Order-to-Cash: Touchless aber nicht um jeden Preis

Hinweis zur Demo: Alle Kennzahlen auf dieser Seite stammen aus einem synthetischen Order-to-Cash-Datensatz. Sie veranschaulichen Analysewege, fachliche Zusammenhänge und Methoden von Causal Process Mining und sind keine Produktivkennzahlen eines Kunden.

Viele Order-to-Cash-Initiativen verfolgen dieselben Ziele: mehr Automatisierung, zuverlässige Lieferungen und weniger Reklamationen. Eine hohe Touchless-Rate wirkt dabei zunächst wie die logische Zielgröße. Je weniger manuelle Eingriffe, desto effizienter der Prozess.

Doch nicht jeder manuelle Schritt ist Verschwendung. Manche Prüfungen verhindern Fehler, andere kosten tatsächlich nur Zeit. Die entscheidende Frage lautet deshalb nicht, wie viele Prüfungen sich abschaffen lassen, sondern welche Aufträge sicher automatisiert werden können und welche bewusst einen Menschen brauchen.

Touchless ist kein Ziel an sich. Entscheidend ist, welche Aufträge einen Menschen brauchen und welche nicht.

Was ist Order-to-Cash?

Order-to-Cash (O2C) beschreibt den End-to-End-Prozess vom Auftragseingang bis zum Zahlungsausgleich. In einem Industrieunternehmen gehören dazu typischerweise Auftragseingang und Auftragsanlage, Konfiguration und Freigabe, Lieferabwicklung und Zustellung, Rechnungsstellung, Zahlung beziehungsweise Mahnwesen sowie Reklamationen und Nachbearbeitung.

Auf einer Prozessfolie wirkt O2C häufig linear. In den operativen Daten ist der Ablauf jedoch ein Netz aus miteinander verbundenen Geschäftsobjekten und fachlichen Abhängigkeiten. Schon zwischen Auftragseingang und Freigabe können Eingangskanal, automatische oder manuelle Erfassung, Kreditprüfung, Konfiguration, Änderungen und Auftragsprüfung unterschiedliche Pfade auslösen. Später kommen Lieferung, Rechnung, Zahlung, Mahnung, Gutschrift oder Reklamation hinzu.

Causal Process Mining bewahrt diese Granularität und Beziehungen. Erst für eine konkrete Fachfrage wird daraus eine passende Causal Perspective abgeleitet. Für diesen Artikel konzentrieren wir uns bewusst auf den Reklamationspfad und die Frage, wann eine manuelle Auftragsprüfung tatsächlich sinnvoll ist. Andere Hypothesen zur Automatisierung – etwa zum Auftragskanal oder zur Kreditprüfung – wurden ebenfalls identifiziert, aber hier nicht weiter vertieft.

Komplexität wird bei der Analyse reduziert – nicht bereits beim Datenimport.

Event Knowledge Graph des O2C-Prozesses - sichtbar sind die verbundenen Geschäftsobjekte rund um Kundenauftrag, Auftragsposition und Konfiguration sowie Lieferung, Rechnung, Zahlung, Mahnwesen, Gutschrift und Reklamation 

Gesamtüberblick - fachliche kausale Perspektive des O2C-Prozesses vom Auftragseingang über Freigabe und Lieferabwicklung bis zu Rechnung, Zahlung und Reklamation. 

Auf einen Blick

Der Prozess in drei Phasen

Der gleiche Order-to-Cash-Prozess kann je nach Fragestellung unterschiedlich geschnitten werden. Die folgenden drei Ausschnitte zeigen die wichtigsten fachlichen Blöcke.

1 · Auftragseingang, Konfiguration und Freigabe

Im ersten Block entstehen Kundenauftrag und Positionen. Aufträge können automatisch oder manuell erfasst werden, Kreditprüfungen auslösen, konfiguriert, geändert und geprüft werden. Genau hier liegt der Hebel für Touchless Processing: Welche Schritte sind fachlich notwendig – und welche lassen sich risikobasiert automatisieren?

