Explainable Process Mining: KIGA-Abschluss – Von der Forschung zu fundierten KI-Ansätzen

Explainable Process Mining hilft Unternehmen dabei, komplexe Prozessanalysen aus SAP Event-Logs nachvollziehbar und verständlich zu machen. Genau hier setzt das BayVFP-Forschungsprojekt KIGA an: Es zeigt, wie sich Process Mining, Explainable AI und Generative AI kombinieren lassen, um datenbasierte Entscheidungen besser zu erklären und Geschäftsprozesse fundierter zu analysieren.

SAP-Prozesse erzeugen eine große Menge wertvoller Daten. Doch aus diesen Daten vertrauenswürdige Entscheidungen über Geschäftsprozesse abzuleiten, ist nicht immer einfach. Event Logs enthalten häufig zahlreiche Varianten, Ausnahmen, übersprungene Prozessschritte und Abweichungen. Process Mining macht diese Muster sichtbar. Entsteht daraus jedoch ein komplexes Prozessmodell, stellt sich die nächste Frage: Wie können Fachanwender, Prozesseigentümer und Analysten diese Erkenntnisse nachvollziehen und richtig interpretieren?

Genau dieser Fragestellung widmete sich in den vergangenen Jahren das Forschungsprojekt KIGA. Ziel des Projekts war es zu untersuchen, wie Explainable Process Mining die Prozessanalyse transparenter, verständlicher und damit praktischer nutzbar machen kann. Für dab ist dieses Thema eng mit unserer Arbeit rund um Unternehmensdaten, SAP-Event-Logs, Analytics, Nachvollziehbarkeit und Prozessoptimierung verbunden. KIGA bot uns die Möglichkeit, neue Ansätze an der Schnittstelle von Process Mining, Explainable AI, semantischen Event-Daten und generativer KI für Process Mining zu erforschen.

KIGA auf einen Blick: Explainable Process Mining realisieren

KIGA verfolgte ein zentrales Ziel: die Ergebnisse komplexer Process-Mining-Analysen leichter verständlich und überprüfbar zu machen. Im Projekt wurde untersucht, wie Event Logs mit zusätzlichem Prozesswissen angereichert werden können, wie sich ähnliche Prozessausführungen zu sinnvollen Clustern zusammenfassen lassen und wie diese Cluster so erklärt werden können, dass Menschen sie verstehen und nachvollziehen können. Der aktuelle Demonstrator vereint diese Ansätze in einem interaktiven Dashboard. Er kombiniert Process Mining, erklärbare Clusteranalysen, Conformance Checking und eine LLM-basierte Chat-Schnittstelle, die auf definierten Funktionsaufrufen statt auf freien Vermutungen basiert.

Von Event Logs zu verständlichen Prozesseinblicken

Bereits zu Beginn von KIGA war das zentrale Problem klar: Process-Mining-Analysen in realen Unternehmensumgebungen liefern häufig technisch korrekte Modelle, die jedoch schwer zu interpretieren sind.

Ein Prozessmodell kann hunderte von Varianten enthalten. Es macht Nacharbeiten, fehlende Aktivitäten, ungewöhnliche Prozesspfade und Abweichungen von erwarteten Abläufen sichtbar. Selbst für Process-Mining-Experten kann dies herausfordernd sein. Für Fachanwender, Auditoren oder Prozesseigentümer ist es oft noch schwieriger zu erkennen, welche Erkenntnisse tatsächlich relevant sind.

Deshalb konzentrierte sich das Projekt auf drei eng miteinander verbundene Ansätze:

• Anreicherung von Event Logs mit semantischen Informationen
• Identifikation sinnvoller Teilprozesse durch Clustering
• Nachvollziehbare und erklärbare Clusterbeschreibungen

Ein wichtiger Forschungsbereich war das Konzept der semantischen Event Logs. Vereinfacht gesagt werden dabei Rohdaten um zusätzlichen Kontext ergänzt. Statt ausschließlich die Reihenfolge von Aktivitäten zu analysieren, werden regelbasierte Informationen über die Bedeutung und Zusammenhänge einzelner Prozessschritte berücksichtigt. Dadurch entsteht eine bessere Grundlage für Explainable Process Mining. Ziel ist es nicht nur, ein Prozessmodell zu entdecken, sondern auch zu verstehen, warum bestimmte Prozessinstanzen zusammengehören, wie sie sich von anderen unterscheiden und wo Abweichungen auftreten.

