Digitale Unternehmen stehen vor einer zentralen Herausforderung: Sie sitzen auf riesigen Datenmengen – aber nutzen sie oft nicht. Moderne Technologien wie Process Mining und Robotic Process Automation (RPA) helfen dabei, Prozesse transparent zu machen, Engpässe aufzudecken und wiederkehrende Aufgaben zu automatisieren. Eine aktuelle Forschungsarbeit zeigt anhand zweier fiktiver Unternehmen, wie das in der Praxis funktioniert – und wo Stolpersteine liegen.
Warum Process Mining und RPA heute unverzichtbar sind
ERP-Systeme wie
SAP S/4HANA erzeugen täglich tausende Ereignisdaten. In ihnen steckt
wertvolles Wissen über Abläufe, Verzögerungen und
Optimierungspotenziale. Process Mining macht diese Daten
sichtbar:‑Systeme wie SAP S/4HANA erzeugen täglich tausende
Ereignisdaten. In ihnen steckt wertvolles Wissen über Abläufe,
Verzögerungen und Optimierungspotenziale. Process Mining macht diese
Daten sichtbar:
Wie laufen Prozesse wirklich ab?
Wo entstehen Wartezeiten?
Welche Varianten treten auf – und welche davon sind unerwünscht?
RPA setzt genau dort an: Sobald klar ist, welche Schritte standardisiert und regelbasiert sind, können Software-Bots diese Aufgaben übernehmen – schnell, fehlerfrei und rund um die Uhr Bots diese Aufgaben übernehmen – schnell, fehlerfrei und rund um die Uhr.
Welche Tools im Markt führend sind
Die Studie
orientiert sich am Gartner Magic Quadrant und fokussiert auf die
Marktführer:
Process Mining
Celonis EMS Leistungsstark, skalierbar, mit eigener Abfragesprache (PQL) und innovativen Funktionen wie Process Sphere und Business Miner. Herausforderung: steile Lernkurve und hoher Implementierungsaufwand.
RPA
UiPath Eine umfassende Low‑Code‑Plattform mit RPA, App‑Entwicklung, Dokumentenverarbeitung und Cloud‑Bereitstellung. Herausforderung: Einarbeitung und teilweise ausbaufähiger Support für Einsteiger.
Beide Tools wurden für die prototypische Umsetzung ausgewählt.
Datenextraktion aus SAP S/4HANA – ein kritischer Erfolgsfaktor
Bevor Process
Mining starten kann, müssen Event Logs aus SAP extrahiert werden.
Die Studie zeigt zwei Wege:‑Logs aus SAP extrahiert werden. Die
Studie zeigt zwei Wege:
Direkte Datenverbindung (Extractor, API, Berechtigungen, Delta Loads)‑Loads)
Export & manueller Import (CSV/XML, Excel Vorbereitung, Transformation)‑Vorbereitung, Transformation)
Wichtig:
tiefes Verständnis der SAP Tabellenstrukturen‑Tabellenstrukturen
enge Zusammenarbeit mit Administratoren
saubere Datenqualität
Gerade für KMU ist dieser Schritt oft die größte Hürde.
Process Mining in der Praxis: Analyse eines Fahrradvermietungsprozesses
Am Beispiel des
SAP-Modellunternehmens „Global Bike Sharing“ der SAP University
Alliance wurde ein kompletter Prozess analysiert. Erkenntnisse:
Durchschnittliche Durchlaufzeit: 188 Minuten
Happy Path umfasst 6 Schritte – aber nur 25,6 % der Fälle folgen ihm
Unerwünschte Aktivitäten wie „Fehler melden“ oder „Bonität prüfen“ verlängern den Prozess erheblich
Die Bonitätsprüfung ist ein idealer Automatisierungskandidat (tritt in 25 % der Fälle auf und dauert im Schnitt 155 Minuten)
Die Analyse zeigt: Process Mining liefert nicht nur Transparenz, sondern klare Prioritäten für Automatisierung.
RPA in der Praxis: Automatisierung eines SAP-Prozesses
Für die
prototypische Automatisierung wurde ein Prozess des
SAP-Modellunternehmens „Global Bike Inc.“ im Rahmen der SAP
University Alliance gewählt: Material anlegen in SAP S/4HANA.
Manuell: 2–5 Minuten automatisiert: wenige Sekunden
UiPath Studio ermöglicht die Erstellung eines Bots über:
Workflow‑Definition
UI‑Selektoren
SAP Verbindung‑Verbindung
Iteratives Testen
Veröffentlichung im UiPath Orchestrator
Die Studie zeigt deutlich: RPA lohnt sich besonders bei häufigen, regelbasierten und zeitintensiven Tätigkeiten.
Herausforderungen, die Unternehmen kennen sollten
Die prototypische Umsetzung macht
sichtbar, wo es in der Praxis hakt:
1. Datenextraktion aus SAP
Komplex, berechtigungsintensiv, technisch anspruchsvoll.
2. Tool-Komplexität‑Komplexität
Celonis und UiPath sind mächtig – aber erfordern Einarbeitung und Erfahrung.
3. Prozessauswahl
Nicht jeder Prozess eignet sich für RPA. Process Mining hilft, die richtigen Kandidaten zu finden.
4. Change Management
Automatisierungen müssen gepflegt werden, da sich Prozesse und Systeme ändern.
Fazit: Ein klarer Weg zu effizienteren Prozessen
Die Studie zeigt eindrucksvoll, wie
Process Mining und RPA zusammenspielen:
Daten sichtbar machen
Ineffizienzen identifizieren
Automatisierungspotenziale priorisieren
Bots entwickeln und produktiv setzen
Kontinuierlich optimieren
Für Unternehmen – gerade im Mittelstand – bedeutet das: Weniger manuelle Arbeit, schnellere Abläufe, weniger Fehler und mehr Fokus auf wertschöpfende Tätigkeiten.
Für eine Weiterführung empfiehlt die Studie, die analysierten Prozesse vollständig in SAP abzubilden, um Automatisierungen direkt im realen System zu messen und weiterzuentwickeln.
Die vollständige Arbeit ist Teil des Bands 5, Forschung Informationsmanagement, der Schriftenreihe Wirtschaftsinformatik und kann kostenlos über den Shop der Steinbeis Edition heruntergeladen werden: