LLM-Prompts

Übersicht

Der LLM-Prompts-Rechner erzeugt umfassende, AI-fähige Zusammenfassungen Ihrer Process-Mining-Daten, die von Large Language Models (LLMs) verarbeitet werden können. Dieser Rechner dient als Datenbrücke zwischen mindzieStudio und KI-Chatbot-Systemen und ermöglicht so Funktionen wie mindzie Copilot.

WICHTIG: Dies ist ein nur für Administratoren bestimmter Rechner, der für KI-Integration und Chatbot-Funktionalität ausgelegt ist. Er erstellt strukturierte Prompts mit Prozessstatistiken, Aktivitätsmustern und Leistungskennzahlen, die speziell für die Verarbeitung durch KI-Assistenten formatiert sind. Normale Nutzer interagieren mit den KI-Fähigkeiten über die mindzie Copilot-Oberfläche und verwenden diesen Rechner nicht direkt.

Dieser Rechner steuert den Datenaustausch intelligent durch fünf Datenschutzstufen und stellt sicher, dass Sie die Kontrolle darüber behalten, welche Informationen an externe LLM-Dienste weitergegeben werden, während eine natürliche Sprach-Analyse Ihrer Prozessdaten ermöglicht wird.

Häufige Verwendungszwecke

KI-Chatbot-Assistenten betreiben, die natürliche Sprachfragen zu Ihren Prozessdaten beantworten
Nutzern ermöglichen, Fragen wie „Welche Aktivität verursacht die meisten Verzögerungen?“ zu stellen und KI-generierte Erkenntnisse erhalten
Kontext für Large Language Models bereitstellen für automatisierte Prozessanalysen und Empfehlungen
Umfassende Datensatz-Zusammenfassungen erzeugen, die für KI-Verarbeitung und Interpretation optimiert sind
Datenschutz steuern, indem eingeschränkt wird, welche Prozessdaten mit externen LLM-Diensten geteilt werden
Unterschiedliche Vertrauensstufen für On-Premise- gegenüber Cloud-basierten KI-Diensten unterstützen

Einstellungen

Data Level: Steuert, wie viele Prozessdaten mit dem LLM geteilt werden. Dies ist die wichtigste Datenschutzsteuerung.

Level 0 (Aus) – Deaktiviert KI-Funktionen vollständig. Keine Daten werden an LLM-Dienste gesendet.
Level 1 (Keine Daten) – KI kann generische Fragen zu Process Mining beantworten, hat aber keinen Zugriff auf Ihren Datensatz.
Level 2 (Aktivitäts- und Attributnamen) – Teilt nur Spaltennamen und Datentypen. Die KI versteht die Struktur Ihres Datensatzes, jedoch nicht die Werte.
Level 3 (Aktivitäten, Attribute und berechnete Werte) – Teilt aggregierte Statistiken wie Dauer und Häufigkeiten. Keine Rohfalldaten.
Level 4 (Alle Daten) – Vollständiges statistisches Profil einschließlich aller berechneten Metriken. Maximale KI-Fähigkeit. Hinweis: Rohfalldaten werden auf keinem Level geteilt.

Aktivitäten und Attribute einschließen: Wenn aktiviert, werden Aktivitätsnamen mit Fallzahlen und prozentualen Anteilen geteilt sowie vollständige Listen von Fall- und Ereignisattributen mit Datentypen. Aktiv bei den Datenleveln 2, 3 und 4. Dies hilft der KI zu verstehen, welche Aktivitäten und Attribute in Ihrem Prozess vorhanden sind.

Attributaufschlüsselung einschließen: Wenn aktiviert, werden detaillierte Wertverteilungen für kategoriale Attribute bereitgestellt, mit Zählungen und Prozentanteilen für jeden Wert. Aktiv bei Datenlevel 3 und 4. Attribute mit mehr als 100 Kategorien werden automatisch übersprungen, um die KI nicht mit zu vielen Details zu überlasten.

Zeit zwischen Aktivitäten einschließen: Wenn aktiviert, werden Leistungsdaten zu Aktivitätspaaren geteilt, einschließlich Zeit zwischen Aktivitäten, Fallzahlen, Prozentanteilen und mittleren Dauern. Begrenzung auf die Top 100 Aktivitätspaare. Aktiv bei Datenlevel 3 und 4. Dies hilft der KI, Engpässe und Verzögerungen im Prozess zu erkennen.

