Noreja Process Intelligence

Unsere Software-Lösung liefert modernste datengetriebene Geschäftsprozessanalysen auf Basis von Process Mining für mehr Transparenz, gezielte Prozessoptimierung und einen effizienteren Ressourceneinsatz    

Übersicht der verschiedenen Noreja Tool Komponenten
Übersicht der verschiedenen Noreja Tool Komponenten

Kausales Prozess-Template

Integrationsschicht – Wie wird die Datenintegration und Prozessdefinition gehandhabt?

Auf der einen Seite internalisieren Geschäftsprozesse implizit eine Menge an Domänenwissen, das in den Köpfen von Prozessverantwortlichen, Analysten und beteiligten Mitarbeitern verborgen ist. Auf der anderen Seite generieren IT-Systeme parallel zur tagtäglichen Prozessausführung riesige Datenmengen. 

Daher glauben wir, dass die Grundlage für effektives Prozess-Mining eine Kombination aus Prozessdaten und Domänenwissen ist. Unser Ansatz führt beide Wissensquellen zusammen, indem er dem Anwender erlaubt, die holistische Ausführungsreihenfolge bestimmter Geschäftsobjekte (z.B. Auftragbestellung, Kommissionierschein, Rechnung, etc.) auf Basis der zugrunde liegenden Datenbankstrukturen der Quellsysteme zu definieren und zu sortieren. Diese definierte Reihenfolge der kausalen Beziehungen dient in den nächsten Schritten als Grundlage für den Import der Daten aus den Quellsystemen in die Graphendatenbank.

 

1. Kausales Prozess-Template

Integrationsschicht – Wie wird die Datenintegration und Prozessdefinition gehandhabt?

Auf der einen Seite internalisieren Geschäftsprozesse implizit eine Menge an Domänenwissen, das in den Köpfen von Prozessverantwortlichen, Analysten und beteiligten Mitarbeitern verborgen ist. Auf der anderen Seite generieren IT-Systeme parallel zur tagtäglichen Prozessausführung riesige Datenmengen. 

Daher glauben wir, dass die Grundlage für effektives Prozess-Mining eine Kombination aus Prozessdaten und Domänenwissen ist. Unser Ansatz führt beide Wissensquellen zusammen, indem er dem Anwender erlaubt, die holistische Ausführungsreihenfolge bestimmter Geschäftsobjekte (z.B. Auftragbestellung, Kommissionierschein, Rechnung, etc.) auf Basis der zugrunde liegenden Datenbankstrukturen der Quellsysteme zu definieren und zu sortieren. Diese definierte Reihenfolge der kausalen Beziehungen dient in den nächsten Schritten als Grundlage für den Import der Daten aus den Quellsystemen in die Graphendatenbank.

Kausaler Eventgraph

Datenbankschicht – Wie sieht die unterliegende Datenstruktur aus?

Basierend auf der kausalen Prozess-Modellierung werden die zugrundeliegenden Quelldaten in eine Graphenstruktur transformiert, um eine temporale Reihenfolgebeziehungen zwischen Geschäftsobjekten zu modellieren. Diese Struktur bietet eine ideale Grundlage für das anschließende kausales Prozess-Mining, aber auch für andere Anwendungsfälle im Bereich der Data Science. Graphendatenbanken …

  • speichern Daten bereits prozessbasiert ab: Graphendatenbanken sind bereits von ihrer Konstruktion aus optimiert für die Abbildung von Prozessen. Sie speichern nämlich nicht nur die Datenobjekte selbst, sondern auch deren Beziehungen – und ein Geschäftsprozess besteht mehr oder weniger aus Aktivitäten (Knoten) und Beziehungen (Kanten).
  • kontextualisieren Daten: Durch die netzwerkartige Datenstruktur zwischen Geschäftsobjekten (z.B. Auftrag, Rechnung, Produktartikel) lassen sich interessante Beziehungen intuitiver aufdecken. Dies ermöglicht eine explorative Datenanalyse.
  • erlauben Pushdown: Die Rechenleistung wird von der Prozess-Mining-Anwendungsschicht zur Engine der Graphendatenbank weitergereicht.
  • beschleunigen komplexe Queries: Insbesondere komplexe Queries, die viele Datenverbindungen beinhalten können von Graphdatenbank-Engines schneller und effizienter bearbeitet werden. Relationale Datenbank-Engines müssen in diesem Kontext häufig rechenintensive Joins durchführen.

