Aus beobachteten Abläufen kontrolliert lernen

Prozesslernen: Wie aus Analyse kontrollierte Verbesserung entsteht

Lässt sich die Wartezeit durch eine frühere Prüfmittelvorbereitung verkürzen? Eine begrenzte Erprobung muss neben dem gewünschten Effekt auch mögliche Nebenwirkungen untersuchen.

SystemwissenNESS Online GmbHVeröffentlicht: Zuletzt aktualisiert:

Kurzdefinition: Prozesslernen ist ein kontrollierter Kreislauf aus beobachteter Ausführung, fachlicher Hypothese, begrenzter Veränderung und erneut geprüfter Wirkung.

Prozesslernen beginnt mit einer überprüfbaren Beobachtung

Eine Organisation muss für einen Lernzyklus festhalten, welche Beobachtung eine Frage ausgelöst hat, welche Veränderung sie freigegeben und welche Wirkung sie anschließend festgestellt hat. So bleibt der Weg von der Ausgangsfrage zur betrieblichen Entscheidung später prüfbar.

Die Grundlage bilden belastbare Prozessereignisse. Sie dokumentieren, welche Aktivität wann, an welchem Objekt, unter welchen Bedingungen und mit welchem Ergebnis ausgeführt wurde. Erst wenn diese Beobachtungen ausreichend vollständig und kontextbezogen vorliegen, können verschiedene Verläufe sinnvoll verglichen werden. Das Process Mining Manifesto beschreibt Process Mining entsprechend als Verbindung zwischen Ereignisdaten und der Entdeckung, Überwachung sowie Verbesserung realer Prozesse.[1]

Im Prozesslebenszyklus nach Weske bilden Ausführungsprotokolle die Grundlage der Evaluation: Mit ihnen werden sowohl das Prozessmodell als auch seine Umsetzung bewertet und verbessert, einschließlich der Eignung der Ausführungsumgebung.[5] Für die Wartezeitfrage erweitert das den Blick: Entsteht die Verzögerung durch die vorgesehene Reihenfolge, oder fehlen die für die Vorbereitung benötigten Ressourcen? Eine Modelländerung allein würde einen Ressourcenengpass nicht beheben.

Beispiel: Wartezeit vor einer Inprozessprüfung

Ein fiktives Beispiel: In mehreren zunächst vergleichbar erscheinenden Chargen fällt auf, dass vor einer Inprozessprüfung unterschiedlich lange Wartezeiten entstehen. Die Analyse zeigt ein wiederkehrendes Muster: Wenn die Vorbereitung des Prüfmittels erst nach Abschluss des vorherigen Arbeitsschritts beginnt, steigt die Wartezeit. Beginnt die Vorbereitung früher, ist der Übergang häufig kürzer.

Die verantwortlichen Rollen prüfen, ob Produktgruppe, Prüfmittel, Qualifikation, Raumzustand und SOP-Version vergleichbar sind. Sie klären außerdem, ob ein früherer Vorbereitungsbeginn fachlich und organisatorisch zulässig ist. Daraus entsteht die Hypothese, dass eine klar definierte, parallele Vorbereitung die Wartezeit verkürzt, ohne Prüfqualität oder Rückverfolgbarkeit zu beeinträchtigen.

Die Änderung wird für wenige geeignete Durchläufe freigegeben. Beginn und Abschluss der Vorbereitung, Prüfzeitpunkt, Wartezeit, Abweichungen, Nacharbeit und Ergebnis werden weiter als Ereignisse erfasst. Nach dem begrenzten Zeitraum werden die Verläufe erneut verglichen. Eine kürzere Wartezeit ohne beobachtete Nachteile liefert zunächst einen Hinweis für weitere Prüfungen. Wenige Durchläufe reichen weder für einen stabilen Wirksamkeitsnachweis noch dafür, seltene negative Folgen auszuschließen. Vor einer Ausweitung legen die Verantwortlichen fest, welche zusätzliche Beobachtungsdauer, Fallbasis und Vergleichsbedingungen benötigt werden. Bleibt der erwartete Effekt aus, prüfen sie sowohl die Hypothese als auch die Aussagekraft der Erprobung; ein unklarer Befund ist noch keine Widerlegung.

Der Lernwert liegt nicht allein in einer niedrigeren Zahl. Er liegt in der nachvollziehbaren Verbindung von Ausgangsbeobachtung, Entscheidung, kontrollierter Änderung und beobachteter Wirkung.