Warum Explainability in Process Mining entscheidend ist

Process Mining unterstützt häufig Entscheidungen in Bereichen wie Rechnungswesen, Einkauf, Compliance, Risikomanagement, Operations und Business Intelligence. In all diesen Bereichen ist Transparenz entscheidend. Wenn ein Dashboard zeigt, dass sich eine Gruppe von Fällen anders verhält als der Rest, müssen Anwender verstehen, warum. Wenn eine Prozessvariante besonders viele Abweichungen aufweist, muss ersichtlich sein, welche Aktivitäten oder Regeln dafür verantwortlich sind. Und wenn ein KI-gestützter Assistent Prozessmuster erklärt, sollten sich seine Aussagen auf die zugrunde liegenden Daten zurückführen lassen.

Gerade bei SAP-basierten Prozessanalysen ist dies relevant. SAP-Systeme enthalten hochstrukturierte Geschäftsdaten, dennoch muss das tatsächliche Prozessverhalten erst aus Ereignissen, Zeitstempeln, Aktivitäten, Belegen und Stammdaten rekonstruiert werden. Ohne verständliche Erklärungen bleiben Process-Mining-Ergebnisse häufig zu technisch für diejenigen, die davon am meisten profitieren könnten.

KIGA adressierte genau diese Herausforderung durch die Kombination von Process Mining und Verfahren der Explainable AI. Dabei wurde untersucht, wie sich Prozesscluster regelbasiert beschreiben, Abweichungen zusammenfassen und technische Ergebnisse in verständliche Sprache übersetzen lassen.

Generative AI für Process Mining: Chancen und Grenzen

Zu Beginn von KIGA lag der Schwerpunkt vor allem auf semantischen Methoden, Clustering und erklärbaren Prozessmodellen. Im Verlauf des Projekts wurden generative KI und Large Language Models (LLMs) jedoch deutlich breiter verfügbar. Dadurch eröffneten sich neue Möglichkeiten. Das Projekt setzte jedoch nicht darauf, die gesamte Prozessanalyse einem LLM zu überlassen. Für Unternehmensanalysen wäre dies nicht ausreichend verlässlich. Zwar können Sprachmodelle überzeugende Texte erzeugen, sie sind jedoch nicht dafür ausgelegt, eigenständig komplexe numerische Daten, Prozessstrukturen, Rangfolgen oder Conformance-Ergebnisse zuverlässig auszuwerten.

Stattdessen entwickelte sich die Forschung in Richtung eines kontrollierten Ansatzes: Generative KI dient als Schnittstelle für Erklärungen, während die eigentlichen Analyseergebnisse weiterhin auf berechneten Process-Mining- und Explainable-AI-Verfahren basieren.

Dieser Unterschied ist wesentlich. In den KIGA-Demonstratoren entscheidet das LLM nicht darüber, was ein Prozess bedeutet. Die relevanten Ergebnisse entstehen durch Process Mining, Clustering, Conformance Checking und Erklärungsverfahren. Das Sprachmodell unterstützt lediglich dabei, diese Ergebnisse in natürlicher Sprache zugänglich zu machen.

Von Retrieval zu Agentic AI im Process Mining: Der nächste Schritt

Ein früherer Demonstrator untersuchte bereits, wie Prozesscluster und ihre Erklärungen durch ein interaktives Dashboard und generative KI besser zugänglich gemacht werden können. Dabei wurden Clustering, regelbasierte Erklärungen und eine Power-BI-Oberfläche mit Retrieval-Augmented Generation (RAG) kombiniert.

