Wie kann die Analyse digitaler Projektabläufe Führungskräften helfen, Risiken vorherzusagen und den Projekterfolg zu verbessern?

Host: Willkommen zu einer neuen Ausgabe von A.I.S. Insights — powered by Living Knowledge. Mein Name ist Anna Ivy Summers, und heute sprechen wir über ein Thema, das wohl jede Führungskraft und jeden IT-Verantwortlichen umtreibt: Warum scheitern so viele IT-Projekte, und wie können wir das mit modernen Technologien verhindern? Konkret schauen wir uns heute eine wegweisende Studie mit dem Titel an: „Process Mining für das Management von IS-Projekterfolgsfaktoren: Ein Vorschlag“. Es geht darum, wie digitale Fußspuren aus alltäglichen Tools genutzt werden können, um den Projekterfolg aktiv zu steuern. Bei mir ist unser Analyst Alex Ian Sutherland. Alex, worum geht es in dieser Studie im Kern?

Expert: Hallo Anna. Die Studie schlägt ein neuartiges Entscheidungsunterstützungs-Framework vor, das Process Mining direkt im IT-Projektmanagement anwendet. Die Grundidee ist ebenso elegant wie wirkungsvoll: In modernen IT-Projekten hinterlassen Teams permanent digitale Spuren in Systemen wie Jira, Trello oder Git. Die Autoren der Studie schlagen vor, diese Ereignisprotokolle automatisiert zu analysieren, um tatsächliche Arbeitsabläufe in Echtzeit zu rekonstruieren, Abweichungen zu erkennen und das Ganze mit wissenschaftlich fundierten Projekterfolgsfaktoren zu verknüpfen.

Host: Das klingt hochrelevant. Wir alle wissen, wie oft Software- und Informationssystem-Projekte das Budget sprengen oder den Zeitplan verfehlen. Aber es gibt doch bereits unzählige Checklisten und Bücher über Erfolgsfaktoren im Projektmanagement. Welches fundamentale Problem greift die Studie hier auf?

Expert: Genau an dieser Schnittstelle liegt das Kernproblem, das in der Studie herausgearbeitet wird. Die Forschung kennt zwar hunderte kritische Erfolgsfaktoren – man denke an klares Anforderungsmanagement, funktionierende Kommunikation oder methodische Disziplin. Aber in der Praxis werden diese Faktoren fast immer rein statisch und informell gehandhabt. Man füllt zu Projektbeginn einen Fragebogen aus oder spricht alle paar Wochen im Lenkungsausschuss darüber. Projektleiter stützen sich meist auf subjektive Statusberichte, während ihnen objektive, datengestützte Mechanismen fehlen. Sie bemerken Workflow-Abweichungen oft erst dann, wenn es bereits zu spät ist und die Liefertermine gerissen werden.

Host: Man fliegt also trotz agiler Methoden im Grunde blind, was die tatsächlichen Prozessabläufe angeht. Wie nähert sich die Studie dieser Herausforderung methodisch an?

Expert: Die Autoren nutzen einen Design-Science-Research-Ansatz. Das bedeutet, sie analysieren nicht nur die Theorie, sondern entwerfen ein konkretes, anwendbares IT-Artefakt. Der Kern dieses Ansatzes ist eine Zwei-Phasen-Architektur. Die erste Phase ist die Diagnostik: Hier werden die Event-Logs aus den Projektmanagement- und Versionskontroll-Tools extrahiert, standardisiert und aufbereitet, um zu sehen, wie die Teams wirklich arbeiten – nicht, wie sie laut Plan arbeiten sollten. Die zweite Phase ist die Prognose: Auf Basis der erkannten Prozessmuster werden zukünftige Risiken und Projektergebnisse vorhergesagt.

Host: Das führt uns direkt zu den zentralen Ergebnissen der Studie. Welche Schlüsselkomponenten schlagen die Autoren vor, um diese Brücke zwischen Rohdaten und Managemententscheidungen zu schlagen?

Expert: Da sind vor allem vier Bausteine hervorzuheben. Erstens integriert das Framework heterogene Datenquellen, etwa aus Git-Repositories und Ticket-Systemen, in ein standardisiertes Format wie XES. Zweitens berechnet das System daraus reale Leistungskennzahlen: nicht nur reine Bearbeitungszeiten, sondern vor allem Durchlaufzeiten, Wartezeiten und Synchronisationszeiten zwischen Entwicklern und Testern. Drittens nutzt die Studie sogenanntes Decision Mining als Business-Logic-Engine. Wenn Teams beispielsweise definierte Prozessschritte überspringen – wie etwa ein obligatorisches Code-Review – ordnet das System diese Nichtkonformität automatisch den bedrohten Erfolgsfaktoren zu, in diesem Fall der Softwarequalität. Und viertens mündet das in ein Dashboard mit vorausschauenden Warnmeldungen und präskriptiven Handlungsempfehlungen.

Host: Präskriptive Handlungsempfehlungen – das ist das Stichwort für die Praxis. Alex, lass uns über die Business-Relevanz sprechen. Warum ist dieses Konzept für Unternehmen und Führungskräfte so entscheidend?

Expert: Weil es den Wechsel von einer rein reaktiven Schadensbegrenzung hin zu einer proaktiven Prozesssteuerung markiert. Nehmen wir ein typisches Szenario: Ein Ticket liegt unverhältnismäßig lange im Zustand „Ready for Review“. Traditionell fällt das vielleicht erst im Monatsbericht auf. Dieses System schlägt jedoch sofort Alarm und meldet: „Hier entsteht ein Synchronisationsengpass, der den Erfolgsfaktor Termintreue gefährdet.“ Führungskräfte erhalten transparente, ungeschminkte Fakten statt schöngerechneter Ampelberichte. Unternehmen können so früher eingreifen, Ressourcen gezielt dorthin verschieben, wo Blockaden entstehen, und drastisch die Quote gescheiterter Digitalisierungsvorhaben senken. Das spart im Endeffekt Millionen an Fehlinvestitionen.

Host: Man ersetzt also das Bauchgefühl durch belastbare Prozessdaten und kann gegensteuern, lange bevor das Projekt in Schieflage gerät. Fassen wir zusammen: Die vorgestellte Studie liefert einen zukunftsweisenden Entwurf, um Process Mining aus den klassischen Fertigungs- und Geschäftsprozessen direkt in das IT-Projektmanagement zu überführen. Durch die intelligente Verknüpfung von Log-Dateien mit Erfolgsfaktoren entsteht ein Frühwarnsystem, das Projektleitern echte, handlungsorientierte Einblicke liefert. Alex, vielen Dank für diese erhellende Analyse.

Expert: Sehr gerne, Anna.

Host: Und Ihnen vielen Dank fürs Zuhören bei dieser Episode von A.I.S. Insights — powered by Living Knowledge. Wenn Sie mehr über die datengestützte Zukunft der Unternehmensführung erfahren wollen, abonnieren Sie uns gerne. Bis zum nächsten Mal!