Kausale Inferenz ist eine Methodik zur Schätzung von Ursache-Wirkung-Effekten auf Basis begrenzt vorhandener Daten und expliziten Domänenwissens. Im Kontext von Workarounds dient sie dazu, den Einfluss eines Workarounds auf KPIs und Prozesskennzahlen von Störfaktoren zu trennen. 

Grundlage sind häufig Kausalgraphen, etwa in Form eines DAG, sowie Verfahren wie Matching, um vergleichbare Datengruppen zu bilden (bspw. Produktionslinien, Werke oder Schichten) und so Effekte von Prozessvarianten abzuschätzen. 

Die Methode ist besonders relevant, wenn Entscheidungsfolgen, Vor- und Nachteile oder Trade-offs unter begrenzter oder unübersichtlicher Datengrundlage bewertet werden sollen. Sie stammt aus der Epidemiologie und der Ökonometrie – in beiden Domänen sind kontrollierte Experimente kaum möglich und für viele Geschäftsprozesse gilt das ebenso.

In Grenzen sind damit Vorhersagen für die Wirkung einer Verallgemeinerung von Workarounds in den Regelprozess möglich: Kausale Inferenz kann hier vereinfacht als „kleiner Bruder des digitalen Zwillings“ verstanden werden. Wir operieren auf echten Prozessdaten und benötigen keine Simulation – Aussagen sind daher glaubwürdiger, aber nur im Rahmen von schon beobachteten Abläufen möglich. 

Wichtig ist, dass die Methode Wissensträger:innen der jeweiligen Domänen explizit mit einbezieht, was zu den Grundannahmen des Workaround Managements als „Job Crafting“ von kompetenten Menschen in operativen Positionen sehr gut passt. 

1. Ziel

Im Projekt Change.WorkAROUND war mehrmals sichtbar, dass gerade Workarounds mit Zielkonflikten und Konsequenzen für mehrere Abteilungen sehr viel Zeit notwendig war, um einen Workaround überhaupt als Problem / Lösung zu klassifizieren. In solchen Fällen fehlte oft das Handwerkszeug, um die enthaltenen Trade-Offs sichtbar zu machen und Stärke der Wirkungen auf mehrere Variablen strukturiert abzuschätzen: Die kausale Inferenz füllt diese Lücke.

Dabei werden Zusammenhänge so analysiert, dass Störfaktoren möglichst berücksichtigt und Verzerrungen in der Effektschätzung reduziert werden.

2. Anwendung

• Start als Workshop-Format - Die grafische Darstellung von Kausalgraphen macht den Zugang für diese Personengruppe einfach
• Berücksichtigung und Eliminierung relevanter Störfaktoren, um Workaround-Effekte isoliert zu schätzen
• Ein einer anschließenden, iterativen Analyse mit Data-Science-Methoden  entsteht neben der Abschätzung von Effekt-Stärken potenziell zwei weitere Ergebnistypen: Datenbedarfe und Quasi-Experimente. Die Kausalinferenz ist die einzige Methode im Workaround-Werkzeugkasten, aus der sich für eine Bewertung notwendige, zusätzliche Daten ableiten lassen. Häufig sind dies Confounder – also Rahmenbedingungen – wie bspw. Kunden-Typen, Wetter, die Auslastung eines Prozesses, Materialbestände oder ähnliche Dinge aus dem Kontext von zu bewertenden Prozessen.
• Optional können Data Scientisten Quasi-Experimente nutzen, falls bspw. Workarounds innerhalb einer Teilgruppe in Verwendung sind sind und in einer anderen nicht oder wenn bspw. zufällig verteilte Chargen von Teilen Workarounds notwendig machen oder nicht.
  Bei Bedarf können Experimente dieser Art auch gezielt angestoßen werden, sofern der operative Prozess und die mit Workarounds verbundene Unsicherheit dies zulässt. In jedem Fall brauchen die mit der Analyse betrauten Menschen ein „Vorschlagsrecht“ für Quasi-Experimente oder auch ein „Budget“, also eine Anzahl von Prozessdurchläufen, die gezielt variiert werden dürfen, um Effekte messbar zu machen und mögliche Optimierungen zu prüfen.

