Process Mining und Lean Six Sigma: Die nächste Stufe der Prozessoptimierung

Seit Jahrzehnten setzen Unternehmen auf Lean Six Sigma (LSS), um ihre Prozesse zu optimieren, Verschwendung zu vermeiden und die Effizienz zu steigern. Durch die Kombination von Lean, das sich auf die Rationalisierung von Arbeitsabläufen konzentriert, mit dem statistischen Ansatz von Six Sigma zur Verringerung von Abweichungen haben Unternehmen messbare Verbesserungen bei der Qualität und Kostenreduzierung erzielt. Herkömmliche Six-Sigma-Methoden haben jedoch oft mit einer entscheidenden Einschränkung zu kämpfen: Sie hängen von manuell erfassten Daten und subjektiven Prozessabbildungen ab. Das digitale Zeitalter verlangt nach schnelleren und präziseren Methoden, die sich auf Echtzeitinformationen stützen.

An dieser Stelle kommt Process Mining ins Spiel. Durch das Extrahieren und Analysieren von Prozessdaten aus Unternehmenssystemen wie SAP, Salesforce und vielen anderen bietet Process Mining einen objektiven Überblick über die Arbeitsabläufe in einem Unternehmen. In Kombination mit dem stringenten Ansatz von Six Sigma zur Messung der Prozessfähigkeit können Unternehmen über statische Momentaufnahmen der Leistung hinausgehen und eine kontinuierliche, datengesteuerte Prozessoptimierung einführen.

Die Rolle der Prozessfähigkeit bei der Prozessoptimierung

Ein grundlegender Aspekt von Six Sigma ist die Bewertung, ob ein Prozess durchgängig Ergebnisse innerhalb der vordefinierten Leistungsschwellenwerte liefert. An dieser Stelle werden Prozessfähigkeitsindizes – wie Cp und Cpk – entscheidend. Diese statistischen Maße bestimmen, ob ein Prozess sowohl stabil als auch in der Lage ist, Kunden- oder Geschäftsspezifikationen zu erfüllen. Ein Cp-Wert von über 1,33 deutet beispielsweise im Allgemeinen auf einen gut kontrollierten Prozess hin, während ein Cpk-Wert unter 1 darauf hindeutet, dass die Ergebnisse von den angestrebten Zielen abweichen.

Theoretisch nutzen Six Sigma-Experten diese Kennzahlen, um Ineffizienzen aufzudecken und Verbesserungen voranzutreiben. In der Praxis stützen sie sich jedoch häufig auf begrenzte, stichprobenartige Messungen, die die zugrundeliegende Variabilität verbergen können und die Komplexität eines Geschäftsprozesses nicht vollständig erfassen. Herkömmliche Studien zur Prozessfähigkeit untersuchen vielleicht eine Teilmenge von Rechnungen, Fertigungsabläufen oder Service-Tickets, aber sie berücksichtigen nur selten den gesamten End-to-End-Prozess über alle Variationen hinweg und das in Echtzeit.

Process Mining verändert dieses Paradigma. Anstatt eine Handvoll Beispielfälle zu analysieren, werden komplette Datensätze herangezogen – jede Transaktion, Genehmigung, Verzögerung und Nacharbeit, die im digitalen Fußabdruck eines Unternehmens aufgezeichnet sind. Dies ermöglicht eine echte, systemweite Prozessfähigkeitsanalyse, die Ineffizienzen aufdeckt, die sonst verborgen bleiben würden. Anstatt auf vierteljährliche Berichte über Prozessabweichungen zu warten, können Unternehmen die Cp- und Cpk-Werte dynamisch verfolgen und aufkommende Risiken sofort erkennen.

Jenseits statischer Dashboards: Eine neue Ära der Prozessanalyse

Einer der unmittelbarsten Vorteile der Integration von Process Mining mit Six Sigma ist die Umgestaltung von Six-Sigma-Dashboards. Traditionell präsentieren diese Dashboards aggregierte Statistiken – Fehlerraten, Zykluszeiten, Effizienzmetriken – ohne einen klaren Einblick in die Ursachen von Prozessschwankungen zu bieten. Sie sagen den Führungskräften, dass etwas nicht in Ordnung ist, aber nicht unbedingt, wo und warum.

