Event Knowledge Graphs
Sponsored Post
Der Event Knowledge Graph bildet das gemeinsame semantische Modell, in dem Ereignisse, Geschäftsobjekte, Beziehungen und Kontextwissen zusammenfließen – und macht Prozesse damit für Menschen und KI gleichermaßen verständlich.
Warum Process Intelligence eine neue Wissensrepräsentation braucht
Jede Evolutionsstufe des Process Mining wurde durch die Art und Weise bestimmt, wie Prozessdaten repräsentiert werden. Case-centric Process Mining basiert auf dem Event Log: Ereignisse werden einer eindeutigen Case ID zugeordnet und entlang ihrer zeitlichen Abfolge analysiert. Object-centric Process Mining erweiterte diese Sicht mit dem Object-Centric Event Log (OCEL) um mehrere Geschäftsobjekte und deren Beziehungen. Beide Repräsentationen haben Process Mining maßgeblich vorangebracht – und beide teilen dieselbe strukturelle Grenze.
Der Event Log ist ein tabellarisches, auf die zeitliche Abfolge reduziertes Format. Daten aus den Backendsystemen werden auf die Vorgaben von XES oder OCEL zugeschnitten, alles, was nicht in dieses Schema passt, geht verloren. Genau hier setzt der Event Knowledge Graph an. Er ist nicht eine weitere Variante des Event Logs, sondern dessen konzeptionelles Gegenstück: keine flache Tabelle, sondern ein Netzwerk aus Knoten und Kanten, in dem Ereignisse, Objekte, Beziehungen, Geschäftsregeln und Unternehmenskontext gemeinsam abgebildet werden.
Was ist ein Event Knowledge Graph?
Ein Event Knowledge Graph ist eine graphbasierte Wissensrepräsentation, die beobachtete Ereignisse mit den beteiligten Geschäftsobjekten, deren Abhängigkeiten und dem fachlichen Kontext eines Unternehmens verbindet. Ereignisse sind darin keine isolierten Zeilen einer Tabelle mehr, sondern Knoten in einem Netzwerk, das ihre kausalen und fachlichen Zusammenhänge explizit macht.
Der entscheidende Unterschied zum Event Log liegt in der Flexibilität. Ein Event Log kann nur das aufnehmen, was sein Schema vorsieht. Ein Graph hingegen kann jederzeit um neue Knotentypen, Beziehungen und Wissensbereiche erweitert werden, ohne dass die bestehende Struktur angepasst werden muss. Neben den klassischen Ereignisdaten lassen sich damit auch Informationen abbilden, die in einem Event Log keinen Platz finden: Stammdaten, organisatorischer Kontext, Geschäftsregeln und – besonders wichtig – unstrukturiertes Wissen wie Dokumente, Richtlinien oder Arbeitsanweisungen.
Ein weiterer Vorteil liegt in der Vielfalt der Beziehungen, die ein Graph abbilden kann. Während ein Event Log Ereignisse ausschließlich über ihre zeitliche Abfolge verknüpft, lassen sich im Event Knowledge Graph unterschiedliche Pfadsemantiken parallel hinterlegen: kausale Beziehungen, die erklären, warum ein Schritt einen anderen bedingt; zeitliche Beziehungen, die die Abfolge von Ereignissen abbilden; sowie Korrelationen und Verknüpfungen zu Kontextinformationen. Dadurch entsteht ein außergewöhnlich reichhaltiges semantisches Modell, das nicht nur einen einzelnen Analysezweck bedient, sondern als gemeinsame und letztlich ultimative Ausgangsbasis für sämtliche KI-Anwendungsfälle im Unternehmen dient.
