Die Durchlaufzeit von Einheiten in Prozessen ist von vielen verschiedenen Faktoren abhängig. Insbesondere für Prozesse, die nicht am Fließband ablaufen, ist sie für einzelne Einheiten nicht trivial berechenbar. Gleichzeitig sind über einzelne Prozesse in unterschiedlichen Organisationseinheiten schon heute viele beschreibende Daten vorhanden: Regelmäßige Scannungen geben zum Beispiel Aufschluss über den aktuellen Prozessschritt und aus Auftragsdaten lässt sich der assoziierte Arbeitsaufwand berechnen. Darüber hinaus sind häufig Daten über Größen vorhanden, die auf den Prozess wirken, wie beispielsweise das verfügbare Personal oder der aktuelle Auftragsbacklog.
Um all diese – teilweise unternehmensindividuellen – Faktoren zu berücksichtigen, verwenden die Forscher einen Machine Learning Algorithmus: Bayes’sche Netze. Die Struktur dieser Netze kann an den jeweiligen spezifischen Prozess angepasst werden. So lässt sich domänenspezifisches Wissen, wie beispielsweise Kausalitäten zwischen den Einflussgrößen, explizit modellieren. Die konkrete quantitative Ausprägung dieser Wirkzusammenhänge lernt das Verfahren dann aus vergangenen Sendungsdaten. Wenn beispielsweise ein höherer Auftragsbacklog zu einer höheren Durchlaufzeit führt, kann das Bayes’sche Netz diesen exakten Zusammenhang aus vergangenen Prozessdurchläufen lernen. Wenn das komplexe Zusammenspiel dieser verschiedenen Faktoren also tatsächlich dazu führen sollte, dass sich die Durchlaufzeit verlängert, sodass der gewünschte Liefertermin nicht gehalten werden kann, wird die neu entwickelte PRODAB Software künftig rechtzeitig eine entsprechende Warnung ausgeben.