Durch die Einbindung von Process Mining in diese Dashboards können Unternehmen von der deskriptiven Analyse zu einer diagnostischen und prädiktiven Analyse gelangen. Anstatt nur zu zeigen, dass ein Prozess außer Kontrolle geraten ist, können Dashboards nun die genauen Punkte der Abweichung visualisieren, Nacharbeitsschleifen hervorheben, Genehmigungsengpässe aufzeigen und die Auswirkungen von Prozessschwankungen auf Cpk-Werte quantifizieren.

Nehmen wir zum Beispiel einen globalen Lieferkettenbetrieb, der mit Verzögerungen bei der Auftragsabwicklung zu kämpfen hat. Ein herkömmlicher Six Sigma-Bericht könnte aufzeigen, dass die Auftragsdurchlaufzeiten in 85 % der Fälle die Zielvorgaben überschreiten, was zu einer Verschlechterung des Prozessfähigkeitswertes führt. Solche Berichte lassen die Analysten jedoch in der Regel im Unklaren darüber, ob das Problem auf Verzögerungen bei den Lieferanten, ineffiziente interne Abläufe oder falsche Systemkonfigurationen zurückzuführen ist.

Process Mining ändert das, indem es den tatsächlichen Auftragsabwicklungs-Workflow aus rohen Systemprotokollen rekonstruiert, so dass Analysten erkennen können, wo Verzögerungen am häufigsten auftreten. Dabei kann sich herausstellen, dass unerwünschte zusätzliche Ereignisse oder übersprungene Aktivitäten (z. B. Prüfen von Chargen - +20 Tage) eine hohe negative Auswirkung auf die Durchlaufzeit haben. Anstelle allgemeiner Empfehlungen zur Prozessverbesserung können Unternehmen präzise, datengestützte Maßnahmen ergreifen.

Revolution des DMAIC-Zyklus mit Process Mining

Seit Jahrzehnten verlassen sich Unternehmen auf die strukturierte DMAIC-Methodik - Define (Definieren), Measure (Messen), Analyze (Analysieren), Improve (Verbessern) und Control (Steuern) -, um Ineffizienzen zu beseitigen und die betriebliche Leistung zu verbessern. Die Methodik hat zwar zu erheblichen Verbesserungen geführt, ihre Wirksamkeit wurde jedoch häufig durch die Abhängigkeit von manueller Datenerfassung, subjektiven Bewertungen und seltenen Prozessüberprüfungen eingeschränkt. Process Mining ist eine Technologie, die das DMAIC-Rahmenwerk von einer methodischen, schrittweisen Übung in einen dynamischen, datengesteuerten Ansatz verwandelt, der kontinuierliche Verbesserungen in einem noch nie dagewesenen Umfang ermöglicht.

Zu Beginn eines Lean Six-Sigma-Projekts ist die Definitionsphase von entscheidender Bedeutung, um die Grundlage für die Verbesserungsbemühungen zu schaffen. Traditionell verbringen Teams Wochen damit, Geschäftsprozesse durch Befragungen von Interessengruppen und Workshops abzubilden – eine Vorgehensweise, die oft zu Verzerrungen und Ungenauigkeiten führt. Die Mitarbeiter beschreiben, wie Prozesse funktionieren sollten, und nicht, wie sie tatsächlich funktionieren. Process Mining beseitigt diese Annahmen, indem es den tatsächlichen Fluss der Aktivitäten aus den Ereignisprotokollen des Systems rekonstruiert. Anstatt über Ineffizienzen zu spekulieren, können Unternehmen genau sehen, wo Verzögerungen, Abweichungen und unnötige Nacharbeit auftreten. Diese datengestützte Klarheit beschleunigt nicht nur die Projektlaufzeiten, sondern stellt auch sicher, dass Verbesserungsmaßnahmen auf tatsächliche und nicht auf vermeintliche Engpässe abzielen.

