Causal Process Mining - Von der Frequenz zur Kausalität
Sponsored Post
Causal Process Mining schafft die semantische Grundlage, um Prozesse nicht nur zu beobachten, sondern ihre fachlichen Ursachen, Auswirkungen und Optimierungspotenziale zu verstehen.
Welche Wissensrepräsentation benötigt Process Intelligence im Zeitalter der KI?
Process Mining hat sich in den vergangenen Jahren kontinuierlich weiterentwickelt, um Prozessverständnis datenbasiert zu unterstützen.
Case-centric Process Mining schuf erstmals Transparenz über Geschäftsprozesse, indem Ereignisse einer eindeutigen Case ID zugeordnet und entlang ihrer zeitlichen Abfolge analysiert wurden. Grundlage dieser Analyse sind sogenannte Directly-Follows-Beziehungen, die zeigen, welche Aktivität in den Daten zeitlich auf eine andere folgt.
Object-centric Process Mining erweiterte diesen Ansatz um mehrere Geschäftsobjekte und deren Beziehungen. Dadurch lassen sich komplexe Unternehmensprozesse, beispielsweise das Zusammenspiel von Aufträgen, Lieferungen, Rechnungen und Zahlungen, realistischer modellieren. Die Analyse bleibt jedoch weiterhin an beobachteten Ereignissen, Objektverläufen und deren zeitlicher Abfolge orientiert. Genau hier liegt die zentrale fachliche Grenze beobachtungsbasierter Verfahren: Aus beobachtetem Verhalten allein lassen sich kausale Beziehungen nicht zuverlässig rekonstruieren.
“Causal Process Mining überwindet die Lücken von früheren Techniken mithilfe der Abhängigkeiten zwischen Prozessobjekten. Diese Abhängigkeiten basieren auf Domänenwissen und gehen über die Beobachtung von verbindenden Ereignissen hinaus.“
Prof. Dr. Jan Mendling – Co-Gründer bei Noreja und Einstein Professor an der HU Berlin
Für Process Mining bedeutet das: Die nächste Evolutionsstufe benötigt eine zusätzliche Wissensebene aus Domänenwissen, Geschäftslogik und Kontext. Erst dadurch lässt sich nicht nur analysieren, welche Aktivität auf eine andere folgt, sondern auch, ob zwischen diesen Aktivitäten eine fachlich sinnvolle Beziehung besteht.
Causal Process Mining kann als nächste Evolutionsstufe des Process Mining verstanden werden. Es ergänzt die zeitliche Analyse beobachteter Ereignisse um eine fachliche Ebene und fragt nicht nur, welche Aktivität auf eine andere folgt, sondern ob zwischen diesen Aktivitäten eine kausale Geschäftsbeziehung besteht. Dadurch wird Prozessverhalten anhand eines fachlich definierten Zielprozesses interpretiert, bewertet und validiert. Damit kann man verstehen, warum ein Prozess so ablaufen ist, ob dieses Verhalten fachlich korrekt war und welche geschäftlichen Auswirkungen daraus entstehen.
Jede Evolutionsstufe des Process Mining brachte eine neue Form der Wissensrepräsentation hervor. Mit jeder neuen Wissensrepräsentation konnten komplexere Geschäftszusammenhänge analysiert und verstanden werden. Während Case-centric Process Mining auf Event Logs basiert und Object-centric Process Mining mit dem Object-Centric Event Log (OCEL) eine objektorientierte Sicht einführt, benötigt Causal Process Mining eine Wissensrepräsentation (den Event Knowledge Graph), die zusätzlich zu Ereignissen auch Geschäftsobjekte, Beziehungen, Geschäftsregeln und Unternehmenskontext miteinander verbindet. Die daraus abgeleitete Kausalität gilt dabei als elementare Grundvoraussetzung, um aus Process Mining echte Process Intelligence werden zu lassen und KI-Anwendungen sinnstiftenden Kontext bereitzustellen.
Causal Process Mining erweitert das klassische Process Mining um Geschäftslogik, Kausalität und Unternehmenskontext. Gleichzeitig schafft es die semantische Grundlage für Process Mining, Business Intelligence, Generative KI und Process Intelligence. Dadurch entwickelt sich Process Mining von einer Methode zur Rekonstruktion vergangener Prozessabläufe zu einer Plattform für das Verständnis, die Bewertung und die kontinuierliche Verbesserung von Geschäftsprozessen.