Dauer-Histogramm einschließen: Wenn aktiviert, wird die Verteilung der Falldauern in zeitlichen Buckets bereitgestellt. Aktiv bei Datenlevel 3 und 4. Dies unterstützt die KI dabei, typische gegenüber Ausreißerdauern in Ihrem Prozess zu verstehen.

Datensatzinformationen einschließen: Wenn aktiviert, werden Gesamtstatistiken des Datensatzes geteilt, inkl. Start- und Endzeiten, Fallzahlen, Ereigniszahlen, Dauerstatistiken und Attributanzahlen. Aktiv bei Datenlevel 3 und 4. Dies gibt der KI einen Überblick über Umfang und Eigenschaften Ihres Datensatzes.

Start- und Endhäufigkeiten einschließen: Wenn aktiviert, wird angezeigt, mit welchen Aktivitäten Fälle beginnen und enden sowie deren prozentuale Anteile. Aktiv bei Datenlevel 3 und 4. Dies hilft der KI, Einstiegspunkte und Austrittsmuster im Prozess zu erkennen und gängige Start- und Endaktivitäten zu identifizieren.

Ressourcenhäufigkeit einschließen: Wenn aktiviert, werden Fallprozentsätze für jede Ressource bereitgestellt, begrenzt auf die Top 100 Ressourcen. Aktiv bei Datenlevel 3 und 4. Nur enthalten, wenn eine Ressourcen-Spalte im Datensatz existiert. Dies unterstützt die KI dabei, Arbeitslastverteilung und potenzielle Ressourcenengpässe zu identifizieren.

Varianteninformationen einschließen: Wenn aktiviert, werden Prozessvariante-Statistiken geteilt, inkl. Variantenfolgen, Fallprozentsätzen und mittleren Dauern je Variante. Begrenzung auf die Top 100 Varianten. Aktiv bei Datenlevel 3 und 4. Dies hilft der KI zu verstehen, welche Prozesspfade am häufigsten sind und wie ihre Leistung vergleichsweise ist.

Prefix-Text: Optionaler Text, der dem generierten Prompt vorangestellt wird. Kann verwendet werden, um benutzerdefinierten Kontext oder Anweisungen vor den Hauptdaten einzufügen. Wird aktuell gespeichert, aber in der Hauptberechnung nicht aktiv verwendet.

Postfix-Text: Optionaler Text, der dem generierten Prompt angehängt wird. Kann verwendet werden, um benutzerdefinierten Kontext oder Anweisungen nach den Hauptdaten einzufügen. Wird aktuell gespeichert, aber in der Hauptberechnung nicht aktiv verwendet.

Beispiele

Beispiel 1: Aktivierung der KI-gestützten Prozessanalyse

Szenario: Sie möchten den mindzie Copilot KI-Assistenten aktivieren, damit er natürliche Sprachfragen zu Ihrem Order-to-Cash-Prozess beantwortet. Sie vertrauen dem LLM-Dienstanbieter und möchten umfassende Prozessstatistiken teilen, um die analytischen Fähigkeiten der KI zu maximieren.

Einstellungen:

Data Level: Level 4 (Alle Daten)
Aktivitäten und Attribute einschließen: aktiviert
Attributaufschlüsselung einschließen: aktiviert
Zeit zwischen Aktivitäten einschließen: aktiviert
Dauer-Histogramm einschließen: aktiviert
Datensatzinformationen einschließen: aktiviert
Start- und Endhäufigkeiten einschließen: aktiviert
Ressourcenhäufigkeit einschließen: aktiviert
Varianteninformationen einschließen: aktiviert

Ausgabe:

Der Rechner erzeugt einen umfassenden Prompt mit Folgendem:

Datensatzinformationen:

2.456 Fälle vom 1. Oktober bis 31. Dezember 2024
Durchschnittliche Falldauer: 8,5 Tage
18 eindeutige Aktivitäten
15 Fallattribute und 12 Ereignisattribute

Aktivitätsstatistiken:

Bestellung anlegen: 100 % aller Fälle
Lager prüfen: 98 % aller Fälle
Versenden: 95 % aller Fälle
Rechnung erstellen: 94 % aller Fälle
Zahlung: 89 % aller Fälle

Zeit zwischen Aktivitäten (mit Verzögerungen):

Rechnung bis Zahlung: Mittelwert 4,2 Tage
Lager prüfen bis Versenden: Mittelwert 3,1 Tage
Bestellung anlegen bis Lager prüfen: Mittelwert 1,8 Tage

Variantenanalyse:

