Microsoft Celonis SAP : Die versteckten Kosten der Industrie: Was Unternehmen jetzt aufdecken können

Wer in einem Fertigungsbetrieb nach der tatsächlichen Durchlaufzeit eines Auftrags fragt, bekommt oft zwei Antworten: eine aus dem Organigramm und eine aus der Realität. Dazwischen liegen Rückfragen, Sonderschleifen und Wartezeiten, die in keinem Prozesshandbuch stehen. Process Intelligence verspricht, diese Lücke zu schließen – nicht mit einer weiteren Vorschrift, sondern mit einem Blick auf das, was in ERP-, MES- und Ticketsystemen tatsächlich passiert: Daten werden zu einem Prozessmodell verdichtet, aus dem Modell entstehen Erkenntnisse, und aus den Erkenntnissen werden konkrete Maßnahmen.

Nie mehr die wichtigsten News aus Österreichs Industrie verpassen? Abonnieren Sie unser Daily Briefing: Was in der Industrie wichtig wird. Täglich um 7 Uhr in ihrer Inbox. Hier geht’s zur Anmeldung!

Dass das Thema gerade jetzt an Fahrt gewinnt, hat mehrere Gründe. Der Digitalisierungsdruck in der Industrie steigt, während gleichzeitig Fachkräfte fehlen, um Prozesse manuell zu analysieren. Neue Berichtspflichten wie die CSRD verlangen belastbare Aussagen über Ressourcen- und Prozesseffizienz, und der EU AI Act rückt den Umgang mit KI-gestützten Systemen ohnehin stärker in den Vordergrund. 

Von Process Mining zu Process Intelligence

Der Niederländer Wil van der Aalst gilt weithin als Begründer des Process Mining. In einem Interview mit der WirtschaftsWoche erklärt er die Funktionsweise so: „In den Datenbanken und Informationssystemen von Unternehmen sind abertausende Tabellen mit Zeitstempel oder Daten gespeichert.,, Das Ziel von Process Mining ist es, diese Daten zu analysieren, um daraus automatisiert Prozessmodelle abzuleiten, die zeigen, wo genau es zu Engpässen, Abweichungen oder Verzögerungen kommt.“

Anders als klassische Prozessdokumentation oder ein BPMN-Modell „auf dem Papier" beschreibt Process Mining damit keinen Wunschzustand, sondern die gelebte Praxis, mit allen Umwegen, Schleifen und Sonderfällen.

Process Intelligence baut auf dieser Grundlage auf und erweitert die reine Rekonstruktion um mehrere Ebenen: Task Mining erfasst zusätzlich, wie einzelne Mitarbeitende an ihren Bildschirmen arbeiten, Echtzeitüberwachung macht Abweichungen sichtbar, während sie entstehen, und prädiktive Modelle schätzen ab, was als Nächstes passieren wird – häufig KI-gestützt. Wo Process Mining also rückblickend zeigt, was passiert ist, blickt Process Intelligence nach vorne: Sie verbindet Diagnose mit Prognose und, im besten Fall, mit automatisierter Reaktion. Datengrundlage sind in Industriebetrieben meist ERP-Systeme wie SAP, MES- und SCADA-Daten aus der Fertigung, Logistiksysteme und Ticketing-Tools. 

Werkzeugkasten: Tools, Plattformen und heimische Partner

International prägen wenige große Plattformen den Markt für Process Mining: Das deutsch-amerikanische Unternehmen Celonis, bei dem van der Aalst mittlerweile als Chief Scientist arbeitet, ist Marktführer, daneben spielen die UiPath-Plattform, ABBYY sowie die entsprechenden Module der Microsoft Power Platform eine größere Rolle. Auch kommerzielle Analyse-Tool wie Disco oder Minit gehören zu den genutzten Werkzeugen.

Den umgekehrten Weg zu den reinen Mining-Spezialisten gehen klassische BPM-Anbieter wie die BOC Group: Sie integrieren Mining-Funktionen zunehmend in ihre bestehenden Modellierungssuiten, statt ein separates Werkzeug zu verkaufen – ein Ansatz, der vor allem für Unternehmen interessant ist, die bereits mit Prozessmodellierung arbeiten und keine zweite Systemlandschaft aufbauen wollen.

