Industrie 4.0 Leitfaden

Fallstudien zu Process Mining in der Produktion

Liste von Process Mining Fallstudien in der Produktion. Überblick über Anwendungstypen und Anwendungsfälle in verschiedenen Produktionsumgebungen.
Fallstudien zu Process Mining in der Produktion

Warum Process Mining in der Produktion?

Process Mining ist eine neue Technologie, die Ereignisprotokolle von IT-Systemen nutzt, um ein Verständnis der Ist-Prozesse zu ermöglichen. Da Datentransparenz eine Voraussetzung für die digitale Transformation in Produktion ist, ist Process Mining ein wichtiger Wegbereiter für die Schaffung eines datengesteuerten shop floor. Die Auswirkungen können dramatisch sein und umfassen in der Regel einen höheren Durchsatz, eine bessere Maschinenauslastung und geringere Kosten für Abweichungen. Mit Process Mining können Produktionsengpässe erkannt und unnötige Prozessschritte reduziert werden. Process Mining ermöglicht es Produktion Unternehmen, Prozessineffizienzen zu identifizieren, ihre Ursachen zu verstehen und Produktionsprozesse auf der Grundlage datengestützter Erkenntnisse kontinuierlich zu verbessern. Die drei Hauptaufgaben der Software Process Mining sind die Prozesserkennung, die Konformitätsprüfung und die Verbesserung des Prozessmodells. Um mehr darüber zu erfahren, was Process Mining ist und wie es funktioniert, lesen Sie bitte unseren Einführungsartikel "Process Mining für die Produktion".

Vorteile von Process Mining in der Produktion

Mit Process Mining erhalten produzierende Unternehmen volle Transparenz über den Status ihrer Produktion. Die sich daraus ergebenden Vorteile sind vielfältig und umfassen: 

  • Verbesserte OEE und Maschinennutzung: z. B. durch Verbesserung der reaktiven Wartungsrate und Umwandlung der reaktiven Wartung in eine vorausschauende Wartung. Durch die Analyse historischer Daten können optimale Wartungsfenster ermittelt werden, um die für reaktive Wartung aufgewendete Zeit zu reduzieren.
  • Senkung der Qualitätskosten: Durch die Ermittlung von Zusammenhängen zwischen Materialfehlern und Nacharbeit können Qualitätsprozesse automatisch verbessert werden, was zu einer Senkung der Qualitätskosten führt.
  • Verbesserter Durchsatz: Durch die Identifizierung unnötiger Wartezeiten können Prozessengpässe beseitigt werden, was zu kürzeren Zykluszeiten und höherem Durchsatz führt.
  • Verbesserte Termintreue: Durch die Verbesserung der Prozesskonformität kann die Termintreue verbessert werden, so dass Aufträge mit hoher Priorität rechtzeitig ausgeliefert werden können.

Fallstudien für Process Mining in der Produktion

Typische Anwendungsbereiche in verschiedenen Produktionsumgebungen

Um einen umfassenden Überblick über die Verwendung von Process Mining in der Produktion zu erhalten, haben wir eine systematische Literaturrecherche von Forschungspublikationen über Process Mining im industriellen Umfeld durchgeführt. Process Mining in der Produktion ist eine vielversprechende Technologie und die Zahl der Publikationen mit Anwendungsbeispielen wächst ständig. Wir haben die folgenden Publikationen als Ausgangspunkt für unsere Untersuchung verwendet:

