Diagnostic Analytics – diagnostische Analyse oder Ursachenanalyse – ist die zweite Stufe im Analytics-Spektrum. Während Descriptive Analytics die Frage „Was ist passiert?“ beantwortet, geht Diagnostic Analytics einen Schritt weiter und beantwortet „Warum ist es passiert?“. Sie untersucht Daten tiefer, um Ursachen, Zusammenhänge und Faktoren zu identifizieren, die ein beobachtetes Ergebnis erklären.
Diagnostic Analytics ist der analytische Schritt, der aus Zahlen Erkenntnisse macht: Wenn der Automatisierungsgrad in der vergangenen Woche von 91 auf 84 Prozent gesunken ist, zeigt Descriptive Analytics das Problem. Diagnostic Analytics erklärt es – war es ein neuer Ausnahmetyp? Ein bestimmter Lieferant? Eine Systemänderung? Diese Kausalanalyse ist die Grundlage für gezielte Maßnahmen.
Diagnostic-Analytics-Techniken
Drill-Down-Analyse
Von aggregierten Kennzahlen in die Detailebene bohren: Welche Standorte, welche Produkte, welche Prozessschritte erklären die Abweichung?
Korrelationsanalyse
Statistische Zusammenhänge zwischen Variablen identifizieren – welche Faktoren bewegen sich gemeinsam mit der zu erklärenden Kennzahl?
Root-Cause-Analysis
Strukturierte Methode zur Ursachenfindung (5-Why, Ishikawa-Diagramm) – den eigentlichen Ursprung eines Problems, nicht nur sein Symptom finden.
Cohort-Analyse
Verhalten verschiedener Gruppen (Kohorten) vergleichen – unterscheiden sich Kunden, die in Q1 gewonnen wurden, von denen aus Q3?
Process Mining
Tatsächliche Prozessabläufe aus Logs rekonstruieren und mit dem Soll-Prozess vergleichen – wo weichen reale Prozesse vom Design ab?
Segmentvergleich
Verschiedene Datensegmente (Regionen, Zeiträume, Produkte) gegenüberstellen – in welchem Segment tritt das Problem auf, in welchem nicht?
Diagnostic Analytics in der Automatisierungspraxis
Diagnostic Analytics ist unverzichtbar für die kontinuierliche Verbesserung automatisierter Prozesse. Wenn die Fehlerrate steigt, reicht es nicht zu wissen, dass sie gestiegen ist – es muss verstanden werden, warum. Automatisierungsplattformen mit guten Logging- und Monitoring-Fähigkeiten liefern die Rohdaten für diagnostische Analysen: Welche Workflow-Schritte scheitern? Bei welchen Datenkonstellationen? Seit wann? Diagnostic Analytics verwandelt diese Logs in handlungsrelevante Erkenntnisse.
Praxisbeispiel
Die Fehlerrate in einem Rechnungsverarbeitungs-Workflow steigt in Woche 3 des Monats von 4 auf 11 Prozent. Descriptive Analytics: Problem erkannt. Diagnostic Analytics: Drill-Down auf die Fehlertypen zeigt – 78 Prozent der neuen Fehler sind „Lieferant nicht gefunden“. Zeitliche Korrelation: Problem begann exakt am Dienstag dieser Woche. Root-Cause-Analysis: Am Dienstag wurde im ERP ein Lieferanten-Nummernkreis umgestellt. Alte Nummern (L-1xxx) sind im Workflow-Regelwerk hinterlegt, neue Nummern (LF-2xxx) werden nicht erkannt. Lösung: Regelwerk-Update. Die gesamte Diagnostik dauerte 35 Minuten. Ohne Diagnostic Analytics wäre die Suche nach dem Problem tagelang gegangen.