Geschäftsobjekte: Kundenauftrag, Auftragsposition, Konfiguration, Auftragsänderung, Auftragsprüfung, Kreditprüfung.

Leitfrage: Welche Aufträge können automatisiert freigegeben werden – und welche benötigen aufgrund ihres Risikos eine Prüfung?

O2C Analyse vom Auftragseingang, Konfiguration, Änderungen, Kreditprüfung und Freigabe

2 · Lieferabwicklung und Faktura

Nach der Freigabe folgt die operative Erfüllung. Lieferschein, Kommissionierung, Warenausgang, Versand beziehungsweise Transport und Zustellnachweis bilden unterschiedliche, teils parallele Objektbeziehungen. Diese Perspektive eignet sich beispielsweise für OTIF-, Laufzeit- und Lieferperformance-Fragen.

Geschäftsobjekte: Kundenauftrag, Lieferung, Sendung, Transport, Zustellnachweis, Rechnung.

Leitfrage: Wo entstehen Abweichungen in Liefertreue und Laufzeit – im eigenen Ablauf oder in verbundenen Liefer- und Transportobjekten?

O2C Analyse von der Lieferabwicklung vom Lieferschein über Kommissionierung, Versand und Transport bis zur Rechnung

3 · Zahlung, Mahnung und Reklamation

Nach der Rechnungsstellung kann der Prozess direkt in den Zahlungsausgleich führen oder über Zahlungserinnerung, Mahnung, Gutschrift beziehungsweise Ausbuchung verlaufen. Reklamationen bilden einen zusätzlichen fachlichen Pfad. Für die folgende Analyse zoomen wir genau in diese Qualitätsfrage hinein.

Geschäftsobjekte: Rechnung, Zahlung, Forderung, Gutschrift, Reklamation.

Leitfrage: Welche vorgelagerten Prozessbedingungen erklären Reklamationen, Zahlungsverzögerungen oder andere nachgelagerte Effekte?

O2C Analyse - Zahlungs- und Reklamationspfade mit Erinnerung, Mahnung, Gutschrift, Ausbuchung und Zahlungsausgleich.

Der Blick auf die Kennzahlen

Management-KPIs auf Auftragsebene: Touchless, OTIF und Reklamation.

Fünf Findings entlang des Reklamationspfads

Die folgenden Findings folgen bewusst demselben Muster von der sichtbaren KPI (Was ist passiert?) über Fehlermuster und Ursachenhypothesen (Warum ist es passiert?) bis zu einer überprüfbaren Maßnahme zur Reduktion der Ursache. Entscheidend ist nicht nur, was auffällig ist, sondern warum ein Zusammenhang plausibel ist und welche Erklärung einer Gegenprüfung standhält.

Finding 1 · Touchless zeigt das Was? aber noch nicht das Warum?

Mit 46,37 % läuft nicht einmal jeder zweite bewertete Auftrag vollständig touchless. Die naheliegende Reaktion wäre, manuelle Schritte möglichst weit zu reduzieren. Doch die Kennzahl sagt nicht, welcher Eingriff überflüssig ist und welcher die Qualität und damit vor Reklamationen schützt.

Die richtige Frage lautet nicht: „Wie entfernen wir mehr manuelle Schritte?“ Sondern: „Welche manuellen Schritte erzeugen keinen zusätzlichen Nutzen und welche schützen einen riskanten Auftrag vor einem teuren Fehler?“

Finding 2 · Reklamationen konzentrieren sich auf konfigurierte Aufträge

Die Reklamationsperspektive zeigt 207 reklamierte Aufträge. Standardprodukte liegen bei 1,69 Prozent Reklamationsquote, technische Konfigurationen bei 8,01 Prozent und Service-Konfigurationen bei 12,90 Prozent. Technische und Service-Aufträge stellen zusammen nur 35,42 Prozent des Auftragsbestands, verursachen aber 76,33 Prozent aller Reklamationen.

Auch bei den Reklamationsgründen konzentriert sich das Bild. „Serviceeinsatz nicht wie vereinbart“ und „Falsche Konfiguration“ stehen gemeinsam für rund 72,5 Prozent der dokumentierten Gründe. Ein Reklamationsgrund beschreibt jedoch zunächst nur, was beanstandet wurde – nicht, warum es dazu kam.