Der aktuelle Demonstrator geht einen Schritt weiter. Er bewegt sich in Richtung Agentic AI für Process Mining und nutzt kontrollierte Funktionsaufrufe sowie Conformance Checking gegenüber einem normativen Prozessmodell. Vereinfacht gesagt erhält der Agent einen definierten Satz von Werkzeugen. Diese können Kennzahlen abrufen, Cluster vergleichen, Ähnlichkeiten identifizieren, Regeln erläutern oder Conformance-Informationen bereitstellen. Stellt ein Nutzer eine Frage, wählt der Agent die benötigten Funktionen aus, ruft sie auf und formuliert auf Basis der zurückgegebenen Daten eine Antwort.

Dieser Ansatz reduziert das Risiko unbegründeter oder nicht nachvollziehbarer Erklärungen. Der Agent erfindet keine Interpretationen, sondern arbeitet ausschließlich mit Werten, Regeln und Erklärungen aus der zugrunde liegenden Analysepipeline. Für Unternehmen stellt dies einen wichtigen Schritt hin zu transparenter KI-gestützter Analyse dar. Prozesseigentümer können Fragen in natürlicher Sprache stellen, während die Antworten weiterhin auf überprüfbaren Prozessdaten basieren.

Was das für SAP-Prozessteams bedeutet

Für SAP-Prozessteams liegt der praktische Nutzen vor allem darin, komplexe Prozessdaten einfacher analysieren und diskutieren zu können. Anstatt lediglich auf ein umfangreiches Prozessmodell zu schauen, können sich Nutzer gezielt mit einzelnen Clustern, Abweichungen oder Regeln beschäftigen. Sie können Teilprozesse vergleichen, Ursachen für unterschiedliche Prozessverläufe untersuchen und die zugrunde liegenden Daten hinter einer Erklärung nachvollziehen. Dadurch werden fundiertere Gespräche zwischen Fachbereichen, Analysten, IT-Teams und Audit-Verantwortlichen möglich. Ziel ist nicht die Automatisierung menschlicher Entscheidungen, sondern die Schaffung von mehr Transparenz, Struktur und Nachvollziehbarkeit bei Prozesseinsichten.

Für Unternehmen, die mit SAP-Event-Logs arbeiten, zeigt das Projekt eine klare Richtung auf: Process-Mining-Ergebnisse sollten nicht nur visualisiert, sondern auch erklärbar, nachvollziehbar und eng mit den tatsächlichen Fragestellungen der Fachbereiche verknüpft sein.

Was wir gelernt haben

KIGA hat gezeigt, dass Explainable Process Mining mehr benötigt als eine bessere Visualisierung. Komplexe Event Logs erfordern mehrere Ebenen der Unterstützung: semantische Anreicherung, Clustering, regelbasierte Erklärungen, Conformance Checking und eine benutzerfreundliche Interaktion.

Das Projekt hat außerdem verdeutlicht, dass generative KI ihren größten Mehrwert dort entfaltet, wo sie auf nachvollziehbaren und überprüfbaren Ergebnissen basiert. Der Nutzen liegt nicht darin, Prozessmodelle frei interpretieren zu lassen, sondern natürliche Sprache mit belastbaren Analysewerkzeugen zu verbinden. Dies ersetzt die Expertise von Fachleuten nicht. Der Demonstrator ist ein Forschungsergebnis und muss für jeden praktischen Anwendungsfall sorgfältig validiert werden. Er zeigt jedoch, wie Analysten, Prozesseigentümer und Fachanwender künftig deutlich transparenter und strukturierter mit komplexen Prozessdaten arbeiten können.

Explainable Process Mining in der Praxis

Der aktuelle KIGA-Demonstrator bildet den praktischen Abschluss dieses Forschungswegs. Er demonstriert fundierte LLM-basierte Erklärungen für Explainable Process Mining mittels agentischer Funktionsaufrufe.

