Process Mining und Task Mining: Was ist der Unterschied – und was bringt beides vor der KI-Einführung?
Kurz gesagt
Process Mining rekonstruiert aus Event Logs der Systeme, wie ein Prozess tatsächlich abläuft – inklusive Schleifen und Sonderfällen, die kein Workshop nennt. Task Mining zeichnet dagegen feingranulare Interaktionen am Bildschirm auf, also Klicks, Eingaben und Programmwechsel einzelner Mitarbeiter. Beide zeigen, was passiert – keines beweist automatisch, warum es passiert oder was sich lohnt zu automatisieren.
Process Mining: drei Kernaufgaben
Process Mining unterscheidet fachlich drei Aufgaben: Discovery erzeugt aus Event Logs ein Prozessmodell. Conformance vergleicht das beobachtete Verhalten mit einem Soll-Modell. Enhancement nutzt die realen Ausführungsdaten, um ein bestehendes Modell oder den Prozess selbst zu verbessern.
Der praktische Nutzen liegt darin, dass Unternehmen oft nicht wissen, wie viele reale Varianten ein vermeintlich einfacher Prozess hat. Ein Workshop-Teilnehmer sagt "Rechnungseingang hat fünf Schritte" – die Eventdaten zeigen dagegen dutzende Schleifen, Nacharbeiten und Sonderpfade, die im Kopf niemand mehr vollständig hat.
Was Process Mining braucht – und woran es scheitert
Process Mining benötigt mindestens: Ereignisse, einen Zeitbezug, eine Aktivitätsbezeichnung sowie die Zuordnung zu einem Prozessobjekt oder einer objektzentrierten Struktur, dazu ausreichend konsistente Semantik. Schlechte Logs erzeugen präzise Visualisierungen schlechter Daten. Besonders problematisch sind fehlende Ereignisse, uneinheitliche Zeitstempel, technische statt fachliche Aktivitätsnamen und falsche Fallzuordnungen. Die Vorverarbeitung solcher Interaction Logs gilt in der Forschung als zentrale, keineswegs triviale Herausforderung.
Was Process Mining nicht beweist
Process Mining kann zeigen, dass ein bestimmter Pfad eines Prozesses länger dauert oder häufiger zurückspringt. Es beweist damit noch nicht, warum das passiert oder ob eine Automatisierung die Ursache tatsächlich beseitigt. Denkbare Gründe sind ebenso fehlende Stammdaten, schwankende Lieferantenqualität, gesetzlich vorgeschriebene Prüfschritte oder bewusst eingebaute manuelle Kontrollen. Prozessdaten sind der Ausgangspunkt für Hypothesen – kein Ersatz für die fachliche Analyse.
Object-centric Process Mining: wenn mehrere Objekte zusammenspielen
Klassisches Process Mining zwingt einem Prozess oft eine einzige Fall-ID auf. In einem Beschaffungsprozess interagieren aber Bestellung, Bestellpositionen, Lieferung, Rechnung und Zahlung gleichzeitig miteinander. Objektzentriertes Process Mining (mit der offenen Spezifikation OCEL 2.0) modelliert mehrere Objekte und ihre Beziehungen zueinander. Das kann Doppelzählungen und künstlich konstruierte Prozesspfade reduzieren, stellt aber höhere Anforderungen an Datenmodell und Interpretation.
Task Mining: was Menschen am Bildschirm wirklich tun
Task Mining zeichnet feingranulare Interaktionen wie Klicks, Eingaben und Anwendungswechsel auf, um Routinevarianten und Automatisierungskandidaten sichtbar zu machen. Der Unterschied zu Process Mining: Process Mining arbeitet vor allem mit Ereignisdaten aus Systemen, Task Mining fokussiert die Desktop-Aktivität einzelner Mitarbeiter.
Der methodische Nutzen ist konkret: Ein Team beschreibt seine Arbeit als "ein paar Werte aus der E-Mail ins ERP kopieren". Die Aufzeichnung zeigt dann womöglich, dass dafür fünf Programme, mehrere Suchschritte und zahlreiche Korrekturen nötig sind. Daraus lässt sich eine deutlich gezieltere Integrations- oder Automatisierungslösung ableiten, als es die ursprüngliche Beschreibung nahelegt.
Warum Task Mining organisatorisch sensibel ist
Task-Mining-Daten können sehr detailliert offenlegen, wie einzelne Beschäftigte arbeiten. Die technische Möglichkeit zur Aufzeichnung bedeutet dabei nicht automatisch rechtliche oder organisatorische Zulässigkeit. Datenschutz, Zweckbindung, Transparenz gegenüber den Betroffenen, Mitbestimmung und der Zugriff auf Rohaufzeichnungen müssen vorab separat geklärt werden – idealerweise gemeinsam mit Betriebsrat und Datenschutzbeauftragtem.
Automatisierungskandidaten aus Task Mining sollten zudem nicht allein nach Klickzahl priorisiert werden. Ein seltener, aber fehlerträchtiger 30-Minuten-Prozess kann wichtiger sein als ein häufiges Zwei-Sekunden-Makro. Entscheidend sind Volumen, Fehlerkosten, Wartezeit, Ausnahmen, Änderungsfrequenz und der tatsächliche Ende-zu-Ende-Nutzen einer Automatisierung.