Dreher et al. verwenden das SCOR-Modell, um die verfügbaren Fallstudien entlang der Prozesstypen Plan, Source, Make, Deliver, Return und Enable zu gruppieren. Der Make-Prozess ist der Kernprozess der Produktion und umfasst alle Aktivitäten, die Material in fertige Produkte umwandeln. Dementsprechend wurden die meisten Veröffentlichungen aus der Studie dem Make-Prozess zugeordnet (insgesamt 13 Veröffentlichungen). Bei unserer Recherche haben wir weitere Publikationen zum Make-Prozess gefunden und insgesamt 22 publizierte Fallstudien analysiert. Abhängig von der Produktionsart und der Branche sind die erwarteten Vorteile und Verbesserungsmöglichkeiten von Process Mining unterschiedlich, sodass wir die verschiedenen Produktionsarten geclustert haben. Da die von den Autoren angegebenen Anwendungsfälle und Anwendungsbereiche unterschiedlich detailliert sind, haben wir uns für die eher generischen und übergeordneten Produktionskategorien Einzelfertigung / Kleinserienfertigung, Chargen- / Serien- / Massenfertigung und kontinuierliche Fertigung entschieden. Insgesamt haben wir 4 Fallstudien in der Kategorie Auftragsfertigung / Kleinserienfertigung, 15 Fallstudien in der Kategorie Serienfertigung / Massenfertigung und 3 Fallstudien in der Kategorie Kontinuierliche Fertigung identifiziert (Tabelle 1).

Tabelle 1: Literaturübersicht: 22 Fallstudien über Process Mining in Produktion


Darüber hinaus analysierten wir die Fallstudien nach den drei Hauptaufgaben der Process Mining Sofotware: Prozessentdeckung, Konformitätsprüfung und Prozessverbesserung und identifizierten typische Ziele der Process Mining Aktivitäten pro Produktionstypkategorie.

In der Kategorie Chargen-/Serien-/Massenproduktion konzentrierten sich die meisten Fallstudien auf die Prozessfindung (86 %) und die Prozessverbesserung (53 %). Die Mehrzahl der Fallstudien wurde im Automobilsektor durchgeführt. Zu den typischen Zielen gehörten die Erkennung von Engpässen und Ausreißern sowie die Identifizierung von Anomalien und Ursachen für schlechte Qualität. Zu den allgemeinen Zielen für Prozessverbesserungen gehörten die Verkürzung der Durchlaufzeiten, die Optimierung der OEE, die Möglichkeit der Rückverfolgbarkeit und die Erhöhung der Produktionsflexibilität.

In der Kategorie " Kontinuierliche Produktion " zielten alle Fallstudien auf die Konformitätsprüfung ab. Zu den Geschäftszielen gehörte die Überwachung der Konformität von Arbeitsabläufen, um betriebliche Probleme im Zusammenhang mit menschlichen Entscheidungen zu erkennen und die Einhaltung von Sicherheits- und Verfahrensvorschriften zu gewährleisten, um die Kosten für die Nichteinhaltung zu senken.

In der Kategorie Job-Shop / Kleinserienfertigung konzentrierten sich alle Fallstudien auf die Prozessverbesserung. Zu den Beispielen für Unternehmensziele gehören die Analyse des Arbeitsaufkommens in der Einzelfertigung Produktion, die durch sehr lange Vorlaufzeiten gekennzeichnet ist und die Neuanordnung von Prozessschritten zur Verringerung von Verzögerungen.

Beispiele für Process Mining in der Produktion

In diesem Abschnitt fassen wir Beispiele für Fallstudien zusammen, um ein besseres Verständnis der Anwendungsbereiche, Herausforderungen und Vorteile von Process Mining in der Produktion zu vermitteln.

Wir konzentrieren uns auf die folgenden ausgewählten Fallstudien. Falls Sie Interesse an weiteren Beispielen haben, dann kommen Sie bitte auf uns zu.

Möchten Sie Zugang zur vollständigen Liste der Fallstudien erhalten? Lassen Sie es uns wissen und wir werden Sie bald kontaktieren.