Im Folgenden haben wir eine vereinfachte Prozessinstanz in Graphenstruktur abgebildet:

2. Kausaler Eventgraph

Datenbankschicht – Wie sieht die unterliegende Datenstruktur aus?

Basierend auf der kausalen Prozess-Modellierung werden die zugrundeliegenden Quelldaten in eine Graphenstruktur transformiert, um eine temporale Reihenfolgebeziehungen zwischen Geschäftsobjekten zu modellieren. Diese Struktur bietet eine ideale Grundlage für das anschließende kausales Prozess-Mining, aber auch für andere Anwendungsfälle im Bereich der Data Science. Graphendatenbanken …

  • speichern Daten bereits prozessbasiert ab: Graphendatenbanken sind bereits von ihrer Konstruktion aus optimiert für die Abbildung von Prozessen. Sie speichern nämlich nicht nur die Datenobjekte selbst, sondern auch deren Beziehungen – und ein Geschäftsprozess besteht mehr oder weniger aus Aktivitäten (Knoten) und Beziehungen (Kanten).
  • kontextualisieren Daten: Durch die netzwerkartige Datenstruktur zwischen Geschäftsobjekten (z.B. Auftrag, Rechnung, Produktartikel) lassen sich interessante Beziehungen intuitiver aufdecken. Dies ermöglicht eine explorative Datenanalyse.
  • erlauben Pushdown: Die Rechenleistung wird von der Prozess-Mining-Anwendungsschicht zur Engine der Graphendatenbank weitergereicht.
  • beschleunigen komplexe Queries: Insbesondere komplexe Queries, die viele Datenverbindungen beinhalten können von Graphdatenbank-Engines schneller und effizienter bearbeitet werden. Relationale Datenbank-Engines müssen in diesem Kontext häufig rechenintensive Joins durchführen.

Im Folgenden haben wir eine vereinfachte Prozessinstanz in Graphenstruktur abgebildet:

Kausales Prozess-Mining

Applikationsschicht – Wie funktioniert kausales Prozess-Mining und welche Arten von Analysen und Visualisierungen können genutzt werden?

Der Algorithmus hinter dem kausalem Prozess-Mining erkennt die Zusammenhänge zwischen den ausgeführten Events und bringt sie in eine logische Reihenfolge. Das Workflow-ähnliche Tool führt den Anwender von einer hohen Abstraktionsebene Schritt für Schritt in Richtung konkreter Problemfelder. Am Ende dieser Prozedur erhält der Anwender zielgerichtete Implikationen für die Prozessoptimierung.

Nachfolgend haben wir eine Auswahl von Visualisierungstypen der verschiedenen Ebenen dargestellt: 

3. Kausales Prozess-Mining

Applikationsschicht – Wie funktioniert kausales Prozess-Mining und welche Arten von Analysen und Visualisierungen können genutzt werden?

Der Algorithmus hinter dem kausalem Prozess-Mining erkennt die Zusammenhänge zwischen den ausgeführten Events und bringt sie in eine logische Reihenfolge. Das Workflow-ähnliche Tool führt den Anwender von einer hohen Abstraktionsebene Schritt für Schritt in Richtung konkreter Problemfelder. Am Ende dieser Prozedur erhält der Anwender zielgerichtete Implikationen für die Prozessoptimierung.