Top-Variante (32 % der Fälle): Bestellung anlegen, Lager prüfen, Versenden, Rechnung, Zahlung – 3,2 Tage durchschnittlich
Zweite Variante (28 % der Fälle): Bestellung anlegen, Lager prüfen, Nachbestellung, Versenden, Rechnung, Zahlung – 8,5 Tage durchschnittlich

Ressourcenverteilung:

Order-Processing-Team: 45 % der Fälle
Lager-Team: 38 % der Fälle
Finanz-Team: 35 % der Fälle

Geschätzte Token: 6.200 Token (4,8 % der 128K LLM-Kapazität)

Erkenntnisse: Mit allen Datenabschnitten aktiviert hat der KI-Assistent einen umfassenden Kontext über Ihren Order-to-Cash-Prozess. Nutzer können Fragen stellen wie „Warum dauern manche Bestellungen doppelt so lang wie andere?“ und die KI erkennt, dass die zweite Variante einen Nachbestellschritt enthält, der durchschnittlich 5,3 Tage hinzufügt. Die KI kann außerdem herausfinden, dass die Verzögerung von Rechnung bis Zahlung mit 4,2 Tagen fast die Hälfte der durchschnittlichen Falldauer ausmacht, was auf Optimierungspotenzial beim Zahlungseinzug hinweist. Die Tokenanzahl von 6.200 entspricht nur 5 % der Kapazität moderner LLMs und lässt ausreichend Raum für Gesprächshistorien und komplexe Fragen.

Beispiel 2: Datenschutzbewusstes Teilen von Metadaten

Szenario: Ihre Firmenpolicy verlangt, dass sensible Prozessdaten nicht mit externen Cloud-basierten LLM-Diensten geteilt werden dürfen. Sie möchten jedoch eine grundlegende KI-Unterstützung ermöglichen, die Nutzer anhand der Struktur Ihres Datensatzes durch mindzieStudio-Funktionen führen kann, ohne tatsächliche Werte zu sehen.

Einstellungen:

Data Level: Level 2 (Aktivitäts- und Attributnamen)
Aktivitäten und Attribute einschließen: aktiviert
Alle anderen Abschnitte: deaktiviert (automatisch bei Level 2 ausgeschlossen)

Ausgabe:

Der Rechner generiert einen minimalen Prompt mit Folgendem:

Aktivitätsnamen:

Rechnung erstellen (2.156 Fälle – 100 %)
Bestellung abgleichen (2.089 Fälle – 96,9 %)
Wareneingang abgleichen (1.867 Fälle – 86,6 %)
Rechnung genehmigen (2.145 Fälle – 99,5 %)
Rechnung bezahlen (2.001 Fälle – 92,8 %)

Fallattribute:

Invoice_Number (String)
Vendor_Name (String)
Invoice_Amount (Decimal)
Currency (String)
Payment_Terms (String)
Department (String)

Ereignisattribute:

Aktivität (String)
Zeitstempel (DateTime)
Ressource (String)
Genehmigungsstufe (String)

Geschätzte Token: 450 Token

Erkenntnisse: Auf Level 2 versteht die KI die Struktur Ihres Datensatzes und kann Nutzern helfen, mindzieStudio-Funktionen zu nutzen. Wenn ein Nutzer beispielsweise fragt „Wie kann ich die Rechnungsverarbeitung nach Lieferanten analysieren?“, sieht die KI, dass ein Attribut Vendor_Name existiert und empfiehlt, den Breakdown by Categories-Rechner mit Vendor_Name als Kategorie zu verwenden. Die KI kann aber keine Fragen zu spezifischen Lieferanten oder konkreten Verarbeitungsstatistiken beantworten, da keine Werte oder berechneten Metriken geteilt werden. Dieser datenschutzbewusste Ansatz ermöglicht hilfreiche Unterstützung bei gleichzeitiger Wahrung der Datenvertraulichkeit und Einhaltung strenger Datenrichtlinien.

Beispiel 3: Selektives Teilen von Daten für Performance

Szenario: Sie möchten KI-Analysen fokussiert auf Prozessfluss und Engpass-Identifikation ermöglichen, dabei aber die Token-Nutzung minimieren, um LLM-API-Kosten zu senken und Antwortzeiten zu verbessern. Ressource- oder Attributanalysen sind für den aktuellen Use Case nicht erforderlich.

