Entscheidungsbaum

Überblick

Der Entscheidungsbaum-Rechner nutzt KI-gestützte statistische Analyse, um die Hauptursachen bestimmter Prozessverhalten zu identifizieren. Dieser leistungsstarke Rechner vergleicht Fälle mit einem Zielergebnis mit allen Fällen, um herauszufinden, welche Attributwerte am stärksten mit diesem Ergebnis korrelieren. Er berechnet automatisch Risikoverhältnisse, Wahrscheinlichkeitswerte und erklärende Anteile, um potenzielle Ursachen nach ihrer Erklärungskraft zu bewerten.

Dies ist ein KI-gestützter Rechner, der erfordert, dass ein Ergebnis durch Filter definiert wird und anschließend automatisch Ihre Daten analysiert, um die treibenden Faktoren für dieses Verhalten zu entdecken.

Häufige Anwendungsfälle

Faktoren identifizieren, die zu verspäteten Zahlungen führen
Ursachen für Nacharbeit und wiederholte Tätigkeiten verstehen
Herausfinden, was zu Eskalationen von Fällen führt
Muster analysieren, die zu Compliance-Verstößen führen
Ermitteln, was verlängerte Fallzeiten verursacht
Qualitätsprobleme und ihre beitragenden Faktoren untersuchen
Muster bei Kundenbeschwerden verstehen

Einstellungen

Ergebnisdefinition

Anzahl der Filter: Die Anzahl der vorhandenen Filter, die Ihr Zielergebnis definieren. Ist dieser Wert auf 0 gesetzt, verwenden Sie die unten stehende Filterliste zur Ergebnisdefinition.

Filterliste: Wenn die Anzahl der Filter 0 ist, definieren Sie Filter, die Fälle auswählen, die das Verhalten zeigen, das Sie analysieren möchten. Zum Beispiel einen Filter für „Fälle mit Nacharbeit“ oder „Fälle, die länger als 30 Tage dauern“.

Eingabekonfiguration

Eingabespaltennamen: Manuelle Angabe, welche Fallattribute als potenzielle Ursachen analysiert werden sollen.

Automatische Eingabe: Wenn aktiviert, werden automatisch geeignete Spalten für die Analyse basierend auf Datentypen und Kardinalität ausgewählt.

Analysegrenzwerte

Minimaler Prozentsatz: Der minimale Anteil der Fälle, bei denen ein Attributwert vorhanden sein muss, damit dieser berücksichtigt wird (Standard: 0,1 % der Fälle).

Minimale Fallanzahl: Die minimale Anzahl an Fällen, die für einen Attributwert erforderlich ist, damit dieser berücksichtigt wird (Standard: 3 Fälle).

Schwelle für Wahrscheinlichkeitssteigerung: Das minimale Risikoverhältnis, das erforderlich ist, damit eine Ursache berichtet wird (Standard: 1,01, also 1 % erhöhte Wahrscheinlichkeit).

Schwelle für erklärten Prozentsatz: Der minimale Anteil der Ergebnisfälle, die den Attributwert haben müssen (Standard: 1 %).

Maximale Anzahl Ursachen: Die maximale Anzahl von Ursachen, die zurückgegeben werden (Standard: 20).

Beispiel

Ursachen von Zahlungsverzögerungen finden

Szenario: Sie möchten verstehen, warum einige Rechnungen verspätet bezahlt werden, andere jedoch pünktlich.

Einrichtung:

Erstellen Sie einen Filter für „verspätete Zahlungen“ (z.B. Zahlungsdatum > Fälligkeitsdatum)
Stellen Sie den Entscheidungsbaum-Rechner so ein, dass er diesen Filter als Ergebnis nutzt
Wählen Sie Attribute zur Analyse: Lieferant, Abteilung, Rechnungsbetrag, Zahlungsbedingungen
Führen Sie die Analyse durch

Ergebnis:

Der Rechner erzeugt folgende Ergebnisse:

Attribut	Wert	Fälle mit Wert	Ergebniswahrscheinlichkeit	Risikoverhältnis	Erklärter Anteil
Lieferantenkategorie	International	15 % aller Fälle	45 % sind verspätet	3,2x	35 % der verspäteten Zahlungen
Rechnungsbetrag	> $50.000	8 % aller Fälle	38 % sind verspätet	2,7x	18 % der verspäteten Zahlungen
Abteilung	Beschaffung B	12 % aller Fälle	32 % sind verspätet	2,3x	22 % der verspäteten Zahlungen

Interpretation:

Internationale Lieferanten haben eine 3,2-fach höhere Wahrscheinlichkeit für verspätete Zahlungen als der Basiswert
35 % aller verspäteten Zahlungen betreffen internationale Lieferanten
Hochwertige Rechnungen und eine bestimmte Abteilung zeigen ebenfalls erhöhtes Risiko

Erkenntnisse: Die Analyse zeigt, dass internationale Lieferanten, insbesondere bei hochpreisigen Rechnungen, andere Zahlungsprozesse benötigen. Der Entscheidungsbaum hilft dabei, Prioritäten für Prozessverbesserungen mit dem größten Einfluss zu setzen.

