Ursachenanalyse

Übersicht

Der Ursachenanalyse-Rechner verwendet eine KI-gestützte Entscheidungsbaum-Analyse, um die Ursachen für ausgewählte Prozessverhalten zu identifizieren. Dieser Rechner analysiert automatisch Ihre Ereignisprotokolldaten, um herauszufinden, welche Faktoren (wie Attribute, Werte oder Bedingungen) spezifische Ergebnisse wie Nacharbeit, verspätete Zahlungen oder Falleskalationen am stärksten beeinflussen.

Dies ist ein KI-basierter Rechner, der nur minimale Konfiguration erfordert und intelligente Einblicke in die Treiber spezifischer Prozessverhalten bietet.

Häufige Anwendungsfälle

  • Faktoren identifizieren, die zu Zahlungsverzögerungen von Rechnungen beitragen
  • Verstehen, was Nacharbeit in Prozessen verursacht
  • Muster entdecken, die zu Falleskalationen führen
  • Analysieren, was Qualitätsprobleme oder Defekte verursacht
  • Ursachen von Prozessengpässen bestimmen
  • Herausfinden, warum bestimmte Fälle länger dauern als andere

Einstellungen

Zielverhalten: Definieren Sie das Prozessverhalten, das Sie analysieren möchten, indem Sie einen Filter erstellen, der Fälle mit diesem Verhalten auswählt (z. B. Fälle mit Nacharbeit, verspäteten Zahlungen oder langen Durchlaufzeiten).

Zu analysierende Attribute: Wählen Sie aus, welche Fall- und Ereignisattribute die KI beim Aufbau des Entscheidungsbaums berücksichtigen soll. Der Rechner bestimmt automatisch, welche Attribute den stärksten Einfluss auf das Zielverhalten haben.

Minimales Fallvolumen: Geben Sie die minimale Anzahl an Fällen an, die für eine aussagekräftige Analyse erforderlich sind. Die KI benötigt ausreichend Daten, um statistisch signifikante Muster zu erkennen.

Vertrauensschwelle: Legen Sie das Vertrauensniveau für die Entscheidungsbaumzweige fest. Höhere Schwellen führen zu zuverlässigeren, aber möglicherweise weniger Erkenntnissen.

Beispiel

Ursachen für verspätete Rechnungszahlungen finden

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

Einrichtung:

  1. Erstellen Sie einen Filter, der Fälle auswählt, bei denen Zahlungspünktlichkeit = "Verspätet"
  2. Wählen Sie zu analysierende Attribute: Lieferant, Rechnungsbetrag, Abteilung, Zahlungsbedingungen
  3. Setzen Sie die Mindestfallanzahl auf 100 für statistische Validität

Ergebnis:

Der Rechner erzeugt einen Entscheidungsbaum, der zeigt:

  • Hauptursache: Rechnungen von Lieferantenkategorie "International" sind 3x häufiger verspätet
  • Sekundärer Faktor: Innerhalb internationaler Lieferanten haben Rechnungen über 10.000 $ eine 85% verspätete Zahlungsrate
  • Beitragender Faktor: Rechnungen, die an die Abteilung "Einkauf B" weitergeleitet werden, weisen höhere Verspätungsraten auf, unabhängig vom Lieferanten

Erkenntnisse: Die Analyse zeigt, dass internationale Lieferanten, besonders bei hochpreisigen Rechnungen, andere Zahlungsprozesse benötigen. Der Entscheidungsbaum hilft, Prozessverbesserungen mit dem größten Einfluss zu priorisieren.

Interpretation der Ergebnisse

Das Entscheidungsbaumergebnis zeigt:

  • Knoten: Stellen Entscheidungspunkte basierend auf Attributwerten dar
  • Zweige: Zeigen auf, wie Fälle basierend auf Bedingungen aufgeteilt werden
  • Blattwerte: Geben den Prozentsatz der Fälle an, die Ihr Zielverhalten an jedem Endpunkt erfüllen
  • Wichtigkeitswerte: Heben hervor, welche Attribute den stärksten Einfluss haben

Achten Sie auf Zweige mit hohen Prozentsätzen und großen Fallzahlen – diese repräsentieren die wichtigsten Ursachen, die Aufmerksamkeit erfordern.

Ausgabe

Der Rechner zeigt eine interaktive Visualisierung des Entscheidungsbaums, mit der Sie:

  • Zweige erweitern oder einklappen können, um verschiedene Pfade zu erkunden
  • Auf Knoten klicken können, um detaillierte Statistiken zu sehen
  • Die stärksten Prädiktoren für Ihr Zielverhalten identifizieren können
  • Ergebnisse für Präsentationen oder Weiteranalysen exportieren können

Diese Dokumentation ist Teil der mindzie Studio Process Mining Plattform.