Reklamationen im Managementblick – Quote nach Auftragsart, Reklamationsgründe.

Finding 3 · Der Sollprozess kennt eine Prüfung. Tatsächlich wird sie häufig übersprungen

Für technische Aufträge ist im fachlichen Prozesswissen eine klare Abhängigkeit hinterlegt: Wird ein Auftrag vor seiner Freigabe geändert, ist anschließend eine Auftragsprüfung vorgesehen.

Vereinfacht lautet die Soll-Logik: Auftragsänderung → Auftragsprüfung → Freigabe.

In der Perspektive wurden 340 Aufträge vor der Freigabe geändert – erkennbar an der Anzahl unter der Aktivität „Auftrag ändern“. Nur 143 davon durchlaufen anschließend den vorgesehenen Prüfpfad über „Auftrag prüfen“. 197 Fälle, also rund 58 %, gehen dagegen direkt zur Freigabe.

Noreja behandelt solche Abweichungen nicht einfach als zusätzliche Prozessvarianten, sondern als Fehlermuster. Dadurch bleiben die eigentlichen, fachlich relevanten Varianten überschaubar, während Abweichungen gezielt separat analysiert werden.

Gerade in klassischen, eventlog-basierten Process-Mining-Ansätzen kann jede Abweichung schnell als eigene Variante erscheinen. Die Variantenanzahl wächst dadurch stark und die Analyse wird unübersichtlich. Noreja trennt deshalb bewusst zwischen fachlichen (kausalen) Prozessvarianten und Fehlermustern.

Die Logik dahinter ist einfach: Wie läuft mein Prozess? → Wo weicht er ab? → Warum?

Die kausale Perspektive beschreibt den erwarteten Ablauf. Fehlermuster zeigen, wo dieser Ablauf verletzt wird – etwa durch Überspringen, falsche Reihenfolge, Nachbearbeitung, Verzögerung, Bündelung über gemeinsam genutzte Ressourcen oder offene Fälle.

Das Fehlermuster ist dabei nicht die Ursache selbst, sondern der Startpunkt für die Ursachenanalyse. Im O2C-Beispiel lautet der erste Befund: Die vorgesehene Prüfung wird häufig übersprungen. Danach wird untersucht, warum das passiert und ob genau diese Abweichung tatsächlich mit Reklamationen zusammenhängt.

So wird aus einer sichtbaren Abweichung eine gezielte Root-Cause-Analyse.

Technische O2C-Perspektive mit Fehlermustern. Nach einer Änderung wird die vorgesehene Auftragsprüfung in einem relevanten Anteil übersprungen.

Ein sichtbares Fehlermuster ist ein Analyseausgangspunkt – aber noch keine Root Cause.

Finding 4 · Die erste plausible Erklärung wird durch die Daten verfeinert

Die breite Ursachenanalyse startet bewusst offen. Minerva nutzt dafür einen Root-Cause-Skill und strukturiert dokumentierte Reklamationsgründe, vorgelagerte Faktoren und noch offene Hypothesen. Dabei trennt die Analyse zwischen belegtem Befund und vermutetem Mechanismus.

Fachfrage an Minerva

„Analysiere alle Gründe, die zu einer Reklamation führen.“

Noreja KI Minerva trennt dokumentierte Reklamationsgründe von noch offenen Ursachenhypothesen

Priorisierung der nächsten Analyse – technische Konfigurationen ohne Prüfung sind auffällig; bei Service erklärt Prüfung den Qualitätsunterschied nicht ausreichend

Ein erster Schwerpunkt entsteht bei den technischen Konfigurationsaufträgen: Von 78 reklamierten technischen Aufträgen weisen 70 keine dokumentierte Auftragsprüfung auf. Bei Service ist das Bild mit 43 Reklamationen ohne und 37 trotz Prüfung wesentlich weniger eindeutig. Die Service-Spur bleibt deshalb bewusst offen, statt eine Ursache zu erfinden.

