhalten.
• Process discovery Software. Tools und Dashboards, die den "Ist-Zustand" von Geschäftsprozessen entweder über Process Mining oder manuell process mapping aufdecken.
• Task mining Software. Tools, die die Technologie der Aufgabenerfassung nutzen, um Aufgaben-, Prozess- und Workflow-Informationen über die Benutzeroberfläche zu erfassen.
• Intelligente Automatisierungsplattformen. Umfassendere Softwarelösungen, die Prozessanalytik als Teil einer Suite-Lösung für intelligente Automatisierung oder Geschäftsprozessmanagement (BPM).

Wie bei jeder anderen Softwareentscheidung gibt es auch beim Kauf von Process Mining Software Vor- und Nachteile zu berücksichtigen.

Möchten Sie Process Mining und task mining in Ihrer Prozessanalyse kombinieren? Lesen Sie das Whitepaper zur Work API.

Vorteile der Analyse von Kaufprozessen

1. Schnellere Implementierung: Kommerzielle Prozessanalysesoftware bietet in der Regel kürzere Implementierungszeiten als die interne Entwicklung einer maßgeschneiderten Lösung. Die meisten Lösungen sind benutzerfreundlich gestaltet und verfügen über vorgefertigte Konnektoren oder APIs für gängige Datenquellen, wodurch sich der Zeitaufwand für die Einrichtung und Nutzung der Software verringert.
2. Reich an Funktionen: Kommerzielle Prozessanalyselösungen verfügen über eine Reihe von Merkmalen und Funktionen, die auf die verschiedenen Anforderungen von Process Mining zugeschnitten sind. Diese können unter anderem process discovery, Konformitätsprüfung, Leistungsanalyse und Visualisierung umfassen. Diese Funktionen sind oft fortschrittlicher und robuster als das, was innerhalb eines angemessenen Zeitrahmens intern entwickelt werden könnte.
3. Skalierbarkeit: Process intelligence Softwareanbieter konzipieren ihre Lösungen in der Regel so, dass sie große Datenmengen verarbeiten und dem Wachstum des Unternehmens Rechnung tragen können. Das bedeutet, dass die Software skaliert werden kann, wenn Ihre Geschäftsprozesse und Datenquellen erweitert werden, ohne dass ein erheblicher zusätzlicher Entwicklungsaufwand erforderlich ist.
4. Support und Updates: Wenn Sie process intelligence Software kaufen, erhalten Sie in der Regel Zugang zum Kundensupport, zu Produktaktualisierungen und Patches, die vom Hersteller bereitgestellt werden. Dadurch wird sichergestellt, dass Sie eine zuverlässige Quelle für die Behebung von Problemen haben und dass Ihre Software mit den neuesten Funktionen und Sicherheitsverbesserungen auf dem neuesten Stand bleibt.
5. Gemeinschaft und bewährte Verfahren: Kommerzielle Process Mining Software wird oft mit einer Benutzergemeinschaft, Foren oder anderen Ressourcen geliefert, in denen Sie von den Erfahrungen anderer Benutzer lernen und bewährte Verfahren austauschen können. Dies kann wertvoll sein, um Erkenntnisse zu gewinnen und Ihre eigenen Process Mining Initiativen zu verbessern.

Nachteile der Analyse von Einkaufsprozessen

1. Kosten: Die Kosten für den Kauf und die Wartung von Prozessanalysesoftware können eine erhebliche Investition darstellen, insbesondere für kleinere Unternehmen. Dazu können Lizenzgebühren, Abonnementkosten, Supportverträge und zusätzliche Kosten für Anpassungen oder Integration gehören.
2. Einschränkungen bei der Anpassung: Kommerzielle Prozessanalysesoftware bietet möglicherweise nicht das gleiche Maß an Anpassung wie eine unternehmenseigene Lösung. Manche Software ermöglicht zwar ein gewisses Maß an Anpassung, doch reicht dies möglicherweise nicht aus, um die besonderen Anforderungen oder Präferenzen Ihres Unternehmens zu erfüllen.
3. Herausforderungen bei der Integration: Obwohl viele Prozessanalyselösungen vorgefertigte Konnektoren oder APIs anbieten, kann die Integration der Software in Ihre bestehenden Systeme und Datenquellen dennoch schwierig und zeitaufwändig sein. Dies kann zusätzlichen Entwicklungs- oder Anpassungsaufwand erfordern, was die Gesamtkosten und Komplexität der Implementierung erhöht.
4. Datensicherheit und Einhaltung von Vorschriften: Der Einsatz von Prozessanalysesoftware von Drittanbietern kann Bedenken hinsichtlich der Datensicherheit und der Einhaltung von Vorschriften aufwerfen, insbesondere wenn es sich um sensible oder regulierte Daten handelt. Sie müssen sicherstellen, dass die Software die Anforderungen Ihres Unternehmens an die Datensicherheit und den Datenschutz erfüllt und die einschlägigen Vorschriften einhält.

Zusammenfassend lässt sich sagen, dass der Kauf von Prozessanalysesoftware Vorteile wie eine schnellere Implementierung, umfangreiche Funktionen und Skalierbarkeit bietet, aber auch potenzielle Nachteile wie Implementierungskosten und Einschränkungen bei der Anpassung mit sich bringt. Unternehmen sollten die Vor- und Nachteile des Kaufs von Process Mining Software auf der Grundlage ihrer spezifischen Bedürfnisse, Ressourcen und Ziele sorgfältig abwägen, bevor sie eine Entscheidung treffen.

Wenn Sie einen Business Case für den Kauf von Prozessanalysen erstellen möchten, lesen Sie die nachstehende Fallstudie, die den Wert des Kaufs einer schnellen, vorgefertigten Lösung hervorhebt.

Lesen Sie eine Fallstudie darüber, wie ein mittelständisches Unternehmen für Business Process Outsourcing (BPO) mit Hilfe von Prozessanalysen über 2 Millionen Euro (2,17 Millionen Dollar) an Prozessverschwendung aufdeckte.

‍