„Ein Event Knowledge Graph ist mehr als ein Datenformat. Er ist das semantische Fundament, auf dem sich Prozesse nicht nur rekonstruieren, sondern im fachlichen Kontext verstehen lassen – und genau dieser Kontext ist es, den eine KI benötigt, um verlässliche Aussagen zu treffen."Dr. Lukas Pfahlsberger – Co-Founder Noreja Intelligence GmbH
Kontext als Treibstoff für KI
Die Stärke des Event Knowledge Graph zeigt sich, sobald KI ins Spiel kommt. Ein Sprachmodell oder ein KI-Agent liefert nur dann verlässliche und nachvollziehbare Ergebnisse, wenn ihm ausreichend Kontext zur Verfügung steht. Ein Event Log stellt diesen Kontext nur eingeschränkt bereit – er beschreibt, welche Aktivität wann stattgefunden hat, aber nicht, in welchem fachlichen Zusammenhang sie steht.
Der Event Knowledge Graph dagegen macht den gesamten Prozesskontext maschinell abfragbar. Eine KI kann nicht nur einzelne Ereignisse betrachten, sondern sich entlang der unterschiedlichen Pfadsemantiken des Graphen bewegen: von einem Ereignis zum zugehörigen Auftrag, von dort zur Rechnung, zur verantwortlichen Organisationseinheit und schließlich zu der Arbeitsanweisung, die vorgibt, wie dieser Schritt eigentlich hätte ablaufen sollen. Dadurch entsteht ein Kontextwissen, das weit über die reine Abfolge von Aktivitäten hinausreicht und das dieselbe Wissensbasis auch für angrenzende KI-Anwendungsfälle nutzbar macht.
Die zentralen Unterschiede auf einen Blick
| Event Log (XES / OCEL) | Event Knowledge Graph | |
|---|---|---|
| Struktur | Tabellarisch, auf zeitliche Abfolge reduziert | Netzwerk aus Knoten und Kanten |
| Datenbasis | Strukturierte Prozessdaten nach festem Schema | Strukturierte und unstrukturierte Daten, flexibel erweiterbar |
| Beziehungen | Ausschließlich zeitliche Abfolge | Mehrere Pfadsemantiken: kausal, zeitlich, korrelativ, Kontextverknüpfung |
| Kontext | Auf Ereignisse und Objektverläufe beschränkt | Ereignisse, Objekte, Beziehungen, Geschäftsregeln und Domänenwissen |
| Erweiterbarkeit | Schemaänderung nötig | Jederzeit um neue Knoten und Beziehungen erweiterbar |
| Unstrukturiertes Wissen | Nicht abbildbar | Dokumente, SOPs und Richtlinien mit der Prozesswelt verknüpft |
| Nutzung durch KI | Eingeschränkter Kontext | Vollständiger, abfragbarer Prozesskontext für Mensch und KI |
Tabelle 1. Event Log vs. Event Knowledge Graph als Wissensrepräsentation für Process Intelligence.
Kommerzielle Lösungen in der Praxis
Die meisten kommerziellen Lösungen basieren auch heute noch auf Event-Log-basierten Ansätzen von vor 10 bis 15 Jahren. Die Firma Noreja ist der erste kommerzielle Anbieter, der eine Process-Mining- beziehungsweise Process-Intelligence-Plattform vollständig auf einem Event Knowledge Graph aufgebaut hat. Statt Daten in ein starres Event-Log-Format zu pressen, werden Prozessdaten, Beziehungen und Geschäftslogik direkt aus den Backendsystemen in einen Graphen überführt.
Innerhalb dieses Graphen lassen sich außergewöhnlich viele operationale Informationen speichern: Ereignisse zu einem Prozess aus unterschiedlichen Quellsystemen, die Geschäftsobjekte und ihre Abhängigkeiten – und darüber hinaus unstrukturiertes Wissen. Genau hier liegt der entscheidende Mehrwert: Dokumente, Standard Operating Procedures und Richtlinien können mit der Prozesswelt verheiratet und kombiniert werden. Dadurch weiß die Plattform nicht nur, wie ein Prozess tatsächlich abgelaufen ist, sondern auch, wie er fachlich hätte ablaufen sollen.