Sonderkonfigurationen waren bereits in der ersten Analyse als relevanter Ansatzpunkt sichtbar. Deshalb wird die nächste Frage bewusst einfacher formuliert, ohne Minerva die gewünschte Gruppierung vorzugeben:

Fachfrage an Minerva

„Analysiere die ungeprüften technischen Aufträge genauer. Welchen Einfluss haben Sonderwerte und Änderungen vor der Freigabe auf die Reklamationsquote? Gibt es einzelne Sondermerkmale, die besonders auffällig sind?“

Verfeinerung der Ursachenanalyse – Sonderwerte erklären das Risiko deutlich besser als die pauschale Änderungs-Hypothese.

Ein weiterer Drill-down zeigt, dass auch einzelne Sondermerkmale unterschiedlich auffällig sind.

Drill-down auf einzelne Sondermerkmale bei zugestellten technischen Aufträgen ohne Prüfung.

Besonders markant ist die Kombination aus Firmware-Sonderstand, Änderung vor Freigabe und fehlender Prüfung. Die Daten zeigen allerdings nicht, ob bei der Änderung tatsächlich die Firmware selbst verändert wurde. Der Befund ist deshalb eine gezielte Hypothese für die nächste Analyse – kein nachgewiesener Mechanismus.

Verfeinertes Ursachenbild / Hypothesenbaum zu Sonderwerten, Änderung und fehlender Prüfung.

Prozessdaten allein liefern noch keine Bedeutung

In den Systemdaten stehen Merkmale wie Auftragsart, Konfiguration und Konfigurationsmerkmale. Was diese Werte fachlich bedeuten, ist daraus nicht automatisch ersichtlich. Im Unternehmenskontext kann deshalb hinterlegt werden, wie Konfigurationsmerkmale zu interpretieren sind, welche Abweichungen vom Standard fachlich relevant sind und welche Regeln im Prozess gelten.

Prozessdaten liefern die Fakten. Unternehmenskontext liefert die Bedeutung. Causal Process Mining prüft die Ursachenhypothesen.

Minerva verbindet diese Ebenen im Dialog. Dadurch wird aus einem technischen Datenmerkmal eine fachlich interpretierbare Analysefrage ohne die Entscheidung an ein Sprachmodell zu delegieren.

Finding 5 · Von der Ursache zur risikobasierten Prüfregel

Für die Managemententscheidung zählt am Ende nicht nur die Erklärung, sondern die Frage, ab wann eine Prüfung tatsächlich sinnvoll erscheint. Deshalb werden zugestellte technische Aufträge nach Sonderwerten und dokumentierter Prüfung verglichen.

Bei Aufträgen ohne Sonderwert ist in diesen Daten kein Qualitätsvorteil durch eine zusätzliche Prüfung erkennbar. Ab einem Sonderwert unterscheiden sich geprüfte und ungeprüfte Aufträge dagegen deutlich.

Die daraus abgeleitete Maßnahme

• Bestehende Pflicht beibehalten: Wird ein Auftrag vor der Freigabe verändert, bleibt die vorgesehene Prüfung bestehen.
• Risikobasiert ergänzen: Technische Aufträge mit mindestens einem Sonderwert werden zusätzlich priorisiert geprüft, auch wenn keine Änderung stattgefunden hat.
• Automatisierungspotenzial nutzen: Technische Aufträge ohne Sonderwert können eher ohne zusätzliche Prüfung durchlaufen, sofern kein anderer Prüfgrund vorliegt.

Andere manuelle Eingriffe – etwa Klärungen, Auftragsänderungen oder kreditbezogene Ausnahmen – verschwinden dadurch nicht automatisch. Die Prüfregel adressiert einen konkreten Hebel innerhalb der Touchless-Rate und nicht den gesamten Automatisierungsgrad.

Der wirtschaftliche Blick

Im synthetischen Datensatz liegt der durchschnittlich hinterlegte Kostenwert einer Auftragsprüfung bei 90,25 und der einer Reklamation bei 1.629,20. Eine Reklamation entspricht damit größenordnungsmäßig dem Aufwand von rund 18 Prüfungen. Das macht eine gezielte Prüfung bei tatsächlich riskanten Aufträgen wirtschaftlich plausibel.