Nachfolgend haben wir eine Auswahl von Visualisierungstypen der verschiedenen Ebenen dargestellt: 

Prozesskennzahlen (PPIs)

Applikationsschicht – Mit welchen Kennzahlen kann ich meinen Prozess kontinuierlich überwachen und benchmarken? 

Unser Tool ermöglicht die Berechnung zahlreicher PPIs, die zur Unterstützung des Managements oder eines Prozess-Owners verwendet werden können, um die Prozessausführung im Zeitablauf zu monitoren. PPIs eignen sich gerade für regelmäßiges Reporting, denn sie geben Aufschluss darüber, ob eine bestimmte Prozessoptimierungsinitiative zu positiven Veränderungen geführt hat oder welche Auswirkungen eingetretene Ereignisse auf die Prozessausführung hatten. Nachfolgend haben wir eine Auswahl wichtiger PPIs aus dem Order-to-Cash-Prozess beschrieben*.

Avg. Throughput Time

Calculation of the average time it takes for a certain process from its first to its last activity. By using filter functions, it is possible to limit the calculation to just a customer, an order type, a single process instance, a region, etc.

Rework Rate

Uncover how many rework actions take place along a business process. This allows not only uncovering the additional costs necessary for manual work but also the intensity a customer or supplier changes its requests. Of course, there is the possibility to filter by customer, order type, resource, region, etc.

Activity Batching Factor

The batching factor calculates how intensive certain process activities bundle multiple business objects along the process. For instance, a delivery activity can encapsulate multiple orders for the same customer. From a cost perspective, it can be helpful to combine the delivery of multiple orders for the same customer in order to save money for transportation.

Number of Process Variants

The number of process variants is an indication of process complexity. We count one process variant as one individual process path taken. In reality, we often experience hundreds or thousands of individual process paths. Usually, the goal is to reduce the number of process variants in order to get closer to the standard process paths.

Number of Process Violations

A process violation occurs if one process activity is executed in a way that contradicts its initial definition. For instance, an process activity was executed in the wrong order, a four-eye-check was skipped or certain thresholds were exceeded.

Days Sales Outstanding (DSO)

Days sales outstanding indicates the average amount of time it takes between the invoice date and the actual payment of a customer. The number is highly important for assessing the liquidity and cash flow based on outstanding account receivables. The number helps optimize cash discount rates in order to nudge the customer towards an earlier payment. By using Noreja, it is possible to filter by certain business objects like customers, orders, order types, etc.

Cash Discount Received

The cash discount received is a measure of how intensive a customer uses a cash discount in exchange for early payments. A high number indicates that the cash discount is attractive for the customer and that the customer has good payment morale. A low cash discount received leaves room for maneuver during upcoming payment terms negotiations.

Hidden Credit Time

The hidden credit time is the average number of days between delivery and invoicing. It indicates how much time a seller grants credit for its customers, hence, is not paid for its services or products. By reducing the hidden credit line, the cash flow is optimized.

* Abhängig von der Quelldatenbank und der Verfügbarkeit der relevanten Daten

Prozesskennzahlen (PPIs)

Applikationsschicht – Mit welchen Kennzahlen kann ich meinen Prozess kontinuierlich überwachen und benchmarken? 

Unser Tool ermöglicht die Berechnung zahlreicher PPIs, die zur Unterstützung des Managements oder eines Prozess-Owners verwendet werden können, um die Prozessausführung im Zeitablauf zu monitoren. PPIs eignen sich gerade für regelmäßiges Reporting, denn sie geben Aufschluss darüber, ob eine bestimmte Prozessoptimierungsinitiative zu positiven Veränderungen geführt hat oder welche Auswirkungen eingetretene Ereignisse auf die Prozessausführung hatten. Nachfolgend haben wir eine Auswahl wichtiger PPIs aus dem Order-to-Cash-Prozess beschrieben*.

Avg. Throughput Time

Calculation of the average time it takes for a certain process from its first to its last activity. By using filter functions, it is possible to limit the calculation to just a customer, an order type, a single process instance, a region, etc.