Eine bedeutendere Veränderung findet in der Messphase statt, in der die Unternehmen versuchen, die Prozessleistung zu quantifizieren. In der Vergangenheit haben sich LSS-Praktiker auf kleine Stichprobengrößen und regelmäßige Berichte verlassen, um wichtige Leistungsindikatoren wie Zykluszeiten, Fehlerraten und Prozessfähigkeit (Cpk) zu berechnen. Diese Methoden liefern nur eine statische Momentaufnahme der betrieblichen Effizienz und lassen tägliche Schwankungen und zugrunde liegende Trends außer Acht. Process Mining beseitigt diese Einschränkung, indem es jede Prozessinstanz in Echtzeit verfolgt und so ein kontinuierliches Messsystem anstelle eines intermittierenden Systems bietet. Unternehmen können beobachten, wie sich die Prozessleistung im Laufe des Tages, der Woche oder sogar des Jahres verändert, und so Muster erkennen, die mit herkömmlichen Stichprobenverfahren unmöglich zu erkennen wären.

In der nächsten Phase, der Analyse, wird der Unterschied zwischen den herkömmlichen Six Sigma-Verfahren und den modernen Process Mining-Techniken noch deutlicher. Lean Six Sigma-Praktiker verlassen sich seit langem auf Werkzeuge wie Fishbone-Diagramme, Pareto-Diagramme und Regressionsanalysen, um die Ursachen für Ineffizienzen zu ermitteln. Diese Methoden sind zwar effektiv, hängen aber stark vom Know-how der Analysten ab und können sehr arbeitsintensiv sein. Process Mining automatisiert einen Großteil dieser Ermittlungsarbeit. Hochentwickelte Algorithmen durchsuchen Millionen von Prozessinstanzen und heben Abweichungen hervor, die mit Verzögerungen und Fehlern korrelieren. Die Technologie kann beispielsweise aufdecken, dass die Bearbeitung von Aufträgen an Freitagen 20 % länger dauert als an anderen Wochentagen, was auf personelle Engpässe oder Systemverlangsamungen hinweist. Diese Art von Einblick ermöglicht es Unternehmen, über Vermutungen hinauszugehen und Prozessverbesserungen vorzunehmen, die auf unwiderlegbaren Beweisen beruhen.

In der Verbesserungsphase setzen Unternehmen traditionell Änderungen um, oft durch Pilotprojekte oder manuelle Prozessumgestaltungen. Doch selbst die besten Lösungen sind mit einem gewissen Unsicherheitsfaktor behaftet – Unternehmen müssen Wochen oder Monate warten, um zu beurteilen, ob eine Verbesserung Ergebnisse bringt. Process Mining führt einen radikal anderen Ansatz ein, indem es Unternehmen ermöglicht, Prozessänderungen vor der Implementierung zu simulieren. Anstatt blinde Anpassungen vorzunehmen, können Unternehmen verschiedene Szenarien in einem digitalen Zwilling ihres Prozesses testen. Wenn eine Analyse ergibt, dass die Reduzierung von Genehmigungsschritten die Zykluszeiten um 25 % verkürzen könnte, können die Teams die Änderung modellieren und ihre Auswirkungen bewerten, bevor der Tagesbetrieb unterbrochen wird. Durch diese Vorhersagefähigkeit wird das Risiko ineffektiver Prozessanpassungen drastisch reduziert und sichergestellt, dass nur die wirkungsvollsten Änderungen umgesetzt werden.