Die wichtigsten Unterschiede auf einen Blick:
| Case-centric & Object-centric Process Mining | Causal Process Mining |
|---|---|
| Prozessverständnis | |
| Beschreibt, was passiert ist | Erklärt, warum etwas passiert ist und welche geschäftliche Bedeutung es hat |
| Frequenz beschreibt Verhaltensbeobachtung | Kausalität erklärt Prozessverhalten |
| Der häufigste Prozesspfad wird identifiziert | Der fachlich gewünschte Zielprozess wird bewertet und validiert. |
| Prozessverhalten wird aus beobachteten Ereignissen rekonstruiert | Prozessverhalten wird im fachlichen Kontext verstanden und interpretiert |
| Der Fokus liegt auf der Prozessausführung | Der Fokus liegt auf dem Geschäftszweck des Prozesses. |
| Analyse | |
| Jede Abweichung erzeugt potentiell eine neue Ausführungsvariante | Fachlich relevante Abweichungen werden als Fehlermuster klassifiziert und können gezielt ein- oder ausgeblendet werden, ohne zusätzliche Prozessvarianten zu erzeugen |
| Schleifen und Wiederholungen werden visualisiert | Nacharbeit, Fehler, Batching oder Reihenfolgeprobleme werden als fachliche Fehlermuster explizit erkannt und interpretiert |
| Wissensrepräsentation | |
| Daten werden auf die Vorgaben von XES oder OCEL Event Logs reduziert | Daten, Beziehungen und Geschäftslogik werden direkt aus den Backendsystemen in einen Event Knowledge Graph überführt |
| Strukturierte Prozessdaten aus den Backendsystem stehen im Mittelpunkt | Strukturierte und unstrukturierte Unternehmensdaten werden im Event Knowledge Graphen kombiniert und für Menschen und KI gleichermaßen verständlich gemacht |
Tabelle 1. Zentrale Unterschiede: Case-centric & Object-centric Process Mining vs. Causal Process Mining
Fazit: Causal Process Mining als nächste Evolutionsstufe von Process Mining
Causal Process Mining erweitert klassische und objektzentrierte Verfahren um Kausalität, Geschäftslogik und Unternehmenskontext und schafft damit die Grundlage für Process Intelligence. Der Ansatz schafft damit die Grundlage für spezialisierte KI-Agenten – sog. Process Frontier Agents – die Prozesse kontinuierlich beobachten, Veränderungen erkennen, fachlich bewerten und auf Basis von Geschäftslogik eigenständig Empfehlungen oder Aktionen ableiten.
Diese Process Frontier Agents unterstützen sie Unternehmen dabei, Optimierungspotenziale in Echtzeit zu erkennen und proaktiv zu nutzen. Damit entwickelt sich Process Mining von der Analyse vergangener Ereignisse zu einer Plattform für kontinuierliche Process Intelligence, mit KI, die nicht nur Antworten liefert, sondern ihre Empfehlungen auf Basis von Geschäftslogik und Unternehmenskontext nachvollziehbar begründen kann.
Was bedeutet das für Unternehmen?
Für Unternehmen ist entscheidend, welche Datenbasis mit modernen Analysetechniken langfristig Einsparungen, Automatisierung und den produktiven Einsatz von KI ermöglicht. Ein gemeinsames semantisches Modell aus strukturierten und unstrukturierten Unternehmensdaten schafft genau diese Grundlage für Process Mining, Dashboards, Business Intelligence, KI-Anwendungen und KI-Agenten.
Wer seine Prozess- und Unternehmensdaten heute so aufbereitet, dass sie von Menschen und KI gleichermaßen verstanden und genutzt werden können, schafft die Basis für schnellere Entscheidungen, höhere Automatisierung, nachhaltige Kostensenkung und langfristige Wettbewerbsfähigkeit im Zeitalter der KI.
Hintergrund: Von der Forschung in die Praxis
Die wissenschaftlichen Grundlagen des Causal Process Mining wurden durch die Forschungsarbeiten von Prof. Dr. Jan Mendling, Dr. Lukas Pfahlsberger und Dr. Philipp Waibel maßgeblich geprägt und beschrieben. Aus dieser akademischen Grundlage entstand die gemeinsame Vision, Kausalität, Domänenwissen und wissensbasierte Prozessanalyse in eine produktive Plattform zu überführen. Mit Noreja wurden diese Konzepte des Causal Process Mining als eine durchgängige Process-Intelligence-Plattform erstmalig umgesetzt. Dadurch werden Kausalität, Geschäftslogik, Unternehmenskontext und Künstliche Intelligenz in einem gemeinsamen semantischen Modell vereint, als Grundlage für eine neue Evolutionsstufe von Process Intelligence.