In Österreich und im gesamten DACH-Raum sind es vor allem Beratungshäuser, die Process Mining und Process Intelligence in bestehende SAP-, Siemens- oder Rockwell-Umgebungen integrieren – meist als Teil größerer Digitalisierungsprojekte, seltener als eigenständiges Produkt. Ergänzt wird dieses Angebot durch forschungsnahe Partner aus dem Umfeld von FH JOANNEUM, TU Wien oder FH Oberösterreich, die häufig branchenspezifisches Know-how mitbringen. 

Wer sich erstmal nicht an einen kommerziellen Anbieter binden will, findet mit Open-Source-Werkzeugen wie PM4Py oder ProM einen kostengünstigen Einstieg – vor allem für Forschung, Lehre und erste Pilotprojekte geeignet, weniger für den produktiven Rollout im großen Maßstab. Es fehlen Support und Skalierbarkeit.

Bei der Auswahl eines Anbieters zählen vier Kriterien besonders: die Anbindung an bestehende Systeme, die Skalierbarkeit vom Pilotprojekt zum unternehmensweiten Rollout, Datenschutz und Hosting – Cloud oder On-Premise, Standort der Rechenzentren – sowie ein belastbares Support- und Schulungsangebot im deutschsprachigen Raum.

Effiziente Problemanalyse mit handfesten Vorteilen

Der Einsatz von Process Mining lohnt sich, denn er deckt verdeckte Probleme auf. Dabei gibt es ein breites Einsatzfeld. In der Metallverarbeitung etwa schwanken Durchlaufzeiten häufig stark, ohne dass der Engpass auf den ersten Blick offensichtlich wäre – Planer vermuten den Flaschenhals oft an der falschen Stelle, weil sichtbare Warteschlangen nicht zwingend mit den tatsächlichen Verzögerungen zusammenfallen. Eine Process-Mining-Auswertung von MES- und Auftragsdaten legt in solchen Fällen häufig einen versteckten Engpass offen, etwa eine spezielle Wärmebehandlung, die Aufträge unbemerkt ins Stocken bringt.

Ein zweites, verwandtes Feld ist die Instandhaltung: Wiederkehrende Muster bei Maschinenausfällen lassen sich aus Prozess- und Stillstandsdaten herauslesen und in eine vorausschauende statt rein reaktive Wartungsplanung übersetzen.

Daraus ergibt sich meist auch ein handfester finanzieller Vorteil, nicht nur in der der Fertigung. „Es gibt eine große Zahl von Beispielen in klassischen Einkaufs- oder Verkaufsprozessen: Hier lassen sich durch sehr einfache Maßnahmen überflüssige Schritte aus dem Prozess eliminieren und so locker Millionen Euro einsparen“, sagt van der Aalst gegenüber der WirtschaftsWoche. „Das sind Standardprozesse, die sehr einfach und schnell optimiert werden können. Andere Anwendungen betreffen Produktionsprozesse, etwa beim Lackieren von Autos: Auch solche Prozesse lassen sich mittels Process Mining optimieren – hier sehe ich sogar ein noch größeres Potenzial, aber es ist schwieriger zu heben.“

Wie hoch solche Einsparungen konkret ausfallen können, zeigt eine Masterarbeit von Stefan Zimmermann (FH Oberösterreich, Studiengang Mechatronik & Wirtschaft, 2024) über den Produktionsverbund einer Motormontage bei der BMW Motoren GmbH Steyr – einem der weltweit größten direktverbundenen Fertigungsnetzwerke für Verbrennungsmotoren der BMW Group. Steigende Variantenvielfalt bei Shortblock, Zylinderkopf und fertigem Motor hatte die im Jahr 2013 konzipierten Anlagen- und Speicherkonzepte überfordert; die Folge war ein zunehmend fehleranfälliger, verschwendungsbehafteter Produktionsverbund, in dem etwa ein nicht verfügbarer Zylinderkopf den gesamten Ablauf störte und zusätzliche Produktionskosten verursachte. Auf Basis von zwei im Rahmen der Arbeit entwickelten Dashboards – eines visualisiert Produktionsverluste, Typenmix und Personaleinsatz je Montagelinie, das andere ermöglicht eine Process-Mining-Analyse der Abläufe bei nicht verfügbaren Zylinderköpfen – wurden konkrete Prozessoptimierungen umgesetzt. Der Effekt war deutlich spürbar: Der Produktionsverbund erreichte dadurch eine jährliche Einsparung von rund 200.000 Euro.