Die tiefgreifendste Veränderung findet jedoch in der Überwachungsphase (Control) statt. Eine der häufigsten Herausforderungen bei der Prozessverbesserung ist die Nachhaltigkeit der Fortschritte im Laufe der Zeit. Bei vielen LSS-Projekten werden kurzfristige Erfolge erzielt, die sich jedoch wieder verschlechtern, sobald sich der Fokus auf andere Bereiche verlagert. Herkömmliche Kontrollmechanismen, wie z. B. regelmäßige Audits und Überprüfungen der Einhaltung von Vorschriften, sind oft nicht in der Lage, frühe Anzeichen einer Prozessabweichung zu erkennen. Process Mining ändert diese Dynamik durch die Einführung einer Prozessüberwachung in Echtzeit. Anstatt auf vierteljährliche Berichte zu warten, können Unternehmen die Prozess-KPIs kontinuierlich verfolgen und Anomalien erkennen, sobald sie auftreten. Wenn ein neu optimierter Prozess ins Schleudern gerät – wenn die Zykluszeiten ansteigen oder die Fehlerraten zunehmen –, lösen automatische Warnmeldungen sofortige Untersuchungen aus, so dass Unternehmen eingreifen können, bevor sich kleine Ineffizienzen zu großen Problemen entwickeln.

Durch die Integration von Process Mining in die DMAIC-Methode erweitern Unternehmen nicht einfach nur einen bewährten Rahmen, sondern definieren die Art und Weise der Prozessverbesserung grundlegend neu. Unternehmen sind nicht mehr durch begrenzte Datensätze und retrospektive Analysen eingeschränkt, sondern können in einer Welt arbeiten, in der die Prozessleistung in Echtzeit gemessen wird, Ineffizienzen automatisch aufgedeckt und Verbesserungen kontinuierlich validiert werden. Diese Verschmelzung der strukturierten Methodik von Six Sigma mit der analytischen Leistung von Process Mining stellt die Zukunft der operativen Exzellenz dar – eine Zukunft, in der die kontinuierliche Verbesserung kein Wunsch, sondern eine datengesteuerte Realität ist.

Fallbeispiel: Optimierung der Schadenbearbeitung

Nehmen wir ein weltweit tätiges Versicherungsunternehmen, das mit uneinheitlichen Bearbeitungszeiten für Schadensfälle zu kämpfen hat - ein häufiges Problem im Finanzdienstleistungssektor. Das Unternehmen stellte fest, dass sich die Bearbeitung von Schadensfällen häufig über die vorgegebene Frist von 48 Stunden hinaus verzögerte, was zu einer schlechten Kundenzufriedenheit und zu behördlichen Strafen führte. Herkömmliche Six Sigma-Tools zeigten, dass der Schadenbearbeitungsprozess des Unternehmens einen sinkenden Cpk-Wert aufwies, aber die Ursachen für die Verzögerungen waren unklar.

Durch die Integration von Process Mining war das Unternehmen in der Lage, tiefere Einblicke zu gewinnen. Process Mining zog Daten aus der Schadenmanagement-Software des Unternehmens und rekonstruierte den gesamten Prozess, von der Einreichung des Schadenfalls bis zur endgültigen Genehmigung. Die Erkenntnisse waren aufschlussreich:

• Eine beträchtliche Anzahl von Schadensfällen verzögerte sich aufgrund fehlender Unterlagen oder unvollständiger Formulare, was zu einem langwierigen Nachbearbeitungszyklus führte.
• Bei den von bestimmten regionalen Ämtern bearbeiteten Anträgen kam es aufgrund von Engpässen im manuellen Überprüfungsprozess zu längeren Bearbeitungszeiten. In einem bestimmten Büro wurden die Anträge mehrfach neu zugewiesen, bevor eine endgültige Entscheidung getroffen wurde, was zu Zeitverschwendung und Ineffizienz führte.
• Bei einigen Anträgen, insbesondere solchen mit hohem Streitwert oder komplexen Fällen, wurden übermäßig viele Genehmigungen eingeholt, was den Prozess weiter verlangsamte.