Einstellungen:

Data Level: Level 3 (Aktivitäten, Attribute und berechnete Werte)
Aktivitäten und Attribute einschließen: aktiviert
Attributaufschlüsselung einschließen: deaktiviert
Zeit zwischen Aktivitäten einschließen: aktiviert
Dauer-Histogramm einschließen: aktiviert
Datensatzinformationen einschließen: aktiviert
Start- und Endhäufigkeiten einschließen: aktiviert
Ressourcenhäufigkeit einschließen: deaktiviert
Varianteninformationen einschließen: aktiviert

Ausgabe:

Der Rechner generiert einen fokussierten Prompt mit Prozessflussdaten:

Datensatzübersicht:

1.847 Bestellungen
1. Oktober – 31. Dezember 2024
Durchschnittliche Dauer: 8,5 Tage

Zeit zwischen Aktivitäten:

Anforderung einreichen bis erste Genehmigung: Mittelwert 3,2 Tage (Engpass erkannt)
Erste Genehmigung bis zweite Genehmigung: Mittelwert 1,1 Tage
Zweite Genehmigung bis Bestellung anlegen: Mittelwert 0,8 Tage
Bestellung anlegen bis Lieferantenbestätigung: Mittelwert 2,4 Tage

Dauer-Histogramm:

0–3 Tage: 412 Fälle (22 %)
3–7 Tage: 628 Fälle (34 %)
7–14 Tage: 521 Fälle (28 %)
14+ Tage: 286 Fälle (16 %)

Prozessvarianten:

Standardgenehmigungspfad (65 %): 7,2 Tage durchschnittlich
Beschleunigter Pfad (20 %): 3,1 Tage durchschnittlich
Eskalationspfad (15 %): 15,8 Tage durchschnittlich

Geschätzte Token: 2.100 Token (67 % Reduktion gegenüber vollständigen Daten)

Erkenntnisse: Durch Deaktivierung der Abschnitte Attributaufschlüsselung und Ressourcenhäufigkeit reduzieren Sie den Tokenverbrauch um 67 %, behalten aber die volle Fähigkeit zur Prozessflussanalyse. Die KI kann weiterhin erkennen, dass die Verzögerung von Anforderung bis erste Genehmigung mit 3,2 Tagen der Hauptengpass ist und dass Eskalationsfälle mehr als doppelt so lange dauern wie Standardfälle. Dieser selektive Datenaustausch senkt LLM-API-Kosten von ca. 0,062 $pro Abfrage auf 0,021$ pro Abfrage (bei 0,01 $ pro 1.000 Token) und macht KI-gestützte Analysen für Organisationen mit tausenden Abfragen pro Monat kosteneffizienter.

Beispiel 4: Verwaltung des Token-Budgets und Kostenschätzung

Szenario: Als Systemadministrator möchten Sie Token-Verbrauch und geschätzte Kosten für unterschiedliche Datenfreigabekonfigurationen verstehen, bevor Sie KI-Features organisationsweit aktivieren.

Einstellungen:

Data Level: Level 4 (Alle Daten)
Alle Abschnitte: aktiviert

Ausgabe:

Der Rechner liefert umfassende Token-Metriken:

Abschnittsübersicht:

Aktivitäten und Attribute: 1.240 Token (3.100 Zeichen)
Attributaufschlüsselung: 2.341 Token (5.852 Zeichen)
Zeit zwischen Aktivitäten: 892 Token (2.230 Zeichen)
Dauer-Histogramm: 324 Token (810 Zeichen)
Datensatzinformationen: 187 Token (468 Zeichen)
Start- und Endhäufigkeiten: 156 Token (390 Zeichen)
Ressourcenhäufigkeit: 412 Token (1.030 Zeichen)
Varianteninformationen: 621 Token (1.552 Zeichen)

Gesamtstatistik:

Gesamte Zeichen: 15.432
Gesamtwörter: 3.124
Geschätzte Token: 6.173 Token
Ausgenutzte Kapazität: 4,8 % des 128K Token Fensters
Geschätzte Kosten pro Abfrage: 0,062 $(bei 0,01$ pro 1K Token)

Erkenntnisse: Die Analyse zeigt, dass die Attributaufschlüsselung mit 2.341 Token der teuerste Abschnitt ist und 38 % des Gesamtbudgets beansprucht. Wenn Kostensenkung erwünscht ist, würde das Deaktivieren dieses Abschnitts den Tokenverbrauch um 38 % reduzieren und gleichzeitig die Prozessflussanalyse erhalten. Der 6.173-Token-Prompt nutzt weniger als 5 % des Kontextfensters moderner LLMs (128K Token für GPT-4 oder Claude) und lässt großzügigen Raum für Gesprächshistorie und komplexe mehrstufige Interaktionen. Bei geschätzten 0,062 $pro Abfrage und 1.000 KI-Abfragen pro Monat sollte eine Organisation ca. 62$ monatlich für LLM-API-Kosten einplanen, exklusive Antworttokens.