Verständnis der Metriken

Risikoverhältnis (Wahrscheinlichkeitsanstieg)

Das Risikoverhältnis vergleicht die Wahrscheinlichkeit des Ergebnisses, wenn ein Attributwert vorhanden ist, mit der Wahrscheinlichkeit, wenn er nicht vorhanden ist:

Risk Ratio = P(Outcome | Value Present) / P(Outcome | Value Absent)

Risikoverhältnis = 1,0: Der Attributwert hat keinen Effekt
Risikoverhältnis = 2,0: Fälle mit diesem Wert haben die doppelte Wahrscheinlichkeit für das Ergebnis
Risikoverhältnis = 0,5: Fälle mit diesem Wert haben eine 50 % geringere Wahrscheinlichkeit für das Ergebnis

Erklärter Anteil

Der erklärte Anteil zeigt, welcher Prozentsatz der Ergebnisfälle den Attributwert aufweist:

Fraction Explained = (Cases with Outcome AND Value) / (Total Cases with Outcome)

Dies hilft bei der Priorisierung: Eine Ursache mit hohem Risikoverhältnis, aber niedrigem erklärten Anteil betrifft nur einen kleinen Teil Ihrer Problemlösung.

Prioritätsranking

Ursachen werden als Hoch-, Mittel- oder Niedrigpriorität eingestuft basierend auf einer Kombination von:

Wahrscheinlichkeitsanstieg (Risikoverhältnis)
Erklärter Anteil am Ergebnis
Statistische Signifikanz (Fallzahlen)

Anzeigemodi

Satzansicht

Gibt menschenlesbare Erklärungen zu jeder Ursache aus:

"Fälle, bei denen Lieferantenkategorie = International ist, haben eine 3,2-fach höhere Wahrscheinlichkeit für verspätete Zahlungen. Dieses Attribut erklärt 35 % aller verspäteten Zahlungen."

Statistikraster

Zeigt alle berechneten Metriken in einer sortierbaren Tabelle für detaillierte Analysen.

Ergebniswahrscheinlichkeitsansicht

Konzentriert sich auf Attributwerte mit den höchsten Risikoverhältnissen – jene, die die Wahrscheinlichkeit des Ergebnisses am stärksten erhöhen.

Ergebniswertansicht

Fokussiert auf Attributwerte, die die meisten Fälle betreffen – wo Verbesserungen die breiteste Wirkung hätten.

Funktionsweise

Häufigkeitsberechnung: Zählt Vorkommen jedes Attributwerts über alle Fälle und Ergebnisfälle hinweg
Wahrscheinlichkeitsvergleich: Berechnet für jeden Wert die Ergebniswahrscheinlichkeit bei Vorhandensein vs. Nichtvorhandensein
Risikoverhältnis: Ermittelt das Verhältnis dieser Wahrscheinlichkeiten
Erklärter Anteil: Berechnet den Anteil der Ergebnisfälle mit jedem Wert
Schwellenfilterung: Entfernt Ergebnisse unterhalb der konfigurierten Grenzwerte
Ranking: Sortiert nach Erklärungskraft (Kombination aus Risikoverhältnis und erklärtem Anteil)

Beste Vorgehensweisen

Gute Ergebnisdefinitionen

Seien Sie spezifisch: „Zahlungen, die mehr als 7 Tage verspätet sind“ ist besser als „Verspätete Zahlungen“
Stellen Sie ausreichende Fallzahlen sicher: Genügend Ergebnisfälle für statistische Validität
Testen Sie verschiedene Definitionen, um zu sehen, ob sich Ursachen ändern

Auswahl der Eingabespalten

Einschluss kategorialer Attribute (Lieferant, Abteilung, Status)
Einschluss diskretisierter numerischer Attribute (Betragsbereiche, Dauerkategorien)
Ausschluss von Spalten mit zu vielen eindeutigen Werten (IDs, Freitext)
Beginnen Sie mit automatischer Auswahl und verfeinern Sie dann anhand der Ergebnisse

Interpretation der Ergebnisse

Suchen Sie nach hoher Kombination aus Risikoverhältnis UND erklärtem Anteil
Berücksichtigen Sie den Geschäftskontext: Ist die identifizierte Ursache umsetzbar?
Validieren Sie die Ergebnisse mit Prozessexperten vor Maßnahmen
Nutzen Sie Drilldown, um zugrundeliegende Fälle zu untersuchen

Ausgabe

Der Rechner bietet mehrere Ausgabeformate:

Entscheidungsbaum-Tabelle: Alle Ursachen nach Erklärungskraft sortiert
Ergebniswahrscheinlichkeits-Tabelle: Werte mit höchsten Risikoverhältnissen, mit Drilldown auf Fälle
Ergebniswert-Tabelle: Werte mit größtem Einfluss nach Fallanzahl, mit Drilldown
Chattext: Menschlich lesbare Zusammenfassung für Präsentationen

Interaktive Funktionen:

Klicken Sie auf Zeilen, um zugrundeliegende Fälle anzuzeigen
Nach verschiedenen Metriken sortieren
Ergebnisse für weitere Analysen exportieren
Empfehlungen aus identifizierten Ursachen erstellen

Diese Dokumentation ist Teil der mindzie Studio Process-Mining-Plattform.