Fallstudie: BMW Process Mining

2017 führte der Automobilhersteller BMW Group Process Mining in seine Produktionsprozesse ein. Das Ziel war eine optimale Produktion mit höchstmöglicher Qualität zu ermöglichen. Zuvor wurden Produktionsfehler und ihre Ursachen durch direkte Beobachtungen und Tests analysiert. Sensordaten waren bereits verfügbar, wurden aber nicht zur Überwachung ganzer Prozesse genutzt. Die IT-Landschaft von BMW war in jedem Werk ähnlich, das Verständnis eines Prozesses in der Produktionsumgebung war jedoch allein auf Basis der gesammelten Daten eher schwierig zu erreichen. Ein Teilprozess in der Produktion kann leicht Daten von mehr als 1.000 Sensoren umfassen. Dies unterscheidet sich von allen Nicht-Produktionsprozessen, wie z.B. den Beschaffungsprozessen. Die erste Anwendung von Process Mining bei BMW war die Optimierung einer neuen Lackierstrasse, aber schon bald wurde die Nutzung entlang der Wertschöpfungskette ausgeweitet. Die aktuellen Pläne sehen eine weitere Skalierung und Erweiterung mit ergänzenden Technologien wie RPA und KI vor.

Process Mining entlang der Wertschöpfungskette

Vorteile von Process Mining

  • Erhöhte Transparenz: Der Ist-Prozess, der abgearbeitet wird, ist auch die Basis, um Abhängigkeiten und deren Komplexität zu verstehen und die Kommunikation darauf auszurichten. Die Verknüpfung von Qualitäts- und Maschinendaten mit schrittweisen Prozessdaten unterstützt die Ursachenanalyse enorm. Durch die Verknüpfung von Kostenkomponenten werden auch die genauen Kosten pro produziertem Fahrzeug kalkulierbar, wobei z.B. Farben, die aufgrund höherer Energiekosten teurer sind als andere, transparent werden.
  • Erhöhte Agilität: Process Mining erstellt einen digitalen Zwilling der Produktion und ermöglicht eine schnellere Problemerkennung und Reaktionszeit, wodurch mehr Agilität erreicht wird. Beispielsweise zeigen Prozesskonformitätsprüfungen ungeplante Diskrepanzen zwischen dem Ist- und dem Entwurfsmodell auf und sind notwendig, um Maßnahmen zur Anpassung der Arbeitsabläufe zu definieren.
  • Höhere Produktivität und geringere Kosten: Nahezu in Echtzeit hergestellte Verbindungen zu verschiedenen Systemen ermöglichen es, Process Mining als Überwachungsinstrument als Unterstützung zur Entscheidungsfindung zu nutzen. Damit können Produktivität und Qualität gesteigert sowie Produktionskosten und notwendige Nacharbeiten reduziert werden. Dadurch ist beispielsweise die Identifikation von Engpässen möglich, auch die direkte Bewertung von verbesserten Prozessvarianten kann den Weg zur Prozessverbesserung vereinfachen.
  • Potenzial für kontinuierliche Verbesserungen: Die (Neu-)Bewertung der definierten KPIs sowie der Messungen zu deren Erreichung kann bei der Betrachtung von Prozessdetails zu weiteren Leistungsverbesserungen führen. Die Ausweitung von Process Mining auf andere Werke ermöglicht Vergleiche und schafft hohe Lernpotenziale.

Fallstudie: Process Mining bei e.GO  

e.Go wurde 2015 mit dem Ziel gegründet, Elektrofahrzeuge für den Kurzstreckenverkehr zu produzieren. Die Produktion ist halbautomatisch und besteht aus Mitarbeitern an den Arbeitsstationen und Autonomous Guided Vehicles, die die Fahrzeuge automatisch durch den Produktionsprozess transportieren. e.Go setzt Process Mining ein, um die Produktion datengestützt zu verbessern. 

Vorteile von Process Mining

  • Identifizierung von Engpässen: Die Service- und Wartezeiten zwischen den Stationen wurden an einem realen Modell visualisiert, wodurch die Abhängigkeit der Arbeitsschritte innerhalb des Produktionsprozesses verdeutlicht wurden. Dabei wurden erhöhte Wartezeiten an den vorherigen Stationen sichtbar. Die Leerlaufzeit führt somit zu einer etwas längeren Servicezeit an einer nachfolgenden Station. Außerdem beeinflussen Hauptstationen, die von Unterbaulinien abhängen, alle Hauptstationen negativ. 