Dank dieser umfassenden Transparenz war das Unternehmen in der Lage, genau festzustellen, wo und warum es zu Verzögerungen kam. Das Versicherungsunternehmen konnte nun Prozessabweichungen direkt mit schlechten Cpk-Werten in Verbindung bringen, was darauf hindeutet, dass diese Ineffizienzen dazu führten, dass der Prozess außerhalb der Spezifikationen lag.

Der nächste Schritt war die Neugestaltung des Workflows bei der Bearbeitung von Schadensfällen. Zum Beispiel:

The next step was to redesign the claims handling workflow. For example:

• Das Unternehmen vereinfachte den Schritt der Dokumentationsprüfung, um die Nacharbeit zu reduzieren.
• Routinegenehmigungen wurden automatisiert, wodurch die Zahl der manuellen Eingriffe in den Prozess verringert wurde.
• Die regionalen Niederlassungen, die als Ausreißer identifiziert wurden, erhielten zusätzliche Schulungen und technologische Unterstützung, um ihre Verfahren zu standardisieren.

Als Ergebnis dieser datengesteuerten Maßnahmen erzielte das Unternehmen Folgendes:

• Eine Verringerung der Bearbeitungszeit um 25 %.
• Eine Verbesserung des Cpk-Wertes von 0,9 auf 1,5, was auf einen wesentlich stabileren und berechenbareren Prozess hinweist.
• Eine Verringerung der Kundenbeschwerden im Zusammenhang mit Verzögerungen bei der Bearbeitung von Schadenfällen um 30 %.

Dieser Fall zeigt, wie Process Mining die Leistungsfähigkeit von Lean Six Sigma steigern kann, indem es granulare Echtzeitdaten liefert, die nicht nur zeigen, dass ein Problem besteht, sondern auch die genauen Faktoren, die dazu beitragen. Anstatt sich auf regelmäßige Six-Sigma-Prüfungen zu verlassen, konnte das Unternehmen nun den Schadenprozess kontinuierlich überwachen und eingreifen, sobald die Leistung von den gewünschten Spezifikationen abwich.

Echtzeit-Überwachung und das Ende von „One-and-Done“-Korrekturen

Der traditionelle Six-Sigma-Ansatz zur Prozessverbesserung folgt oft einem linearen Pfad: Problem definieren, Daten sammeln, Ursachen analysieren, Änderungen umsetzen und dann für zukünftige Schwankungen kontrollieren. In vielen Unternehmen stagnieren die Verbesserungen jedoch in der Kontrollphase. Die Unternehmen implementieren Korrekturen, aber ohne Echtzeit-Prozessüberwachung schleichen sich mit der Zeit wieder Ineffizienzen ein.

Auch hier ist Process Mining ein entscheidender Faktor. Durch die kontinuierliche Überwachung der Cp- und Cpk-Werte in verschiedenen Prozesssegmenten können Unternehmen frühzeitig Anzeichen für eine Leistungsabweichung erkennen. Wenn ein Prozess, der einst einen Cpk-Wert von 1,5 hatte, plötzlich auf 1,1 abfällt, kann ein automatischer Alarm eine Untersuchung auslösen, bevor die Ineffizienz eskaliert. So wird die Prozessverbesserung von einer reaktiven, episodischen Übung zu einer kontinuierlichen, proaktiven Strategie.

In Branchen wie dem Finanzdienstleistungssektor und dem Gesundheitswesen, wo die Einhaltung von Vorschriften und die Qualitätskontrolle von größter Bedeutung sind, ist diese Fähigkeit besonders wertvoll. Ein Krankenhaus muss beispielsweise sicherstellen, dass die Prozesse zur Entlassung von Patienten den strengen Compliance-Standards entsprechen. Wenn die Cpk-Werte aufgrund von Verfahrensabweichungen zu sinken beginnen – vielleicht hat ein neues Software-Update einen zusätzlichen, unbeabsichtigten Schritt eingeführt – kann Process Mining das Problem sofort aufzeigen, bevor es die Patientenversorgung beeinträchtigt.