Rework Rate

Uncover how many rework actions take place along a business process. This allows not only uncovering the additional costs necessary for manual work but also the intensity a customer or supplier changes its requests. Of course, there is the possibility to filter by customer, order type, resource, region, etc.

Activity Batching Factor

The batching factor calculates how intensive certain process activities bundle multiple business objects along the process. For instance, a delivery activity can encapsulate multiple orders for the same customer. From a cost perspective, it can be helpful to combine the delivery of multiple orders for the same customer in order to save money for transportation.

Number of Process Variants

The number of process variants is an indication of process complexity. We count one process variant as one individual process path taken. In reality, we often experience hundreds or thousands of individual process paths. Usually, the goal is to reduce the number of process variants in order to get closer to the standard process paths.

Number of Process Violations

A process violation occurs if one process activity is executed in a way that contradicts its initial definition. For instance, an process activity was executed in the wrong order, a four-eye-check was skipped or certain thresholds were exceeded.

Days Sales Outstanding (DSO)

Days sales outstanding indicates the average amount of time it takes between the invoice date and the actual payment of a customer. The number is highly important for assessing the liquidity and cash flow based on outstanding account receivables. The number helps optimize cash discount rates in order to nudge the customer towards an earlier payment. By using Noreja, it is possible to filter by certain business objects like customers, orders, order types, etc.

Cash Discount Received

The cash discount received is a measure of how intensive a customer uses a cash discount in exchange for early payments. A high number indicates that the cash discount is attractive for the customer and that the customer has good payment morale. A low cash discount received leaves room for maneuver during upcoming payment terms negotiations.

Hidden Credit Time

The hidden credit time is the average number of days between delivery and invoicing. It indicates how much time a seller grants credit for its customers, hence, is not paid for its services or products. By reducing the hidden credit line, the cash flow is optimized.

* Abhängig von der Quelldatenbank und der Verfügbarkeit der relevanten Daten

“A company’s ability to flexibly change its organizational processes indicates its readiness to undergo other radical reconfigurations.”

– Kim, Shin, Kim, and Lee (2011: 488)

Data Science

Applikationsschicht – Welche Analysemöglichkeiten sind neben dem kausalen Prozess-Mining zusätzlich möglich?

Unser modularer Ansatz erlaubt es uns, auf Basis der Graphendatenbankstrukturen zusätzliche Micro-Services anzudocken, die klassische Data Science Anwendungsfälle abbilden. Dies ermöglicht Anwendern zusätzliche Arten der Prozessdatenanalyse, einschließlich Korrelation-, Clustering- oder Diskriminanzanalysen. Die unterliegenden Graphendatenstrukturen sind ebenfalls in der Lage, Machine-Learning oder Big-Data-Anwendungsfälle weitaus effizienter zu handhaben als relationale Datenbanken. Derzeit arbeiten wir an der Entwicklung unserer ersten Data-Science-Applikation im Bereich des Clusterings.

Stay tuned!

4. Data Science

Applikationsschicht – Welche Analysemöglichkeiten sind neben dem kausalen Prozess-Mining zusätzlich möglich? 

Unser modularer Ansatz erlaubt es uns, auf Basis der Graphendatenbankstrukturen zusätzliche Micro-Services anzudocken, die klassische Data Science Anwendungsfälle abbilden. Dies ermöglicht Anwendern zusätzliche Arten der Prozessdatenanalyse, einschließlich Korrelation-, Clustering- oder Diskriminanzanalysen. Die unterliegenden Graphendatenstrukturen sind ebenfalls in der Lage, Machine-Learning oder Big-Data-Anwendungsfälle weitaus effizienter zu handhaben als relationale Datenbanken. Derzeit arbeiten wir an der Entwicklung unserer ersten Data-Science-Applikation im Bereich des Clusterings.

Stay tuned!