Fallstudie: Process Mining bei Geberit

Geberit ist ein Schweizer Hersteller von Sanitärprodukten, die in 50 Ländern vertrieben werden. Für den Anwendungsfall Process Mining wurde das Werk in der Schweiz ausgewählt, das einen Kunststoffantrieb mit 18 verschiedenen Varianten herstellt. Der Produktionsprozess besteht aus Formen, Zusammenbau (1&2), Sortieren und Verpacken und ist halbautomatisiert. Die eindeutige ID ist die Seriennummer und wird durch DMC-Lesegeräte an den Maschinen gescannt und mit dem Scan-Zeitstempel gespeichert. Der gesammelte Datensatz erreichte daher bereits 700.000 Event logs.

Automatische Datenerfassung für Process Mining


Vorteile von Process Mining

  • Identifizieren von Nicht-Konformitäten: Mit dem Ist-Modell erhielt Geberit den Nachweis darüber, dass einige Prozessabläufe nicht wie ursprünglich geplant ablaufen. Das Ist-Modell zeigte zum Beispiel Schleifen und Rückschritte im Prozessablauf. Gründe dafür waren ungeplante Nacharbeitsprozesse und eine schlechte Datenqualität, die zu einer falschen Reihenfolge führten.
  • Identifizierung von Engpässen: Geberit definierte auch Segmente auf der Grundlage der Zeit zwischen zwei DMC-Protokollen. Setzt man diese in Relation zur Gesamtdurchlaufzeit, lässt sich das Segment, das im Durchschnitt am längsten dauert, leicht erkennen: Das Segment, in dem die Sortierung und die Abfüllung in die fahrbaren Gestelle automatisch erfolgte und ein Mitarbeiter die Verpackungslinie anschließend beschickte. Die Verpackungslinie mit dem nächsten DMC-Leser wies zeitweise einen unnötigen Leerlauf von insgesamt 59 Minuten auf. Bei weiteren Untersuchungen unter Einbeziehung der Fachexperten konnten drei Ursachen identifiziert werden. Erstens war das Material aufgrund des Schichtwechsels in einer Warteschleife, bis der nächste Mitarbeiter seine Schicht begann. Zweitens wurden unbekannte Ineffizienzen bei einem Produktvariantenwechsel festgestellt. Drittens wurden vollständig gefüllte Regale nicht jedes Mal sofort erkannt.
  • Beseitigung vonEngpässen: Basierend auf den identifizierten Engpässen verbesserte Geberit den realisierten Prozess. Um die ermittelten Leerlaufzeiten an der Verpackungslinie zu minimieren sollte die Beladung direkt vor der Schicht erfolgen. Außerdem wurde die Planung so angepasst, dass die Umrüstzeiten zwischen den Varianten so kurz wie möglich waren. Schließlich wurde die Beladung der Verpackungen automatisiert.

Lessons learned: Process Mining Projekte

Unsere Untersuchung zeigt, dass alle Produktionsunternehmen, die Process Mining eingeführt haben, erhebliche wirtschaftlich Vorteile erzielen konnten. Da es sich bei Process Mining jedoch um eine relativ neue Technologie handelt, bestehen nach wie vor Defizite und Herausforderungen bei der Implementierung der Technologie. Im Folgenden haben wir einige Projektmanagement-Erfahrungen aus den Veröffentlichungen zusammengefasst. 