Ein Lernsignal ist noch keine Erkenntnis

Ein Lernsignal kann sehr unterschiedlich aussehen: Ein Prozessschritt dauert bei einer Materialgruppe wiederholt länger. Eine bestimmte Reihenfolge tritt bei erfolgreichen Chargen häufiger auf. Nach einer Übergabe entstehen überdurchschnittlich viele Nacharbeiten. Eine Prüfung wird bei ähnlichen Ausgangsbedingungen unterschiedlich oft wiederholt. Solche Auffälligkeiten lenken Aufmerksamkeit auf einen begrenzten Ausschnitt des Ablaufs.

Das Signal beantwortet jedoch noch nicht, warum der Unterschied entsteht. Es kann durch das Material, eine Maschinenkonfiguration, die Qualifikation einer Rolle, eine abweichende SOP-Version, eine Messmethode oder einen bislang nicht berücksichtigten Kontext beeinflusst sein. Mehrere Faktoren können gleichzeitig wirken. Deshalb darf ein beobachteter Zusammenhang weder automatisch als Ursache noch unmittelbar als Handlungsanweisung behandelt werden.

Die Forschung zu action-oriented process mining unterscheidet ebenfalls zwischen Prozessdiagnostik und den darauf aufbauenden Aktionen. Sie zeigt, dass der Übergang von Einsichten zu Handlungen eine eigene Gestaltungsebene benötigt.[2] Für regulierte Abläufe ist diese Grenze besonders wichtig: Aus einem algorithmischen Hinweis darf nicht ohne fachliche Prüfung eine Änderung der Ausführung entstehen.

De Leoni unterscheidet zwei Formen des Process Enhancement: Process Extension ergänzt ein vorhandenes Modell um Daten-, Ressourcen- oder Zeitperspektiven; Process Improvement verändert das Modell, damit es die Realität besser abbildet oder fachlich zulässige, leistungsfähigere Ausführungen unterstützt.[7] Ein Modell um beobachtete Wartezeiten anzureichern, macht die Analyse somit aussagekräftiger, verkürzt diese Wartezeiten aber noch nicht. Der Vorschlag, die Vorbereitung früher beginnen zu lassen, ist eine eigene Änderung, deren Wirkung erst geprüft werden muss.

Aus wiederkehrenden Strukturen entsteht eine Lernfrage

Prozessmuster verdichten lokale Reihenfolgen, Verzweigungen, Parallelitäten oder Schleifen, die in vergleichbaren Ausführungen mehrfach auftreten. Prozesslernen nutzt solche Muster, um eine konkrete Frage zu formulieren: Unter welchen Bedingungen tritt das Muster auf, mit welchem Ergebnis geht es einher und welche alternative Erklärung muss ausgeschlossen werden?

Eine gute Lernfrage ist enger als ein allgemeines Verbesserungsziel. „Wie können wir schneller produzieren?“ ist zu offen. „Verkürzt die geänderte Reihenfolge von Prüfung A und Vorbereitung B bei Produktgruppe X die Wartezeit, ohne zusätzliche Nacharbeit auszulösen?“ lässt sich dagegen auf einen definierten Kontext, eine Änderung und beobachtbare Zielgrößen beziehen.

Damit wird aus einer Auffälligkeit eine prüfbare Hypothese. Die Hypothese bleibt ausdrücklich vorläufig. Sie sollte den betrachteten Geltungsbereich, die vermutete Beziehung, die erwartete Wirkung und mögliche Gegenindikatoren nennen. So kann auch ein negatives Ergebnis als verwertbares Lernen erhalten bleiben.

Die zuständigen Rollen prüfen Zulässigkeit, fehlende Angaben und alternative Erklärungen. Vielleicht unterscheiden sich die Schichten gleichzeitig in der Personalausstattung. Dann lässt sich der beobachtete Unterschied nicht ohne Weiteres der Reihenfolge zuschreiben.

Vergleichbarkeit muss vor der Bewertung hergestellt werden

Prozessverläufe sind selten allein durch ihre Aktivitätsfolge vergleichbar. Zwei Chargen können denselben Ablauf zeigen und dennoch unter anderen Randbedingungen entstanden sein. Produktvariante, Ausgangsmaterial, Anlage, Werkzeug, Raumzustand, Schicht, SOP-Version, Losgröße oder Prüfverfahren können das Ergebnis verändern. Prozesslernen benötigt deshalb eine bewusst definierte Vergleichsbasis.

