Process Mining in der Produktion: Von digitalen Spuren zur echten Prozesstransparenz 

Was ist Process Mining? 

Process Mining ist eine datenbasierte Methode, um reale Prozessabläufe aus Ereignisdaten zu rekonstruieren, zu visualisieren und zu analysieren. Ursprünglich stammt der Ansatz aus dem Geschäftsprozessmanagement (Business Process Management, BPM), wo er vor allem in administrativen End-to-End-Prozessen wie Order-to-Cash oder Procure-to-Pay eingesetzt wird. Vereinfacht gesagt: Wenn Systeme Zeitstempel und Aktivitäten erzeugen (z. B. „Auftrag freigegeben“, „Operation gestartet“, „Operation beendet“, „Transport gebucht“), lassen sich daraus Prozessmodelle ableiten. Im Unterschied zu reinen KPI-Dashboards zeigt Process Mining nicht nur Ergebnisse, sondern den tatsächlichen Ablauf dorthin, mit seinen Prozessvarianten, Schleifen, Wartezeiten und Abweichungen. Methodisch lässt sich Process Mining grob in Discovery (Rekonstruktion des Ist-Prozesses aus Ereignisdaten), Conformance Checking (Abgleich von Ist- und Soll-Prozess zur Identifikation von Abweichungen) und Enhancement (Erweiterung/ Verbesserung bestehender Modelle um Leistungs- und Ursacheninformationen) unterscheiden. 

Abbildung 1: Process Mining Funktionsweise in Anlehnung an van der Aalst (2016), S. [1]

Inzwischen wird Process Mining auch für die Produktion zunehmend attraktiv: Denn auch dort hinterlassen Prozesse digitale Spuren, etwa in ERP- und MES-Rückmeldungen, in Maschinen- und Anlagenereignissen sowie in Logistik- und Qualitätsdaten. Dadurch wird sichtbar, wie Aufträge, Chargen oder Materialflüsse real durch das System laufen, wo Reibungsverluste entstehen und an welchen Stellen der gelebte Prozess vom geplanten Sollablauf abweicht. 

Warum ist Process Mining in der Produktion besonders spannend? 

In administrativen Prozessen (z. B. Order-to-Cash) sind Ereignisdaten oft sauberer strukturiert. In der Produktion ist die Realität komplexer: Parallelität, Puffer, Batchbildung, Umrüstungen, manuelle Rückmeldungen, Maschinenlogik und Materialflüsse überlagern sich. Genau deshalb ist der Mehrwert hier aber besonders hoch. Wer es schafft, Daten aus unterschiedlichen Ebenen zusammenzuführen, erhält eine Transparenz, die sonst nur mit hohem Aufwand über Workshops, Wertstromanalysen und Einzelmessungen erreichbar ist und die dennoch oft unvollständig bleibt. 

Gleichzeitig stellt die Produktion höhere Anforderungen an Datenmodellierung und Interpretation. Ereignisse müssen konsistent entlang von Objekten verknüpft werden, etwa Produktionsauftrag, Materialcharge, Handling Unit, Ressource oder Werkzeug. Außerdem entstehen viele relevante Informationen nicht als „klassisches Eventlog“, sondern als Zeitreihen oder Maschinenzustände. In der Praxis geht es daher weniger um ein einzelnes Tool, sondern um eine robuste Kette aus Datenzugriff, Aufbereitung, Modellierung und Interpretation. 

Unsere Forschung: Process Mining als Brücke zur datengetriebenen Simulation 

Genau an dieser Schnittstelle setzt auch unser Forschungsprojekt DataSimPro an. Im Mittelpunkt steht die Entwicklung datengetriebener Simulationsmodelle, mit denen sich Produktions- und Logistikprozesse realitätsnah abbilden und analysieren lassen. Ziel ist es, die bislang oft sehr aufwändige Datenaufbereitung für Materialflüsse deutlich zu vereinfachen und Simulation als intuitives, praxistaugliches Werkzeug in der Industrie zu stärken. 

Dazu kombinieren wir Process Mining, künstliche Intelligenz und tiefes Prozessverständnis: Process Mining liefert die datenbasierte Rekonstruktion realer Abläufe sowie Hinweise auf Varianten, Engpässe und Abweichungen. Darauf aufbauend unterstützen KI-Methoden dabei, Datenlücken zu schließen, Muster zu erkennen und Parameter (z. B. Verteilungen, Wartezeiten, Ressourcenauslastungen) robuster abzuleiten. Das Prozesswissen aus der Praxis sorgt schließlich dafür, dass die Ergebnisse nicht nur „formal korrekt“, sondern auch fachlich plausibel und für Entscheidungen nutzbar sind.  

So entsteht Schritt für Schritt ein Ansatz, der die Brücke von der transparenzschaffenden Ist-Analyse zur szenariofähigen Simulation schlägt und damit die Grundlage für schnellere Verbesserungszyklen, belastbarere Planungsentscheidungen und perspektivisch stärker automatisierte Modellierungsprozesse schafft. Nutzung von Process Mining für die Erstellung von Simulationen zur Optimierung von Produktionssystemen. 

Abbildung 2: Konsortium DataSimPro: Fraunhofer IWU, Logsol GmbH, HTW Dresden, B. Braun Group Avitum Saxonia GmbH 

Abbildung 3: Fördermittelgeber des Projekts DataSimPro 

Diese Forschung wird durch das Projekt DataSimPro unter der Fördernummer 100748059 finanziert, das von der Europäischen Union kofinanziert und vom Freistaat Sachsen mitfinanziert wurde. 

Was Unternehmen daraus mitnehmen können 

Für Unternehmen bedeutet das: Process Mining kann mehr sein als ein Analysewerkzeug. Richtig eingebettet, wird es zur Methodik, um Produktionsprozesse faktenbasiert zu rekonstruieren, Abweichungen systematisch zu verstehen und zugleich die Basis für belastbare Simulationen zu legen. Damit verschiebt sich der Schwerpunkt von „Wir haben Daten“ hin zu „Wir können Entscheidungen datenbasiert absichern“. 

Wer heute einsteigen möchte, profitiert oft von einem pragmatischen Vorgehen: mit einem klaren Use Case beginnen (z. B. Durchlaufzeit- und Engpassanalyse für eine Produktfamilie), relevante Objekte und Datenquellen definieren, die Datenqualität schrittweise erhöhen und die Erkenntnisse in konkrete Verbesserungs- oder Simulationsfragen überführen. Der größte Hebel entsteht häufig dort, wo Prozesssicht und Systemverhalten zusammenkommen, also genau an der Schnittstelle zwischen Process Mining und Simulation. 

Titelbild: KI-generiertes Bild, erstellt mit ChatGPT-5.4

Quellen:

[1] Van der Aalst. (2016). Process Modeling and Analysis. In: Process Mining. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-49851-4_3