• Microsoft Power Automate Process Mining wird für Prozessentdeckung und visuelle Analysen eingesetzt.
• Power BI dient als interaktives Dashboard für Prozessgraphen, Kennzahlen, Visualisierungen und Analysen.
• Eigene XAI-Komponenten ergänzen erklärbare Clusteranalysen und Conformance Checking.
• Eine agentische LLM-Schnittstelle ermöglicht Fragen zu Prozessen, Clustern, Abweichungen, Ähnlichkeiten und Regeln.

Der Demonstrator analysiert Event-Log-Daten, identifiziert Prozessvarianten und Cluster, prüft die Konformität mit einem normativen Prozessmodell und erklärt Muster in einer für Fachanwender verständlichen Form. Dabei kommen sowohl alignmentbasiertes Conformance Checking als auch deklaratives Conformance Checking auf Basis regelbasierten Prozesswissens zum Einsatz.

So lassen sich beispielsweise folgende Fragen beantworten:

• Warum ist dieses Cluster nicht konform?
• Welche Abweichungen sind für diese Fallgruppe besonders relevant?
• Wodurch unterscheiden sich zwei Cluster?
• Welches Cluster ist am ähnlichsten?
• Tritt ein bestimmter Regelverstoß in einer Teilgruppe häufiger auf als im Gesamtdatensatz?

Das Dashboard macht zudem transparent, welche Werkzeuge der Agent verwendet hat. Anwender können nachvollziehen, welche Funktionen aufgerufen wurden und welche strukturierten Daten als Grundlage für die Antwort dienten. Gerade bei Analyse- oder Audit-Anwendungen ist dies entscheidend, um Vertrauen in KI-gestützte Systeme zu schaffen. Die zugrunde liegende Idee ist einfach: KI-Erklärungen sollen verständlich sein – aber gleichzeitig auf belastbaren Daten basieren.

Bitte erlauben Sie die Marketing-Cookies, um fortzufahren

Dieser Anspruch an erklärbare und nachvollziehbare Process-Mining-Ergebnisse zeigt sich bereits in konkreten Anwendungen. Der dab AI Analyst greift genau diese Prinzipien auf und überträgt sie auf die Analyse von SAP-Daten: Analyseergebnisse werden automatisch interpretiert, Muster und Abweichungen erkannt und in ihrem fachlichen Kontext verständlich aufbereitet. Ergänzt um interaktive Visualisierungen und einen integrierten Chat entsteht so eine konsistente Arbeitsgrundlage, die es Fachbereichen, IT und Audit ermöglicht, komplexe Zusammenhänge nachvollziehbar zu analysieren und fundiert zu diskutieren.

Möchten Sie erfahren, wie Explainable Process Mining, SAP-Event-Logs oder KI-gestützte Analysen die Transparenz Ihrer Prozesse verbessern können? Das Team von dab freut sich auf den Austausch.

Ein gemeinschaftliches Forschungsprojekt

Zum Abschluss ist hervorzuheben, dass KIGA ein gemeinsames Forschungsprojekt von dab, wissenschaftlichen Partnern, Studierenden und Forschenden verschiedener Institutionen war. Das Projekt bündelte Expertise aus den Bereichen Process Mining, Explainable AI, Logik, Wissensrepräsentation, Generative AI, Netzwerkvisualisierung und angewandte Unternehmensanalytik.

Besonderer Dank gilt allen Projektbeteiligten, die KIGA über die Jahre maßgeblich geprägt haben, darunter Christian Dormagen, Oleksii Kalashnikov, Andreas Fischer, Ute Schmid, Stephan Scheele sowie dem erweiterten Projektumfeld. Ebenso danken wir VDI/VDE sowie dem BayVFP-Förderrahmen für die Unterstützung dieser Forschungsarbeit.

Aus dem Projekt entstanden zahlreiche wissenschaftliche Beiträge zu Explainable Clustering, semantischen Event-Daten, Generative AI für Process Mining und agentischen Erklärungsansätzen. Ebenso wichtig ist jedoch, dass diese Ideen in konkrete Demonstratoren überführt wurden, die zeigen, wie Forschung und praxisnahe Unternehmensanalysen erfolgreich zusammenfinden können. Diese Publikationen finden Sie auf der Projekte-Website.