Process mining is a big data technology, which focuses on the discovery, monitoring, and improvement of business processes, based on real data from information systems. This teaching case describes the objectives of a German airline as it introduces process mining and discusses current and future value potentials of this technology. The case is particularly useful for executive MBA courses on Strategy (the value of IT investments) or master’s-level courses on Business Process Management. This case has three main learning objectives. First, students will evaluate the capabilities of different (technological) approaches to reaching the airline’s business goals and will make a justified decision on the feasibility of implementing process mining. Second, students will analyze the airline’s approach to implementing process mining and the challenges along the way. They will derive lessons learned and discuss approaches to solving challenges. Third, students will evaluate the value potentials of process mining. This will enable the students to make well-informed decisions on technology investments and to discover how these decisions can contribute to business goals. The case is designed to be taught in two formats. In a 90-min lecture, students need to prepare short assignments for classroom discussions. In a 180-min lecture, the assignments are included as group work during the lecture, but they require the students to read the case before class. Teaching Notes, including videos and additional study material to support group work, are available to eligible lecturers upon request.

ZusammenfassungTreten bei technischen Anlagen während ihres Lebenszyklus Fehler auf, ist dies in den meisten Fällen das Ergebnis eines schleichenden Prozesses und nicht eines plötzlich auftretenden Ereignisses. Mithilfe geeigneter Verfahren können Fehler bereits vor ihrem Eintritt erkannt werden. Die von Herstellern vorgegebene Instandhaltungsstrategie berücksichtigt diese Möglichkeit für gewöhnlich jedoch nicht. Im Unterschied dazu zielt Predictive Maintenance (PdM) auf die Durchführung von Instandhaltungsmaßnahmen vor dem eigentlichen Fehlereintritt ab, indem sowohl der aktuelle als auch der zukünftige Anlagenzustand inklusive der Umgebungsbedingungen diagnostiziert bzw. prognostiziert werden. Dessen Einführung bedarf allerdings einen deutlich höheren Digitalisierungsgrad und ist daher mit kostenintensiven Investitionen verbunden. Insofern ist PdM nicht für jede Anlagenklasse wirtschaftlich und prozessual sinnvoll. Der zentrale Aspekt, ob der Entwicklungs- und Datenerhebungsaufwand durch Einsparungen bei einer PdM-Strategie überhaupt refinanziert werden kann, wurde von der Forschung bislang weitgehend außer Acht gelassen. Wissenschaftler haben sich stattdessen auf die Entwicklung von Verfahren zur Bestimmung des Verschleißgrads von Komponenten und damit auf die technischen Belange konzentriert. Vor diesem Hintergrund untersucht dieser Beitrag innerhalb einer multiplen explorativen Fallstudie am Flughafen München drei repräsentative Anlagenklassen von Flughäfen – Aufzüge, Pre-Conditioned-Air(PCA)-Anlagen und Multienteiser – in Bezug auf Aufwands‑, Nutzen- und Risikoaspekte des PdM. Im Ergebnis zeigten sich deutliche Unterschiede zwischen den Anlagenklassen: Während Aufzüge und PCA-Anlagen hohes Potenzial aufweisen, ist die Einführung für Multienteiser aufgrund der lediglich saisonalen Nutzung wirtschaftlich nicht sinnvoll. Mit diesem Beitrag erhalten Entscheidungsträger in Unternehmen eine Orientierungshilfe, für welche Anlagenklassen PdM profitabel ist und welche Aspekte in die ökonomische Bewertung technischer Anlagen grundsätzlich einbezogen werden sollten. Das angewandte Bewertungsverfahren dient als Muster für die Analyse weiterer technischer Anlagen.

No abstract