  • Behalten Sie eine zukunfts- und lösungsorientierte Perspektive: Process Mining deckt Ineffizienzen auf, die nicht für Schuldzuweisungen genutzt werden sollten. Das einzige Ziel ist eine nachhaltige Verbesserung des Prozesses.
  • Änderungsmanagement: Die Erläuterung der Technologie funktioniert am besten, wenn eine Demo mit tatsächlichen Daten aus der Geschäftseinheit vorgeführt wird. Dies zeigt das Potenzial am besten auf und verbessert die weitere Kommunikation.
  • Quantifizierung des Geschäftswerts: Die Quantifizierung von Zeiteinsparungen, verbesserter Qualität oder erwarteten Kostensenkungen als reine Folge von Process Mining ist nicht immer einfach. Die Re-Investition der eingesparten Ressourcen ist erforderlich, um die Geschäftsbereiche bei der Erreichung ihrer Geschäftsziele zu unterstützen und zu honorieren.
  • Fokus auf Aktionen: Datenanalysen können keine wirtschaftlichen Mehrwert schaffen, wenn keine Maßnahmen abgeleitet werden. Oft liegt der erste Schwerpunkt auf der Überwachung von Prozessen. Optimierungen werden selten in die Geschäfts-KPIs einbezogen, was das Engagement für diese Aktivitäten verringert.
  • Die Vorbereitung ist entscheidend für die Skalierungs- und Einführungsphase: Für eine erfolgreiche Skalierung und Einführung von Process Mining in den Produktionsbetrieb sind geschulte Schlüsselanwender und weitere Unterstützung erforderlich.
  • Unterschiedliche Unterstützungssysteme: Je nach Engagement und Motivation der Mitarbeiter sowie der Arbeitsatmosphäre kann sich eine Anlage von einer Anderen unterscheiden. Einige sind unabhängiger und führen ihre eigenen Anwendungsfälle durch, andere brauchen mehr Beratung und Anleitung. Daher ist ein Center of Excellence sehr wertvoll, um unterstützende Dienstleistungen in Abhängigkeit von den Bedürfnissen der Mitarbeiter zu erbringen.

Datenqualität ist eine große Herausforderung für Process Mining in der Produktion

Eine der besonderen Herausforderungen für Process Mining in Produktionsumgebungen ist die Qualität der Ereignisprotokolle. Sehr oft sind Produktionsprozesse unstrukturiert, nicht linear und beinhalten einen hohen Anteil an manuellen Tätigkeiten. IT-Systemlandschaften sind oft fragmentiert und die Integration heterogener Datenquellen ist eine Herausforderung. Wir haben die folgenden Herausforderungen in Bezug auf die Datenqualität identifiziert:

