Kontextualisierung von Wissen für Minerva-AI

Überblick

In den heutigen datengetriebenen Organisationen bleibt die Interpretation von Process-Mining-Ergebnissen – etwa Visualisierungen und KPIs – eine anhaltende Herausforderung. Zwar zeigen Event Logs, was innerhalb eines Systems passiert ist, doch sie erzählen oft nur die halbe Geschichte. Was fehlt, ist der Kontext rund um den Prozess – also die Faktoren, die erklären, warum bestimmte Muster oder Auffälligkeiten auftreten.

Dieses Dokument zeigt, wie sich durch die Einbindung von Kontextwissen rohe Prozessdaten in umsetzbare Erkenntnisse verwandeln lassen – und wie sich Generative KI (GenAI) nutzen lässt, um Ursachenanalysen präziser und skalierbarer zu gestalten.

Process-Mining-Tools visualisieren Prozessabläufe, um Ineffizienzen oder Regelverstöße aufzudecken. Ihr Fokus liegt jedoch zwangsläufig auf dem, was in den Event-Daten dokumentiert ist. Dadurch entsteht eine blinde Stelle: Reale Einflussfaktoren auf Prozesse werden häufig nicht direkt in den Daten erfasst. Diese nicht dokumentierten Einflüsse bezeichnen wir als Kontext.

Kontext im Process Mining

Zur systematischen Betrachtung orientieren wir uns an einem etablierten Klassifikationsschema im Process Mining:

Case Context

Der am engsten gefasste Kontext – bezogen auf die Eigenschaften einer konkreten Prozessinstanz.
Beispiel: In einem Einkaufsprozess erfordern hochpreisige Bestellungen von Rohmaterialien zusätzliche Prüfungen (z. B. Vier-Augen-Freigabe), während Bestellungen für Büromaterialien aufgrund ihres geringen Werts und Risikos automatisch durchlaufen.

Process Context

Bezieht sich auf benachbarte Prozesse und gemeinsam genutzte Ressourcen, die den analysierten Prozess beeinflussen. Beispiel: Verzögerungen im Vertriebsprozess können durch einen nachgelagerten Einkaufsprozess entstehen, wenn Materialien zu spät bestellt werden und dadurch Liefertermine gefährden.

Social Context

Umfasst menschliche Einflussfaktoren wie Mitarbeitendenverfügbarkeit, Streiks, saisonale Schwankungen in der Belegschaft oder Zufriedenheit. Beispiel: Ein Produktionsstillstand infolge eines Streiks führt zu Prozessverzögerungen, die sich im Mining abzeichnen – aber nur durch das Wissen um den menschlichen Einfluss verständlich sind.

External Context
Äußere Einflüsse wie geopolitische Ereignisse oder regulatorische Veränderungen.
Beispiele:

• Die durch den Brexit bedingten Änderungen im Zollrecht führten zu längeren Lieferzeiten.
• Neue gesetzliche Vorgaben (z. B. Lieferkettengesetz) erforderten zusätzliche Dokumentationsschritte.
• Globale Störungen der Lieferketten – etwa durch die Blockade des Suezkanals – beeinträchtigten weltweit logistische Abläufe.

Kontext-Management bei Noreja

Wir unterscheiden zwei Hauptformen von Kontext:

Kontext „At-Rest“

Wird vordefiniert – meist in der Modellierungs- oder Designphase.

Typisch statisch, z. B.:

Geschäftsregeln

Organisationsstruktur

IT-Systemlandschaft

SOPs (Standard Operating Procedures)

Kontext „In-Operations“

Erfasst während der laufenden Prozessausführung – oft dynamisch und ereignisbasiert.

Beispiele:

• Saisonal bedingte Muster (z. B. reduzierte Besetzung in Ferienzeiten)
• Temporäre Störungen (z. B. Systemausfälle)
• Operative Beobachtungen und gemeldete Anomalien

Formate zur Erfassung von Kontext

Kontextinformationen können in verschiedenen Formaten eingebracht werden:

• Freitext oder strukturierter Text
• Spracherkennung (Speech-to-Text)
• Dokumente und Reports
• Visuelle Modelle, z. B. BPMN-Diagramme aus Tools wie Adonis

Präsentation am Weizenbaum-Institut zum Thema Kontextwissen im Process Mining