Ein international tätiges Milchverarbeitungsunternehmen will digitale Technologien und KI gezielt nutzen, um Prozesse transparenter, effizienter und besser steuerbar zu machen. Heute fehlt oft eine vollständige, objektive Sicht auf die tatsächlichen Abläufe, weil dokumentierte Soll-Prozesse die Realität nur teilweise abbilden. Zusätzlicher Druck entsteht durch die geplante Umstellung auf SAP S/4HANA von 2028 bis 2030. Untersucht wurde, welchen Mehrwert Process Mining liefert und welche Voraussetzungen dafür nötig sind.

Das Projekt wurde in fünf Phasen nach der Wasserfallmethode durchgeführt. Nach der Literaturrecherche wurden Kriterien für die Prozessauswahl und Datenqualität definiert und mittels einer Umfrage sowie einer zusätzlichen Einschätzung des Projektteams gewichtet. SAP-Datenexporte wurden bereinigt und zu einem Event Log zusammengeführt. Der PTP-Teilprozess wurde in Celonis mit Process Discovery, Conformance Checking und Performance Analysen untersucht. Ergänzend wurden Interviews mit Referenzunternehmen geführt sowie eine Tool-Bewertung mit Fokus auf Celonis und Marktalternativen durchgeführt.

Die Analyse zeigt, dass Process Mining einen messbaren Mehrwert liefern kann, wenn es organisatorisch verankert ist. Neben einer belastbaren Datenbasis sind klare Rollen, definierte Governance und aktive Managementunterstützung erforderlich, damit Erkenntnisse in Verbesserungsmassnahmen überführt werden können. Im analysierten Teilprozess wurden mehrere Ansatzpunkte sichtbar: Häufige nachträgliche Anpassungen von Bestellungen deuten auf Nacharbeit hin und die Daten weisen auf Lücken im Freigabefluss. Die Durchlaufzeiten zeigen eine stabile Grundlast, werden jedoch durch Ausreisser deutlich verlängert. Für die Auftraggeberin ergeben sich daraus klare nächste Schritte: Die Datenbasis ist zu vervollständigen und in der Granularität zu verbessern. Auffälligkeiten und Abweichungen sind zu prüfen, um Ursachen zu verstehen und Massnahmen korrekt abzuleiten. Zudem sollte die Software-Lizenzierung früh geklärt und die Daten möglichst toolunabhängig aufbereitet werden, um Abhängigkeiten zu reduzieren. Ergänzend zeigt das Value Assessment, dass KI Ursachenanalysen beschleunigen und Prognosen verbessern kann. Voraussetzung dafür sind saubere Daten und ein klar definierter Einsatzrahmen