  • Schlechte Datenqualität bei automatisch erfassten Daten: Automatisch erfasste Daten stammen sehr oft von heterogenen Betriebsmitteln, z. B. Maschinen und Sensoren verschiedener Hersteller. Da automatisch erfasste Daten falsch oder nicht synchron sein können, ist es wichtig, fehlerhafte Daten sofort zu erkennen, bevor sie in die weitere Analyse einbezogen werden. Außerdem kann es sein, dass die erforderlichen Daten noch nicht aus dem physischen Prozess erfasst wurden. Es ist kostspielig, ältere Maschinen zu ersetzen, die nur über begrenzte sensorische Fähigkeiten verfügen. Daher führen viele Hersteller schrittweise die automatische Datenerfassung ein, indem sie bestehende Produktionslinien nachrüsten. Manchmal werden jedoch nicht alle Maschinen erfasst und der Datensatz ist daher unvollständig. Dies kann den Umfang der Analysen und Verbesserungsmaßnahmen einschränken, die aus process Mining abgeleitet werden können.
  • Unvollständige Daten aus manuellen Arbeitsabläufen: In vielen Produktionsumgebungen ist der Anteil menschlicher Tätigkeiten als entscheidender Teil eines Produktionsprozesses immer noch sehr hoch. Allerdings werden die manuellen Tätigkeiten und die daraus resultierenden Daten oft nicht ausreichend erfasst. Die manuelle Datenerfassung mit Papierlisten oder an PC-Stationen, die sich nicht in der Nähe der Arbeitsprozesse befinden, ist schwierig. Dies führt in der Regel zu einer schlechten Datenqualität. So werden beispielsweise einige prozessbezogene Daten nicht (z. B. Startzeiten von Aktivitäten) oder nur teilweise (z. B. Informationen über die am Prozess beteiligten Mitarbeiter) erfasst. In vielen Veröffentlichungen wird auf Situationen verwiesen, in denen der Zeitstempel des Start- und Endpunkts von Aktivitäten an der Station nicht genau von den Mitarbeitern erfasst wurde. In anderen Fällen wurden die Ereignisse des Rework-Vorgangs verändert und verursachten eine Abweichung zwischen dem tatsächlichen Startzeitpunkt und dem erfassten Startzeitpunkt. Somit war die Reihenfolge der Rework-Schritte nicht mehr zuverlässig. Eine genaue Erfassung aller Prozessausführungsdaten würden bessere Process Mining Ergebnisse ermöglichen, indem z.B. auch die Dauer der Aktivitäten berücksichtigt oder das Verhalten der ausführenden Mitarbeiter analysiert wird.
  • Hohe Prozessvariabilität: Bei vielen manuellen Tätigkeiten ist es schwierig, die Bearbeitungszeit für jede Tätigkeit vorherzusagen. Selbst wenn die Tätigkeiten ähnlich zu sein scheinen, variiert die Bearbeitungszeit einer Tätigkeit je nach ausführender Person und dem Schwierigkeitsgrad. Die meisten IT-Produktionssysteme enthalten keine Daten über den Schwierigkeitsgrad von Prozessen oder über die erforderlichen Kompetenzen. Daher wäre es für die Verbesserung der Prozessanalyse von Vorteil, den Schwierigkeitsgrad der Aufgabe und die erforderlichen Kompetenzen in den Ereignisprotokollen widerzuspiegeln. In Umgebungen mit hoher Prozessvariabilität werden nicht nur Daten über die Aktivitätsbeziehung und -häufigkeit benötigt, es sollten auch die betroffenen Ressourcen und detaillierte parallele Beziehungen in den Process Mining Ereignisprotokollen erfasst werden.
  • Fehlende Verknüpfungen zwischen Daten: Aufgrund einer fragmentierten IT-Landschaft sind Datenquellen oft unterschiedlich, die Daten werden in verschiedenen Formaten gespeichert und es fehlen Verknüpfungen zwischen den Daten. Daher sind die extrahierten Prozessmodelle oft nicht genau.
  • Duplikate: Manchmal sind Produktionsprozesse nicht-linear und enthalten Schleifen und Redundanzen. Beispielsweise führen Nacharbeitsprozesse oder Teilaufgaben, die in Unterstationen durchgeführt werden, zu wiederholten Datenerfassungsverfahren. Wenn die IT-Systeme nicht richtig vorbereitet sind, können solche Routinen zu Datenduplikaten führen, die sich negativ auf die Qualität von Process Mining auswirken.  

Um wertvolle Erkenntnisse aus Process Mining in Produktionsumgebungen zu gewinnen, ist es wichtig, sich auf die Datenqualität zu konzentrieren. Einer der wichtigsten Faktoren für eine bessere Datenqualität im Process Mining ist die Einbeziehung möglichst vieler Daten aus manuellen Aktivitäten. Eine Lösung wie die WORKERBASE Connected Worker Plattform erweitert die Process Mining Software um Ereignisprotokolle aus manuellen Aktivitäten und kann so die Datenqualität und die Gesamtergebnisse drastisch verbessern. Wenn Sie weitere Informationen wünschen, wie Unternehmen Process Mining in Produktionsumgebungen etabliert haben, kommen Sie bitte auf uns zu!

Die Autoren:

Sabrina Joos, Solution Consultant WORKERBASE

Thorsten Krüger, Co-Founder WORKERBASE

Live-Demo anfordern

Möchten Sie mehr über unsere Plattform Dynamic Process Execution erfahren?

Bitte füllen Sie das Formular aus und wir werden Sie kontaktieren, um einen Termin für eine Live-Demo zu vereinbaren:
1. Fordern Sie einfach eine Demo über das Formular an. 
2. Wir senden Ihnen per E-Mail einen Einladungs-Link, über den Sie einen Wunschtermin wählen können
3. Wir führen ein kurzes und 100% unverbindliches Gespräch
Vielen Dank! Ihre Anfrage ist eingegangen!
Hoppla! Etwas ist schiefgelaufen.