L’histoire de la découverte des processus métier

Les outils automatisés de découverte des processus métiers capturent les données requises et les transforment en un ensemble de données structuré pour le diagnostic réel; l’un des principaux défis est de regrouper les actions répétitives des utilisateurs en événements significatifs. Ensuite, ces outils de découverte de processus métier proposent des modèles de processus probabilistes. Le comportement probabiliste est essentiel pour l’analyse et le diagnostic des processus. L’exemple suivant montre un processus de réparation probabiliste récupéré à partir des actions des utilisateurs. Le modèle de processus « tel quel » montre exactement où se situe le problème dans ce domaine. Cinq pour cent de réparations défectueuses sont un mauvais signe, mais pire encore, les correctifs répétitifs nécessaires pour terminer ces réparations sont fastidieux.

La Business Intelligence (BI) est apparue il y a plus de 20 ans et est essentielle pour rendre compte de l’activité des systèmes d’une organisation. Cependant, les applications BI et les technologies d’exploration de données actuelles ne sont pas toujours adaptées à l’évaluation du niveau de détail requis pour analyser les données non structurées et la dynamique humaine des processus métier.

Six Sigma et d’autres approches quantitatives d’amélioration des processus métier sont utilisées depuis plus de dix ans, avec plus ou moins de succès. L’un des principaux obstacles à leur succès réside dans la disponibilité de données précises pour fonder l’analyse. Grâce à la BI, de nombreuses organisations Six Sigma découvrent la possibilité d’étendre efficacement leur analyse aux principaux processus métier.

L’exploration de processus est apparue comme discipline scientifique vers 1990, lorsque des techniques comme l’algorithme Alpha ont permis d’extraire des modèles de processus (généralement représentés par des réseaux de Petri) à partir de journaux d’événements. Cependant, la reconnaissance de cette prétendue discipline scientifique est extrêmement limitée dans quelques pays. Alors que l’engouement pour le Process Mining, porté par l’Université de Technologie d’Eindhoven, ne cesse de croître, de nombreuses critiques pointent du doigt le fait qu’il ne se résume qu’à un ensemble d’algorithmes résolvant un problème métier simple et spécifique : la découverte de processus métier et les méthodes d’évaluation auxiliaires. Aujourd’hui, plus de 100 algorithmes de Process Mining sont capables de découvrir des modèles de processus incluant également la concurrence, par exemple les techniques de découverte génétique de processus, les algorithmes de fouille heuristique, les algorithmes de fouille par région et les algorithmes de fouille floue.

Une analyse plus approfondie des données de processus « en l’état » pourrait révéler les composants défectueux responsables du comportement global de cet exemple. Elle pourrait conduire à la découverte de sous-groupes de réparations nécessitant une attention particulière de la part de la direction pour être améliorées.

Dans ce cas, il apparaîtrait évident que les composants défectueux sont également responsables des corrections répétitives. Des applications similaires ont été documentées, comme le cas d’un fournisseur d’assurance maladie où, en 4 mois, le retour sur investissement de l’analyse des processus métier a été obtenu grâce à une compréhension précise de son processus de traitement des réclamations et à la découverte des pièces défectueuses.

Source: Drew Bentley, Business Intelligence and Analytics. © 2017 Library Press, License CC BY-SA 4.0. Traduction et adaptation: Nicolae Sfetcu. © 2024 MultiMedia Publishing, L’informatique décisionnelle et l’analyse exploratoire des données dans les entreprises, Collection Sciences de l’information