3. Vorteile

• Einbeziehung von Domänenwissen in die Bewertung von Workarounds und ProzessveränderungenStrukturierte Trennung von Workaround-Effekten und Einflüssen von Störfaktoren
• Nutzung von Expertenwissen führt zu Transparenz und Akzeptanz
• Integrierbarkeit von Process-Mining-Ergebnissen und ergänzenden Daten zur Bewertung oder What-If?-Simulation möglicher Veränderungen
• Abschätzung von Effekten auch bei begrenzter oder unvollständiger Datengrundlage
• Objektivierbare Diskussion von Effekten und Trade-offs auf Basis vergleichbarer Gruppen, Aufheben und Entscheidungsblockaden.
• Quasi-Experimente sind „Low-Hanging-Fruits” mit starken, belastbaren Erkenntnissen für sehr wenig Aufwand: Es braucht vor allem Kompetenzträger:innen mit der richtigen Perspektive und dem Mandat, um sie zu erkennen und zu verwerten.
• Anschlussfähigkeit an Business Intelligence, Machine Learning, Process Mining und A/B-Tests im BPM

4. Adressaten

Führungskräfte, Prozessverantwortliche, Prozessmanagement, Data Science/Analytics, Organisationsentwicklung, Change Management, Projektteams, BI-Team

5. Weiterführende Literatur

• C. Krabbe, A. Assbrock , M. Reineke, D. Beverungen (2025) Workarounds—A Domain-Specific Modeling Language, Proceedings of WI-2025.
• B. Löhr, C. Bartelheimer, F. Köhne, S. Nordlohne, D. Alile, A. Latten (2024) Forging the LongSWORD: Exaptation and Enhancement of the SWORD Framework for Workaround Detection, BPM 2024.
• B. Löhr, Drafting the ChainSWORD - Towards Identifying Workaround Chains with Object-Centric Process Mining, Proceedings of ECIS 2026, Milan, Italy.
• Ch. Bartelheimer, B. Löhr, F. Köhne, S. Nordlohne: Vom Workaround zur Innovation – Ansätze zur Steuerung von Prozessevolution, in: Sammelband Technologie und Organisation von Reindl et al. (2026)
• Hernán MA, Robins JM (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC

6. Material

Mini-Fallstudie: Packaging-Fotos

In einem im Rahmen von Change.WorkAROUND beobachteten Fall, haben Mitarbeitende im Versand einen Workaround angewandt, um sich gegen Reklamationen von anspruchsvollen Kunden bezüglich Verpackungen zu schützen: Fehlende oder falsch platzierte Label oder Beschädigungen an der Verpackung führen ggf. zu Regressforderungen, können aber sowohl Fehler der Verpacker als auch transport- bzw. lagerungsbedingt später entstanden sein. Daher dokumentieren sie bei bekanntermaßen anspruchsvollen Kunden die fertigen Versandstücke mit Fotos bei Warenausgang.

Es ist liegt nahe, diesen Prozess-Schritt in den Sollprozess aufzunehmen. In einem Kausalgraphen zu den Zusammenhängen fällt aber schnell auf: Die anspruchsvollen Kunden sind sowohl Auslöser für den Workaround als auch für die Regressforderungen). Die erfahrenen Mitarbeitenden im Packaging-Team kennen auch ihre Kunden gut. Wir haben eine wichtige Confounder-Variable identifiziert (oft identisch mit dem Misfit), ohne die Effekt-Analysen nicht interpretierbar wären. 

Das Fazit im konkreten Fall ist dann – auch ohne weiter quantitative Analyse – recht eindeutig: Mit einiger Sicherheit ist jede zusätzliche Foto-Dokumentation verschwendete Zeit, denn mit einer Verallgemeinerung würden fast ausschließlich Versandstücke dokumentiert, zu denen es nie Rückfragen geben wird.

Optional: Falls es viele Neukunden gibt (deren Ansprüche unsicher sind) oder Fotos sehr günstig / automatisch erstellbar wären, kann die quantitative Analyse eine erwartete Einsparung von Reklamation und Konventionalstrafen abschätzen und damit eine Verallgemeinerung des Workarounds zum Sollprozess rechtfertigen.