Optimierte Auswertung von rohen Geschäftsprozessdaten durch Künstliche Intelligenz

Das Qualitative Labeln bereitet rohe Geschäftsprozessdaten in verständlicher Form auf, indem messbare Daten mit KPIs (KPI = Key Performance Indicator) qualitativ bewertet und Zusammenhänge gelernt werden. So gewinnnen Prozessverantwortliche automatisiert Erkenntnisse, die zu einer Verbesserung von organisatorischen Maßnahmen in den Geschäftsprozessen beitragen. Diese Methode zeigt, wie die Analyse von Datenströmen mit Hilfe von KI die Wertschöpfung unterstützten kann.

Deep Qualicision ist Bestandteil des PSI-Frameworks für Industrielle Intelligenz und ein Softwaretool des Maschinellen Lernens, welches auf der selbsttätigen Erkennung von KPI-basierten Zusammenhängen in den Geschäftsprozessen beruht. Die rohen Geschäftsprozessdaten werden mittels Erweiterter Fuzzy-Logik und spezieller Clusterverfahren ausgewertet.

Damit ist der Start in die Welt der Anwendung von KI-Methoden für Unternehmen, sogar für kleine und mittlere, denkbar einfach.

Die KPI-Zusammenhangsanalyse hilft selbsttätig, die Geschäftsprozessdaten so einzuordnen, dass aus rohen Daten Zusammenhänge abgeleitet werden, die die weitere, für den Menschen verständliche, Nutzung der Daten durch KI-Methoden ermöglichen.

Einfache Eingabe bestehend aus Zeitreihen über Geschäftsprozessdaten und Kennzahlen

Die Eingabe für die Software besteht im Wesentlichen aus zwei Hauptkomponenten: Zum einen werden Datenströme des zu analysierenden Geschäftsprozesses mitgeschrieben und mit Hilfe von Zeitstempeln automatisch in Zeitreihen (Time Series, kurz TS) umgewandelt. Zum anderen werden mit den für den Geschäftsprozess Verantwortlichen (Process Owner, kurz POWN) Kennzahlen (KPIs) abgestimmt, anhand derer der betreffende Geschäftsprozess analysiert werden soll. Zusätzlich werden noch die Wertebereiche der KPIs in gewünschte und nicht gewünschte Wertebereiche eingeteilt.

Für eine Anlage in einem produzierenden Betrieb können beispielsweise die Auslastung der Anlage und die Rüstzeiten als KPIs betrachtet werden. Dabei kann für die Auslastung ein Prozentwert von größer als 85 Prozent als erstrebenswert und positiv festgelegt werden. Werte unter 85 Prozent sind dagegen negativ und werden, je weiter von dieser Mindestzielgröße nach unten abweichend, als zunehmend ungünstig angesehen (siehe Abbildung 1).

Die Bewertung von positiven und von nicht anzustrebenden Bereichen kann ein Prozessverantwortlicher (POWN) auch ohne tiefergehende KI-Kenntnisse durchführen, da diese seiner alltäglichen Bewertung der Prozessabläufe entsprechen.

Gelernte Erkenntnisse in der Wertschöpfungskette für den Menschen verständlich gemacht

Entlang der Wertschöpfungskette des Geschäftsprozesses werden nun solche und ähnliche Datenströme sowie die zugehörigen KPIs mit Zeitstempeln versehen und laufend abgespeichert. Auf diese Weise entstehen Zeitreihen, die direkt von Deep Qualicision so ausgewertet werden, dass positive und negative Zusammenhänge im Sinne der KPIs erkannt und gelernt werden.

Diese Zusammenhänge können dem POWN in einer für den Menschen verständlichen Form zur Verfügung gestellt werden.

Beispiele positiver Zusammenhänge können Eigenschaften von Aufträgen sein, die besonders gut zu den Fähigkeiten des Fertigungsprozesses passen. Negative Zusammenhänge können beispielsweise die Gründe für Verspätungen gegenüber Planterminen oder Klassen von Auftragseigenschaften sein, die vermehrt zur Entstehung von Flaschenhälsen im Geschäftsprozess führen.

Automatisiertes Erkennen von Verbesserungspotenzialen

Erkenntnisse dieser Art können durch den POWN direkt betrachtet und genutzt werden, um beispielsweise organisatorische Maßnahmen einzuleiten. Häufen sich zum Beispiel für bestimmte Variantenkombinationen von Produkteigenschaften Terminverletzungen oder sinkt hierfür die Auslastung der Anlagen, so kann mit Produkten, die diese Eigenschaften aufweisen, gezielt anders umgegangen werden.

Anhand der KPIs lässt sich gleichzeitig genau bewerten, welches Verbesserungspotenzial die einzuleitenden Maßnahmen monetär nach sich ziehen werden.

Die Sicherheit, die die Einleitung der Maßnahmen dabei begleitet, ist unmittelbar gegeben, denn die Maßnahmen leiten sich mittels der Deep Qualicision KI direkt aus den Geschäftsprozessdaten ab.

Vorbereitend für den Einsatz weiterführender optimierender KI-Methoden

Das automatisierte Ableiten von qualitativen Erkenntnissen durch Lernen von Zusammenhängen aus rohen Geschäftsprozessdaten angereichert mit Informationen über KPIs des Geschäftsprozesses ist zudem nicht nur für die Erkenntnisgewinnung über den jeweiligen Geschäftsprozess nützlich.

Vielmehr bereitet das Verfahren Unternehmen auf die anschließende Anwendung weiterer KI-Methoden zur Optimierung der Geschäftsprozesse vor.

Jeder neu gewonnene Zusammenhang ist potenziell die Grundlage für eine weitere Kennzahl, die als KPI in die Deep-Qualicision-Analyse als Rückkopplung einfließen kann. So können Unternehmen ihre Geschäftsprozesse nicht nur gezielt steuern, sondern diese nach und nach in de facto sich selbst optimierende Regelkreise überführen.

Ausgehend von Geschäftsprozessdaten lässt sich damit deutlich besser der zunehmenden Dynamik der Geschäftsprozesse gerecht werden. Die Oberfläche der zugehörigen Software ist in Abbildung 2 dargestellt.

Diese sonst vielfach gefürchtete Dynamik verliert ihren Schrecken.

Deep Qualicision KI als Bestandteil des PSI-Frameworks für Industrielle Intelligenz

Der oben geschilderte lernende Analysevorgang kann rollierend immer wieder eingeleitet werden. Durch die Allgemeingültigkeit der Software kann jede auf der Behandlung von KPIs beruhende bereits vorliegende PSI-Software als KPI-Analyse-Maschine eingesetzt werden.

Jede bestehende PSI-Anwendung kann damit um selbstlernende Analyse-Fähigkeiten erweitert werden, die systematisch die Einführung weiterer KI-Funktionalitäten vorbereiten. Um solch eine Erweiterung in Zukunft durchgängig zu ermöglichen, ist die Software an das PSI-Framework für die Industrielle Intelligenz (CII Framework) unter anderem mittels der PJF-basierten PSIbus-Technologie angebunden.

Die dargestellte methodische Vorgehensweise lässt sich über alle Ebenen der Geschäftsprozesse einführen (siehe Abbildung 3). Somit entsteht nach und nach eine KI-gerechte Architektur einer Analyse- und Nutzlogik. Beginnend mit den rohen Geschäftsprozessdaten über die Qualifizierung der Daten mittels KPIs und durch Maschinelles Lernen ermöglicht sie das Aufdecken von Prozesszusammenhängen.