Diese Basis legt fest, welche Merkmale gleich oder zumindest hinreichend ähnlich sein müssen. Sie dokumentiert zugleich, welche Unterschiede zugelassen werden. Dadurch wird sichtbar, ob ein vermeintlicher Effekt tatsächlich mit der geprüften Änderung zusammenfällt oder lediglich unterschiedliche Ausgangslagen widerspiegelt.

Process Mining unterstützt diese Phase, indem es reale Verläufe sammelt, verbindet, filtert und gegenüberstellt. Es kann relevante Gruppen und wiederkehrende Unterschiede hervorheben. Das Forschungsfeld umfasst auch Prognosen, Empfehlungen und die Anbindung von Aktionen. Im hier beschriebenen 420+-Lernablauf prüfen die zuständigen Rollen die fachliche Zulässigkeit und entscheiden über die Umsetzung einer Maßnahme.

Process Intelligence bezeichnet in der beschriebenen Architektur die Unterstützung dieser Einordnung.

Veränderungen werden begrenzt und kontrolliert erprobt

Ein Lernzyklus braucht eine erkennbare Intervention. Wenn mehrere Parameter gleichzeitig geändert werden, lässt sich später kaum bestimmen, welcher Anteil die beobachtete Wirkung beeinflusst hat. Daher wird die Veränderung möglichst eng beschrieben: Was wird verändert, für welchen Prozessausschnitt, in welchem Zeitraum, bei welchen Produkten und durch welche freigegebene Rolle?

Begrenzung bedeutet nicht zwingend ein wissenschaftliches Experiment. Im Betrieb kann sie eine Pilotgruppe, eine definierte Produktfamilie, ein freigegebenes Zeitfenster oder wenige kontrollierte Durchläufe umfassen. Entscheidend ist, dass die Ausgangslage und die geänderte Bedingung unterscheidbar bleiben. Sicherheits-, Qualitäts- und Compliance-Grenzen gelten unverändert.

Auch der Zeitpunkt der Auswertung wird vorab festgelegt. Eine zu frühe Bewertung kann Anlauf- und Gewöhnungseffekte mit einer dauerhaften Wirkung verwechseln; eine zu späte Bewertung kann zwischenzeitliche Änderungen übersehen. Der passende Zeitraum hängt von Prozessfrequenz, Produktzyklus und Risiko ab. Viele Beobachtungen aus nahezu identischen Bedingungen erweitern die Vergleichsbasis dabei nicht um neue Einsatzbedingungen.

Die Dokumentation erhält außerdem, wer die Erprobung genehmigt hat und wie betroffene Mitarbeitende informiert wurden. Eine Maßnahme, die auf dem Papier eindeutig erscheint, kann in der tatsächlichen Ausführung neue Übergaben, Zusatzaufwand oder Ausweichverhalten erzeugen. Rückmeldungen aus der Arbeit ergänzen deshalb die gemessenen Prozessdaten. Sie werden als eigene Beobachtungen behandelt und nicht nachträglich in ein gewünschtes Ergebnis eingepasst.

Wirkung wird erneut in der realen Ausführung beobachtet

Nach der Veränderung beginnt keine abstrakte Nachbetrachtung, sondern eine neue Beobachtungsphase. Die während der Ausführung entstehenden Daten zeigen, ob die erwartete Wirkung im definierten Kontext auftritt. Dieselben Vergleichskriterien wie zuvor sollten dabei soweit möglich erhalten bleiben.

Ein Ergebnis kann die Hypothese stützen, ihr widersprechen oder uneindeutig bleiben. Alle drei Fälle sind relevant. Eine widerlegte Hypothese verhindert, dass eine plausible, aber unzutreffende Erklärung später erneut als vermeintliche Gewissheit verwendet wird. Ein uneindeutiges Ergebnis zeigt, welche Daten, Kontrollen oder zusätzlichen Durchläufe fehlen.

Die Bewertung unterscheidet unmittelbare und verzögerte Wirkungen. Eine geänderte Reihenfolge kann die Wartezeit sofort senken, während sich Folgen für Fehlerquote oder Wartungsbedarf erst später zeigen. Deshalb werden Zielgrößen nicht isoliert betrachtet. Zeitbezug, betroffene Objekte und mögliche Folgeprozesse gehören zur Aussage dazu. Wo eine Wirkung nur indirekt messbar ist, bleibt auch diese Unsicherheit dokumentiert.