Warum KI Causal Process Mining braucht

Generative KI kann sehr schnell Muster zusammenfassen, Ergebnisse erklären und Maßnahmen formulieren. Für Prozessautomatisierung ist Geschwindigkeit allein jedoch nicht ausreichend. Eine KI, die auf einer zu groben oder fachlich falschen Datensicht arbeitet, kann eine plausible Korrelation genauso schnell in eine falsche Automatisierungsregel übersetzen.

Einen Prozess auf Basis der falschen Analyse zu automatisieren, macht ihn nicht besser – nur schneller falsch.

Im O2C-Beispiel wäre die erste plausible Regel gewesen: „Geänderte Aufträge werden zu selten geprüft, also prüfen wir alle geänderten Aufträge konsequenter.“ Die Verfeinerung zeigt jedoch, dass Zahl und Art der Sonderwerte wesentliche Unterschiede erklären und die pauschale Änderungs-Hypothese nicht hält.

Für KI-gestützte Prozessentscheidungen sind deshalb vier Dinge besonders wichtig: die relevante fachliche Granularität, die Beziehungen zwischen den Geschäftsobjekten, Unternehmenskontext zur Interpretation und eine Analyse, die beobachtete Zusammenhänge nicht vorschnell als Ursache behandelt. Genau hier liefert Causal Process Mining die analytische Grundlage. Minerva macht diese Grundlage im Dialog nutzbar und hilft, den nächsten sinnvollen Analysepfad zu wählen.

Checkliste „Was Minerva-Agenten leisten, was ein LLM allein nicht kann“ – Minerva sieht nur, was Sie sehen - und Vertrauliches bleibt im Haus.

Causal Process Mining schafft die analytische Grundlage. Minerva macht sie für den Anwender im Dialog nutzbar.

Vom Finding zur priorisierten Maßnahme

Ein Finding verändert noch keinen Prozess. Nach der Analyse muss der Prozessverantwortliche entscheiden, welche Erkenntnisse tatsächlich bearbeitet werden sollen und welche Maßnahme fachlich sinnvoll ist.

Hier entsteht die Brücke zum Business Impact Board: Findings werden nicht nur gesammelt, sondern beispielsweise nach erwarteter Wirkung, Umsetzungsaufwand, Risiko und Unsicherheit bewertet. Process Excellence und Fachbereich können so gemeinsam priorisieren, welche Entscheidungshypothese als Pilot umgesetzt wird und welche bewusst später folgt.

Beispielhafte Maßnahmenfelder

Der Kreislauf: Insight → Action → Impact → Feedback

Die Wirkung einer priorisierten Maßnahme wird anschließend erneut anhand derselben Prozessdaten gemessen: So entsteht ein geschlossener Verbesserungszyklus:

Nach jeder Maßnahme Wirkung prüfen

• Steigt die Touchless-Rate bei den adressierten Auftragsgruppen tatsächlich?
• Sinkt die Reklamationsquote bei technischen Sonderkonfigurationen?
• Werden vorgesehene Auftragsprüfungen nach Änderungen zuverlässiger durchgeführt?
• Reduziert sich die Zahl unnötiger Prüfungen bei risikoarmen Aufträgen?
• Verbessern sich gleichzeitig OTIF, Durchlaufzeit und Kosten?
• Bleibt die Wirkung stabil – oder verschiebt sich das Problem lediglich an eine andere Stelle im Prozess?

Minerva Frontier Agents können diesen Regelkreis 24x7 begleiten: neue Findings erkennen, Hypothesen weiterentwickeln und die Wirkung umgesetzter Maßnahmen kontinuierlich beobachten.

Fazit: So viel Touchless wie möglich, so viel wirksame Prüfung wie nötig

Der Order-to-Cash-Prozess zeigt, warum eine hohe Touchless-Rate allein keine ausreichende Steuerungslogik ist. Die eigentliche Frage ist, wo ein manueller Eingriff keinen Mehrwert liefert und wo er einen riskanten Auftrag vor einem späteren Qualitätsproblem schützt.