So entsteht ein gemeinsames semantisches Modell, in dem strukturierte und unstrukturierte Unternehmensdaten zusammenfinden und das von Menschen und KI gleichermaßen verstanden und genutzt werden kann.
Verwandte Begriffe: Ein Konzept, viele Namen
Der Begriff Event Knowledge Graph ist noch nicht einheitlich etabliert, und je nach Kontext, Anbieter oder Forschungsrichtung finden sich unterschiedliche Bezeichnungen für dasselbe Grundkonzept. Häufig zu lesen sind etwa Process Intelligence Graph, Process Semantic Graph oder Process Network Graph.
So unterschiedlich die Namen klingen, sie beschreiben letztlich denselben Gedanken: eine graphbasierte Wissensrepräsentation, die Ereignisse, Geschäftsobjekte, Beziehungen und fachlichen Kontext in einem gemeinsamen semantischen Modell verbindet. Die Akzente liegen dabei mal stärker auf der Prozessintelligenz, mal auf der semantischen Bedeutung der Verknüpfungen, mal auf der Netzwerkstruktur selbst – gemeint ist jeweils die Ablösung des flachen Event Logs durch eine reichhaltigere, vernetzte Wissensbasis.
Für die Praxis ist weniger die Bezeichnung entscheidend als das zugrunde liegende Prinzip. Wer von einem Event Knowledge Graph, einem Process Intelligence Graph oder einem Process Semantic Graph spricht, meint in aller Regel dieselbe Evolutionsstufe: den Übergang von der reinen Rekonstruktion von Prozessabläufen hin zu einem semantischen Modell, das Prozesse für Menschen und KI gleichermaßen verständlich macht.
Warum scheitern Unternehmen an Event-Logs und OCPM?
In der Praxis scheitert der Event Log meist nicht an der Methode, sondern am Aufwand. Ein Event Log entsteht nicht von selbst: Daten müssen aus den Quellsystemen extrahiert, Ereignisse einer Case ID zugeordnet und in ein festes Schema überführt werden – und mit jeder neuen Fragestellung beginnt dieser Aufbau oft von vorn. Der objektzentrierte Ansatz verschärft dieses Problem eher, als dass er es löst: Wer mehrere Geschäftsobjekte und ihre Beziehungen sauber im OCEL abbilden will, steht vor einem erheblichen Modellierungs- und Pflegeaufwand. Genau das erklärt, warum sich der Object-Centric Event Log in der Breite bislang nur zögerlich durchsetzt. Viele Unternehmen hinterfragen zu Recht, warum sie ihre Daten überhaupt in solche starren Strukturen zwingen sollen – zumal ihnen die dafür nötigen Ressourcen fehlen. Fachkräfte, die den Aufbau und die Pflege eines Event Logs beherrschen, sind rar, und so bleibt der Zugang zu Process Mining häufig an externe Beratungsleistung gebunden. Ein Ansatz, der Prozessverständnis dauerhaft von hohem manuellem Aufwand und Spezialwissen abhängig macht, ist auf lange Sicht kaum zukunftsfähig.
Was bedeutet das für Unternehmen?
Die Wahl der Wissensrepräsentation entscheidet darüber, wie weit sich Prozessdaten künftig für Analyse, Automatisierung und KI nutzen lassen. Ein Event Log liefert eine solide, aber begrenzte Sicht. Ein Event Knowledge Graph schafft eine gemeinsame semantische Grundlage für Process Mining, Business Intelligence, generative KI und KI-Agenten.
Wer seine Prozess- und Unternehmensdaten heute so aufbereitet, dass Ereignisse, Kontext und fachliches Wissen in einem gemeinsamen Modell zusammenkommen, schafft die Basis für schnellere Entscheidungen, höhere Automatisierung und den produktiven Einsatz von KI – und damit für langfristige Wettbewerbsfähigkeit im Zeitalter der KI.