Für öffentliche Institutionen können auch andere Ergebnisse wichtig sein. Wie etwa für den Wiener Stadtrechnungshof. Er nutzte laut eines Fachvortrages von Andreas Preslmayr aus dem Jahr 2019 Process Mining, um den Purchase-to-Pay-Prozess der Wiener Stadtwerke auf Compliance zu prüfen. Die Wiener Stadtwerke sind einer der größten Infrastrukturkonzerne des Landes mit rund 15.000 Beschäftigten. Statt einer Stichprobe wertete die Prüfung sämtliche 2.550 Bestellungen des Jahres 2019 mit einem Auftragsvolumen von rund 21 Millionen Euro aus Grundlage waren Daten aus SAP und dem Freigabe-Tool WMD xSuite, aufbereitet mit KNIME und analysiert mit dem Process-Mining-Werkzeug Disco. 

Die Auswertung förderte eine Fülle von Unregelmäßigkeiten zutage. So wurde bei etwa 7 Prozent der Fälle die Rechnung erfasst, bevor der Auftrag formal freigegeben war – ein Hinweis auf sogenanntes Maverick Buying, also Einkäufe ohne reguläre Freigabe. 17 Prozent der rechnungsbearbeiteten Aufträge wiesen zwar keine formale Freigabe auf, betrafen aber fast ausschließlich freigabepflichtiges Büromaterial. Und bei rund der Hälfte der Rechnungen war „sofort fällig" dokumentiert, obwohl das allgemeine Zahlungsziel 30 Tage betrug. 

Der Stadtrechnungshof leitete daraus zehn konkrete Empfehlungen ab, etwa zur regelmäßigen Überprüfung von Freigabeberechtigungen und zur besseren Dokumentation von Prüfungen vor Zahlung. Der Mehrwert lag für die Prüfer vor allem in der Vollständigkeit: eine Auswertung aller Fälle statt einer Stichprobe, bei gleichzeitig besserer Nachvollziehbarkeit für die geprüfte Stelle.

Vom Verstehen zum Handeln: Process Intelligence, KI und Automatisierung

Process Mining liefert nicht nur Diagnosen, sondern auch die Landkarte für Automatisierung: Gute Kandidaten sind Prozessschritte mit hohem Volumen, stabilen Regeln und vielen manuellen Handgriffen. Prädiktive Process Intelligence geht einen Schritt weiter und schätzt auf Basis historischer Prozessdaten ab, wo Verzögerungen, Ausfälle oder Qualitätsprobleme wahrscheinlich sind, bevor sie eintreten. In Kombination mit RPA und digitalen Mitarbeitern lassen sich daraus automatische Korrekturmaßnahmen ableiten, etwa das automatische Nachfassen bei fehlenden Dokumenten oder das Eskalieren von Aufträgen, die einen kritischen Schwellenwert überschreiten. „Das ist wie ein Röntgenbild von Prozessen", sagte van der Aalst dazu in einem Interview mit der Computerwoche – wiederkehrende Muster ließen sich über viele Unternehmen hinweg inzwischen so zuverlässig erkennen wie bestimmte Krankheitsbilder.

Auch die physische Robotik profitiert von diesem Blick auf die Prozessdaten: Sie helfen dabei, jene repetitiven Handhabungsschritte mit hoher Taktvariabilität zu identifizieren, an denen sich eine Automatisierung tatsächlich rechnet. Damit wird Process Intelligence zu einer Art Vorstufe für Investitionsentscheidungen in der Robotik: Bevor eine Anlage bestellt wird, zeigen die Prozessdaten, ob sich die Investition überhaupt rechnet.

Bei all dem lohnt ein kritischer Blick: Echte Process Intelligence lässt sich daran erkennen, dass sie auf nachvollziehbaren Prozessdaten und überprüfbaren Modellen basiert – nicht auf einem zusätzlichen Dashboard über bestehender Mining-Software, dessen Prognosen sich im Nachhinein nicht erklären lassen.