Action-oriented Process Mining beschreibt technische Ansätze, um Prozesszustände fortlaufend zu überwachen und Aktionen an erkannte Bedingungen zu binden.[3] Van der Aalst und Carmona betonen im Schlusskapitel des Handbooks, dass ein Bericht allein den Prozess nicht verbessert: Für die Umsetzung braucht es Veränderungsmanagement und gegebenenfalls Automatisierung. Sie plädieren deshalb für Process Mining als fortlaufende Tätigkeit statt als isoliertes Projekt.[8] Für die hier beschriebene Erprobung heißt das, die geänderte Vorbereitung auch nach ihrer Einführung weiter zu beobachten; ein erster günstiger Vergleich belegt noch keine dauerhafte Wirkung.

Gelerntes bleibt an Zeit, Version und Kontext gebunden

Prozesse verändern sich. Neue Materialien, Anlagen, Produkte, Vorschriften oder Arbeitsweisen können dazu führen, dass ein früher beobachtetes Muster später seltener, stärker oder in anderer Form auftritt. Die Process-Mining-Forschung bezeichnet solche Veränderungen im beobachteten Prozessverhalten als Concept Drift.[4]

Deshalb darf eine bestätigte Erfahrung nicht als zeitlose Wahrheit gespeichert werden. Sie benötigt einen Geltungsbereich: Für welche Produktgruppe, welche SOP-Version, welche Anlagenkonfiguration und welchen Zeitraum wurde die Wirkung beobachtet? Welche Messgrößen stützten die Bewertung? Unter welchen Bedingungen muss die Aussage erneut geprüft werden?

Versionierung erhält, was zu einem bestimmten Zeitpunkt galt. Wird eine neue Erfahrung bestätigt, ersetzt sie die frühere nicht spurlos. Sie ergänzt oder begrenzt deren Gültigkeit. So lässt sich später nachvollziehen, warum eine Regel geändert wurde und auf welcher Beobachtung die neue Fassung beruht.

Auch ein offener Prüfstand muss später auffindbar bleiben

Das Prozessgedächtnis bewahrt einen Fall und seinen Bewertungsstand. Prozesslernen kann diesen Stand durch eine geprüfte Veränderung und neue Beobachtungen erweitern. Auch eine offene Frage oder eine widerlegte Annahme bleibt als solche auffindbar.

Für die Wartezeitfrage ist das besonders nützlich, wenn eine spätere Gruppe dieselbe Vorbereitung verändern möchte. Sie soll erkennen können, was bereits erprobt wurde und welche Unsicherheit damals bestehen blieb.

Ausgangsbeobachtung und Erprobung in 420+ verbinden

Die Aufgabenhistorie liefert eine Grundlage für den Vergleich: Material, SOP-Version, Person beziehungsweise Rolle und Ergebnis sind in 420+ je Ausführung verknüpft. Auf dieser Basis verbindet 420+ die Ausgangsbeobachtung mit einer freigegebenen Veränderung und den danach erfassten Ergebnissen. Welche Vergleiche möglich sind, hängt von den tatsächlich erfassten Daten ab.

Die Auswertung erhält, was geprüft wurde und wie weit die Beobachtungen eine Aussage tragen. Dazu gehören die Vergleichsgruppe, Ziel- und Schutzgrößen sowie zwischenzeitliche Änderungen. Ein ausbleibender oder uneindeutiger Effekt bleibt ebenso auffindbar wie eine gestützte Hypothese. Bewertung und Freigabe liegen bei den zuständigen Rollen.

Was Prozesslernen nicht leistet

Prozesslernen garantiert keine Verbesserung. Eine sauber geprüfte Änderung kann wirkungslos bleiben oder unerwartete Nachteile zeigen. Auch umfangreiche Ereignisdaten beseitigen keine Messfehler, unvollständigen Kontexte oder ungeeigneten Vergleichsgruppen. Qualität und Aussagekraft hängen von der tatsächlichen Datengrundlage und der fachlichen Prüfung ab.

Prozesslernen ersetzt weder Qualitätsmanagement noch Change Control, Validierung, Risikobewertung oder formale Freigaben. Es liefert eine strukturierte Verbindung zwischen diesen Entscheidungen und der beobachteten Ausführung. Welche Verfahren erforderlich sind, richtet sich weiterhin nach Produkt, Prozess, Risiko und geltendem Regelwerk.

Ebenso entsteht aus zeitlicher Nähe keine Kausalität. Wenn nach einer Änderung ein besseres Ergebnis auftritt, können andere Bedingungen beteiligt sein. Eine belastbare Einordnung verlangt deshalb Wiederholung, Vergleichbarkeit, Gegenindikatoren und die Bereitschaft, eine frühere Annahme zu revidieren.