Von der historischen Analyse zur prädiktiven Prozessoptimierung

Bei der Integration von Process Mining und Six Sigma geht es nicht nur darum, die Art und Weise zu verbessern, wie Unternehmen Prozesse messen, sondern auch darum, wie sie diese optimieren. Traditionell wenden Unternehmen Six-Sigma-Methoden auf historische Daten an, um Muster zu erkennen, nachdem bereits Probleme aufgetreten sind. Doch mit den KI-gesteuerten Fortschritten im Process Mining können Unternehmen nun Prozessabweichungen vorhersagen, bevor sie auftreten.

Durch die Analyse großer Mengen historischer Prozessdaten kann die KI vorhersagen, wann und wo ein Prozess wahrscheinlich von der Spezifikation abweicht. Wenn Daten aus der Vergangenheit darauf hindeuten, dass ein bestimmter Lieferant unter bestimmten saisonalen Bedingungen häufig verspätete Lieferungen verursacht, kann die prädiktive Analytik präventive Prozessanpassungen auslösen, z. B. die Umleitung von Aufträgen oder die Anpassung von Bestandspuffern, bevor es zu Verzögerungen kommt.

Diese Verlagerung von der reaktiven Prozessverbesserung zur vorausschauenden Prozesssteuerung macht die Kombination von Process Mining und Six Sigma so leistungsfähig. Sie ermöglicht es Unternehmen, über periodische Leistungsbewertungen hinauszugehen und ein Modell der kontinuierlichen, intelligenten Prozessoptimierung einzuführen.

Ein neuer Standard für Process Excellence

Die digitale Transformation der Geschäftsabläufe erfordert einen neuen Standard für Process Excellence – einen Standard, der nicht mehr auf manuelle Datenerfassung, statische Berichte oder nachträgliche Analysen angewiesen ist. Die Integration von Process Mining mit der Six Sigma-Prozessfähigkeitsanalyse stellt die Zukunft der operativen Exzellenz dar und bietet ein Maß an Präzision, Transparenz und Agilität, das zuvor nicht erreichbar war.

Für Führungskräfte und Entscheidungsträger im Bereich der Prozessverbesserung ist die Botschaft klar: In einer Zeit, in der Geschwindigkeit, Effizienz und Qualität an erster Stelle stehen, werden Unternehmen, die die Überwachung der Prozessfähigkeit in Echtzeit, KI-gestützte Ursachenanalyse und vorausschauende Prozessoptimierung einsetzen, einen entscheidenden Wettbewerbsvorteil erlangen.

Wenn Unternehmen die Komplexität moderner Betriebsabläufe meistern, wird das wahre Unterscheidungsmerkmal nicht nur die Prozesseffizienz sein – sondern die Prozessintelligenz. Diejenigen, die ihre Prozesse in Echtzeit sehen, verstehen und optimieren können, werden den Standard für die nächste Generation der operativen Exzellenz setzen.

‍

Autoren:
‍Josua Reimold, Jutta Reindler

‍

Quellen:

Graafmans, Teun & Turetken, Oktay & Poppelaars, Hans & Fahland, Dirk. (2021). Process Mining for Six Sigma: A Guideline and Tool Support. Business & Information Systems Engineering.

Geffen, F.V., & Niks, R. (2013). Accelerate DMAIC using Process Mining.

Pongboonchai-Empl, T., Antony, J., Garza-Reyes, J. A., Komkowski, T., & Tortorella, G. L. (2023). Integration of Industry 4.0 technologies into Lean Six Sigma DMAIC: a systematic review. Production Planning & Control, 35(12), 1403–1428. https://doi.org/10.1080/09537287.2023.2188496

Ramires, Francisco & Sampaio, Paulo. (2021). Process mining and lean six sigma: a novel approach to analyze the supply chain quality of a hospital. International Journal of Lean Six Sigma. ahead-of-print.

Six Sigma (2024). Six Sigma Principles. Process Capability Index (Cpk) for Business Success.https://www.6sigma.us/process-improvement/process-capability-index-cpk/