Beispiel 5: Fehlerbehebung bei KI-Assistenten-Antworten

Szenario: Nutzer berichten, dass der KI-Assistent keine Fragen zur Arbeitslastverteilung von Ressourcen beantworten kann. Sie müssen prüfen, auf welche Daten die KI Zugriff hat und den Fehler identifizieren.

Einstellungen:

Data Level: Level 4 (Alle Daten)
Ressourcenhäufigkeit einschließen: deaktiviert (das ist das Problem)
Alle anderen Abschnitte: aktiviert

Ausgabe:

Wenn der Rechner ohne Ressourcendaten läuft, enthält der generierte Prompt:

Ressourceninformationen:

„Für diesen Datensatz wurden keine Ressourcen ausgewählt.“

Erkenntnisse: Die Diagnose zeigt, warum die KI keine ressourcenbezogenen Fragen beantworten kann – der Schalter „Ressourcenhäufigkeit einschließen“ ist deaktiviert. Selbst bei Level 4 (Alle Daten) müssen einzelne Abschnitte explizit aktiviert werden, damit sie der KI bereitgestellt werden. Nach Aktivierung der Ressourcenhäufigkeit erstellt der Rechner umfassende Ressourcenstatistiken und zeigt z. B., dass Jane Smith 42 % aller Fälle bearbeitet, während andere Ressourcen durchschnittlich nur 12 % übernehmen. Dies erklärt das von Nutzern bemängelte Arbeitslastungleichgewicht. Dies verdeutlicht, dass das Data-Level die Datenschutzgrenze steuert, während die einzelnen Abschnittsschalter bestimmen, welche spezifischen Analysen der KI innerhalb dieses Datenschutzniveaus zur Verfügung stehen.

Beispiel 6: Überwachung des KI-Datenaustauschs in regulierten Branchen

Szenario: Ihre Gesundheitsorganisation nutzt mindzieStudio zur Analyse von Patiententherapieprozessen. Die Compliance verlangt, dass keine patientenidentifizierbaren Informationen oder spezifischen Falldaten an externe KI-Dienste weitergegeben werden dürfen. Sie möchten trotzdem KI-Unterstützung für aggregierte Prozessanalysen ermöglichen, die zur Effizienzsteigerung der Patientenversorgung beitragen könnten.

Einstellungen:

Data Level: Level 3 (Aktivitäten, Attribute und berechnete Werte)
Aktivitäten und Attribute einschließen: aktiviert
Attributaufschlüsselung einschließen: deaktiviert (vermeidet Teilen spezifischer Attributwerte)
Zeit zwischen Aktivitäten einschließen: aktiviert
Dauer-Histogramm einschließen: aktiviert
Datensatzinformationen einschließen: aktiviert
Start- und Endhäufigkeiten einschließen: aktiviert
Ressourcenhäufigkeit einschließen: deaktiviert (vermeidet Teilen von Namen der Kliniker)
Varianteninformationen einschließen: aktiviert

Ausgabe:

Der Rechner generiert einen konformitätsfreundlichen Prompt:

Datensatz-Zusammenfassung:

845 Behandlungsepisoden
1. Januar – 31. März 2025
Durchschnittliche Dauer: 4,2 Tage

Prozessfluss:

Patientenregistrierung bis Ersteinschätzung: Mittelwert 2,1 Stunden
Ersteinschätzung bis Behandlungsplan: Mittelwert 8,4 Stunden
Behandlungsplan bis Behandlungsbeginn: Mittelwert 14,2 Stunden

Variantenanalyse:

Standard-Behandlungspfad (72 %): 3,8 Tage durchschnittlich
Komplexer Pfad (18 %): 7,2 Tage durchschnittlich
Notfallbeschleunigter Pfad (10 %): 1,5 Tage durchschnittlich

Patientennamen, Falldaten oder Ressourcennamen sind im Prompt nicht enthalten.