Causal Process Mining beginnt deshalb nicht bei einer möglichst großen Prozesskarte und endet nicht bei einem roten Pfad. Es verbindet fachliche Soll-Logik, beobachtete Fehlermuster, Unternehmenskontext und gezielte Vergleichsgruppen. Im gezeigten O2C-Beispiel wird dadurch eine zunächst plausible Erklärung korrigiert: Nicht die Änderung allein trennt gute und schlechte Fälle, sondern vor allem das Risikoprofil der Sonderkonfiguration.

Aus „mehr Touchless“ wird damit eine konkretere Maßnahme: risikoarme Aufträge stärker automatisieren, technische Sonderkonfigurationen gezielt prüfen und anschließend messen, ob die Regel tatsächlich Qualität und Effizienz verbessert.

Verstehen. Priorisieren. Wirksam automatisieren. Qualität schützen

Fünf Prinzipien für die Analyse

Granularität erhalten

Auftrag, Position, Konfiguration, Änderung, Prüfung, Lieferung, Rechnung, Zahlung und Reklamation bleiben als eigenständige Geschäftsobjekte mit ihren Beziehungen erhalten. Die Daten werden nicht vorab auf eine einzige lineare Case-Logik reduziert.

Mit der Frage beginnen

Für eine konkrete Fachfrage wird eine passende fachliche (kausale) Perspektive gebildet. Im O2C-Prozess können damit beispielsweise Auftragseingang, Lieferperformance, Forderungsmanagement oder Reklamationen getrennt analysiert werden, obwohl sie auf demselben Prozesswissen basieren.

Fehlermuster von Ursachen trennen

Eine übersprungene Prüfung ist ein relevantes Fehlermuster. Ob sie die spätere Reklamation erklärt, muss jedoch separat geprüft werden. Genau diese Trennung verhindert, dass sichtbare Abweichungen vorschnell zu Root Causes erklärt werden.

Kontext einbeziehen

Systemdaten zeigen Werte und Ereignisse. Fachlicher Kontext erklärt, wie Konfigurationen, Sondermerkmale und Prozessregeln im Unternehmen zu interpretieren sind. Das ist besonders wichtig, wenn Minerva oder andere KI-Funktionen mit den Prozessdaten arbeiten.

Häufige Fragen zu Order-to-Cash

Warum ist eine hohe Touchless-Rate nicht automatisch gut?

Weil nicht jeder manuelle Schritt Verschwendung ist. Manche Prüfungen schützen riskante Aufträge vor späteren Qualitätsproblemen. Entscheidend ist deshalb nicht die maximale Touchless-Rate, sondern die richtige Balance zwischen Automatisierung und wirksamer Kontrolle.

Was ist eine kausale Perspektive?

Eine kausale Perspektive bildet für eine konkrete Fachfrage die relevanten Geschäftsobjekte, Ereignisse und fachlich erwarteten Abhängigkeiten ab. Dadurch kann derselbe O2C-Prozess beispielsweise aus Sicht von Auftragseingang, Lieferperformance, Forderungsmanagement oder Reklamationen untersucht werden.

Warum ist ein Fehlermuster noch keine Root Cause?

Ein Fehlermuster zeigt zunächst, wo der beobachtete Ablauf von der erwarteten Prozesslogik abweicht – zum Beispiel wenn eine vorgesehene Prüfung übersprungen wird. Ob genau diese Abweichung einen späteren Business-Effekt verursacht, muss anschließend mit geeigneten Vergleichsgruppen und weiteren Merkmalen geprüft werden.

Welche Rolle spielen Minerva und Unternehmenskontext?

Prozessdaten liefern Werte und Ereignisse. Unternehmenskontext erklärt ihre fachliche Bedeutung und die im Unternehmen geltenden Regeln. Minerva verbindet Prozesswissen, Analyse-Skills und Kontext im Dialog, strukturiert Hypothesen und bereitet Entscheidungsgrundlagen vor. Die fachliche Entscheidung über Maßnahmen bleibt beim Menschen.