Aufsichtsbefund

Befund: Die FDA beanstandete bei einem Hersteller steriler Arzneimittel, dass von 2023 bis 2025 regelmäßig mikrobiologische Befunde außerhalb der festgelegten Grenzen in aseptischen ISO-5-Bereichen auftraten. Laut dem Schreiben wurde die Produktion ohne angemessene Korrektur- und Vorbeugemaßnahmen (CAPA) gegen die anhaltende mikrobiologische Kontamination fortgesetzt.[6]

Einordnung: Prozesslernen verbindet Beobachtung, Bewertung, geprüfte Änderung und erneute Beobachtung. Wiederholte Befunde werden zur Lernquelle, wenn eine daraus abgeleitete Änderung umgesetzt und ihre Wirkung anhand nachfolgender Beobachtungen geprüft wird. Der CGMP-Befund verdeutlicht die Lücke zwischen wiederholter Beobachtung und angemessener Reaktion; er belegt nicht, dass überhaupt keine Maßnahmen erfolgten.

Prüffrage: Wird für jede aus einem wiederkehrenden Befund abgeleitete Maßnahme festgehalten, welche Beobachtung ihre Wirkung belegen soll – und wird diese Beobachtung danach tatsächlich geprüft?

Schreiben vom 04.09.2026 · Quelle geprüft am 18.09.2026.

Dargestellt ist der ausgewählte Behördenbefund zum Zeitpunkt des Schreibens. Unternehmensantworten und spätere Entwicklungen werden hier nicht bewertet; die Darstellung beschreibt keinen aktuellen Compliance-Status.

Weniger Wartezeit beantwortet noch nicht die ganze Lernfrage

Die frühere Prüfmittelvorbereitung wäre im Beispiel nur dann weiterzuverfolgen, wenn auch Prüfqualität, Zusatzaufwand und weitere Schutzgrößen angemessen untersucht sind. Wenige günstige Durchläufe schließen seltene Nachteile nicht aus.

Der Lernwert liegt deshalb in einer begrenzten, überprüfbaren Aussage: Was spricht im untersuchten Umfang für die Änderung, was dagegen und was bleibt offen? Damit kann die nächste Entscheidung an den tatsächlichen Prüfstand anschließen.

Primärquellen und weiterführende Literatur

  1. W. M. P. van der Aalst et al., „Process Mining Manifesto“, BPM Workshops 2011, Springer, 2012. doi.org/10.1007/978-3-642-28108-2_19
  2. G. Park und W. M. P. van der Aalst, „Action-oriented process mining: bridging the gap between insights and actions“, Progress in Artificial Intelligence, 2022. doi.org/10.1007/s13748-022-00281-7
  3. G. Park und W. M. P. van der Aalst, „Realizing A Digital Twin of An Organization Using Action-oriented Process Mining“, ICPM 2021. doi.org/10.1109/ICPM53251.2021.9576846
  4. R. P. J. C. Bose, W. M. P. van der Aalst, I. Žliobaitė und M. Pechenizkiy, „Handling Concept Drift in Process Mining“, CAiSE 2011. doi.org/10.1007/978-3-642-21640-4_30
  5. Mathias Weske, Business Process Management: Concepts, Languages, Architectures, 4. Auflage, Springer, 2024, Abschnitt 1.2, „Evaluation“, S. 15. Verlagsfassung / DOI
  6. U.S. Food and Drug Administration (FDA): Warning Letter to Bausch & Lomb Inc., MARCS-CMS 732398, 04.09.2026. Ziffer 1, Unterabschnitt „Inadequate Monitoring of Aseptic Processing“, Absätze zu den wiederkehrenden Befunden 2023–2025 und zur fortgesetzten Produktion ohne angemessene CAPA. Originalquelle. Abgerufen am 18. September 2026.
  7. Massimiliano de Leoni, Foundations of Process Enhancement, In: W. M. P. van der Aalst und J. Carmona (Hrsg.), Process Mining Handbook, 2022, Kapitel 8, S. 243–273, insbesondere S. 243–244. Verlagsfassung / DOI
  8. Wil M. P. van der Aalst und Josep Carmona, Scaling Process Mining to Turn Insights into Actions, In: Process Mining Handbook, 2022, Kapitel 17, S. 495–502, insbesondere Abschnitt 3, S. 498–499. Verlagsfassung / DOI