Erkenntnisse: Diese Konfiguration ermöglicht der KI, den Engpass von 14,2 Stunden zwischen Behandlungsplanung und Behandlungsbeginn zu erkennen, der potenziell die Aufnahme verzögert. Die KI kann empfehlen, die Verbesserungsmaßnahmen auf diesen spezifischen Übergang zu fokussieren, ohne patientenidentifizierende Informationen zu erhalten. Durch Betrieb auf Level 3 mit deaktivierter Attributaufschlüsselung und Ressourcenhäufigkeit erfüllt die Organisation die Datenschutzbestimmungen im Gesundheitswesen und profitiert dennoch von KI-gestützter Prozessanalyse. Die KI kann zum Beispiel vorschlagen: „Konzentrieren Sie sich darauf, die 14-stündige Verzögerung zwischen Behandlungsplanung und Behandlungseinleitung zu reduzieren“, ohne zu wissen, welche Patienten betroffen sind oder welche Kliniker beteiligt waren – was eine evidenzbasierte Prozessverbesserung bei gleichzeitiger Wahrung der Patientengeheimnisse ermöglicht.

Ausgabe

Der LLM-Prompts-Rechner erzeugt eine strukturierte Ausgabe, die für die Verarbeitung durch KI-Assistenten und Large Language Models ausgelegt ist:

Nachrichtenabschnitte: Der Rechner gliedert Daten in mehrere benannte Abschnitte, jeder mit eigenen Statistiken. Jeder Abschnitt enthält Metadaten zu Wortanzahl, Zeichenanzahl und geschätztem Tokenverbrauch. Diese modulare Struktur ermöglicht der KI zu verstehen, welcher Informationstyp aus welcher Analyse stammt.

Umfassende Statistiken: Am Ende der Ausgabe zeigt der Rechner aggregierte Kennzahlen inklusive Gesamtwortzahl, Gesamtzeichenzahl und geschätztem Tokenverbrauch an. Diese Metriken helfen Administratoren, den Kapazitätsbedarf zu verstehen und API-Kosten bei der Integration in kommerzielle LLM-Dienste abzuschätzen.

Token-Schätzung: Der Rechner schätzt den Tokenverbrauch anhand eines Verhältnisses von 2,5 Zeichen pro Token, das empirisch für englischen Text mit JSON-Datenstrukturen präzise ist. Diese Schätzung unterstützt Organisationen dabei, LLM-API-Kosten zu budgetieren und sicherzustellen, dass Prompts innerhalb der Kontextfenstergrenzen ihres genutzten KI-Dienstes bleiben (typischerweise 128.000 Tokens für moderne Modelle wie GPT-4 oder Claude).

JSON-formatierte Tabellen: Alle Datenabschnitte sind als JSON-Strukturen formatiert, die LLMs leicht parsen und verstehen können. Dieses strukturierte Format ermöglicht der KI eine genaue Interpretation von Aktivitätshäufigkeiten, Dauerstatistiken, Varianteninformationen und anderen Prozessmetriken ohne Mehrdeutigkeiten.

Kapazitätsindikatoren: Bei großen Datenmengen (Ressourcen, Varianten, Aktivitätspaare) begrenzt der Rechner die Ausgabe automatisch auf die Top 100 Elemente und fügt einen Hinweis zur Limitierung hinzu. Dies verhindert eine Überlastung des LLM mit zu vielen Details und fokussiert auf die signifikantesten Prozesselemente.

Datenschutzstatus-Meldungen: Bei Data Level 0 oder 1 erzeugt der Rechner eine Meldung „Die Einstellungen erlauben keine Datenweitergabe an den Copilot“ anstelle von Prozessstatistiken. Dies macht sowohl Administratoren als auch KI-Systemen klar, warum keine Daten vorliegen.

Abschnittsspezifische Inhalte: Abhängig vom Data Level und den aktivierten Abschnitten kann die Ausgabe Aktivitäts- und Attributnamen (ab Level 2), Attributwertverteilungen (ab Level 3), Zeit zwischen Aktivitäten (ab Level 3), Dauerhistogramme (ab Level 3), Datensatzzusammenfassung (ab Level 3), Prozess-Start- und Endmuster (ab Level 3), Ressourcenarbeitslastverteilung (ab Level 3) und Variantenleistungsmetriken (ab Level 3) enthalten.

Interaktive Integration: Obwohl die Ausgabe dieses Rechners für KI-Verarbeitung gedacht ist, erscheint das Ergebnis im Standard-Ausgabeformat von mindzieStudio. Administratoren können die generierten Prompts prüfen, um genau zu verstehen, welche Informationen an LLM-Dienste weitergegeben werden, und so die Einhaltung von Datenrichtlinien verifizieren.

Diese Dokumentation ist Teil der mindzie Studio Process Mining Plattform.