Predictive Process Monitoring

Laufende Prozessfälle verzweigen sich in prognostizierte Zukunftspfade mit Unsicherheitsbereichen und markierten Verzögerungsrisiken

Kategorie

Prozesse mit KI

Kompetenzstufe

Experte

Predictive Process Monitoring nutzt Daten abgeschlossener Prozessfälle, um für laufende Fälle eine mögliche Zukunft einzuschätzen. Typische Ziele sind verbleibende Durchlaufzeit, nächster Schritt, Endergebnis oder Risiko einer Fristverletzung. Die Prognose ergänzt das aktuelle Prozessbild um einen zeitlichen Vorsprung und ist ein fortgeschrittener Baustein der Digitalisierung von Geschäftsprozessen.

Die Methode eignet sich nur, wenn auf ein Signal eine sinnvolle Handlung folgen kann. Ein Modell liefert Wahrscheinlichkeiten oder Schätzwerte, keine Gewissheit und keine Ursache. Das Ergebnis ist deshalb nicht nur ein Modell, sondern ein kontrollierter Entscheidungsprozess mit Gütemaßen, Schwellenwerten, Interventionen, Kapazitätsgrenzen und laufender Überwachung.

Rahmenbedingungen & Vorbereitung für Predictive Process Monitoring

Voraussetzungen

Historische Ereignisdaten mit Fall-ID, Aktivität, Zeitstempel und abgeschlossenem Ergebnis
Eine präzise Vorhersagefrage für einen definierten Zeitpunkt im laufenden Fall
Genügend vergleichbare Fälle und dokumentierte Änderungen im Prozess
Fachwissen zu Prozess, Daten, Statistik oder Machine Learning und betrieblicher Entscheidung
Eine erlaubte, wirksame Intervention bei erhöhtem Risiko
Regeln für Datenschutz, Fairness, Zugriff, Protokollierung und Modellüberwachung

Vorbereitung

Grenze den Prozess ab und prüfe das Ereignisprotokoll mit Process Mining; auf Arbeitsplatzebene ergänzt Task Mining das Bild. Klassische Wege, Engpässe im Prozess zu erkennen, bleiben die Grundlage. Definiere Zielvariable, Prognosehorizont und Entscheidung, die durch das Signal unterstützt werden soll. Teile Daten zeitlich in Training, Validierung und Test, damit die Prüfung einen späteren Einsatz realistisch nachbildet. Lege eine einfache Baseline fest, etwa Medianrestlaufzeit je Prozessphase.

Wofür ist Predictive Process Monitoring besonders geeignet?

Predictive Process Monitoring ist dann sinnvoll, wenn auf ein Frühwarnsignal eine echte Handlung folgen kann. Es schätzt Restlaufzeit oder Risiko laufender Fälle, bevor der Termin verstreicht und lässt kritische Fälle priorisieren, solange eine Reaktion noch wirkt. Grundlage sind abgeschlossene Fälle, aus denen es Muster für neue Fälle ableitet. Es liefert Wahrscheinlichkeiten, keine Gewissheit und braucht darum klare Interventionsregeln.

Weiterführende Quelle bei Wikipedia: Process Mining.

Ein Praxisbeispiel dazu findet sich im Anwendungsfall Produktionssteuerung.

Häufige Fragen

Was kann Predictive Process Monitoring vorhersagen?

Je nach Daten und Ziel zum Beispiel Restlaufzeit, nächsten Schritt, Endergebnis oder Risiko einer Regel- und Fristverletzung.

Wie viele historische Fälle werden benötigt?

Das hängt von Varianten, Zielhäufigkeit und Modell ab. Seltene Ergebnisse benötigen besonders sorgfältige Datenprüfung. Beginne mit einer Lernkurve und prüfe, ob zusätzliche Fälle die Leistung noch stabil verbessern.

Reicht eine hohe Trefferquote?

Nein. Bei seltenen Risiken kann Accuracy irreführend sein. Prüfe Precision, Recall, Kalibrierung, zeitliche Stabilität und den wirtschaftlichen Nutzen der Intervention.

Muss das Modell erklärbar sein?

Die erforderliche Erklärbarkeit richtet sich nach Entscheidung, Risiko und Regulierung. Fachverantwortliche müssen mindestens verstehen, welche Daten genutzt werden, wie verlässlich der Score ist und welche Handlung erlaubt ist.

Was ist Model Drift?

Drift bedeutet, dass sich Daten oder Zusammenhänge gegenüber der Trainingsphase verändern. Prozessänderungen, neue Produkte oder andere Priorisierungsregeln können Prognosen verschlechtern und eine Neubewertung nötig machen.

Prognosen für laufende Prozessfälle entwickeln

Schritt

Vorhersage und Entscheidung gemeinsam definieren

Bestimme, was wann für welchen Fall prognostiziert wird. Formuliere zusätzlich, wer auf das Ergebnis reagieren darf und welche Handlung möglich ist. Ein Risikoscore ohne Entscheidung und verfügbare Kapazität erzeugt nur eine weitere Anzeige.

Schritt

Daten auf Eignung und Leakage prüfen

Prüfe Vollständigkeit, Zeitreihenfolge, Fallvarianten und Prozessänderungen. Verwende nur Merkmale, die zum Prognosezeitpunkt tatsächlich bekannt sind. Spätere Informationen oder nachträglich korrigierte Felder würden die Modellgüte künstlich erhöhen.

Schritt

Ziel, Präfixe und Merkmale bilden

Erzeuge aus abgeschlossenen Fällen Trainingsbeispiele für unterschiedliche Zwischenstände. Nutze Verlauf, aktuelle Aktivität, Zeit seit dem letzten Ereignis, Fallmerkmale und verfügbare Auslastungsdaten. Dokumentiere, wie fehlende Werte und seltene Varianten behandelt werden.

Schritt

Baseline und Kandidatenmodelle trainieren

Vergleiche ein einfaches, erklärbares Ausgangsmodell mit komplexeren Verfahren. Wähle nicht allein nach höchster Kennzahl. Rechenzeit, Stabilität, Erklärbarkeit und Wartungsaufwand gehören zur Bewertung.

Schritt

Zeitlich getrennt validieren

Bewerte Restzeitmodelle mit geeigneten Fehlermaßen und Klassifikationen mit Precision, Recall, Kalibrierung und einer Kostenbetrachtung. Prüfe Ergebnisse nach relevanten Fallgruppen. Ein Modell kann im Mittel gut sein und bei seltenen, wichtigen Fällen versagen.

Schritt

Schwellenwert und Intervention festlegen

Leite den Schwellenwert aus Fehlalarmkosten, übersehenen Risiken und verfügbarer Bearbeitungskapazität ab. Definiere eine konkrete Intervention, zum Beispiel fehlende Unterlagen früh anfordern. Ein Kennzahlenbaum verbindet Signal, Handlung und gewünschte Prozesswirkung.

Schritt

Im Schattenbetrieb testen und überwachen

Lass das Modell zunächst prognostizieren, ohne operative Entscheidungen zu verändern. Vergleiche Signale mit späteren Ergebnissen und prüfe den tatsächlichen Nutzen der vorgesehenen Intervention. Überwache Datenqualität, Kalibrierung, Fehlalarme und Drift. Bei instabilen Zeitreihen kann eine SPC-Regelkarte die laufende Beobachtung ergänzen.

Methode direkt anwenden

Bring die Methode ins FlowBoard: Prozess visualisieren, Kennzahlen definieren, Engpässe im Team sichtbar machen.

FlowBoard testen ↗