Process mining – un peu d’histoire
Le Process mining est l’une des tendances du numérique et de la transformation digitale en forte croissance. Cette technologie a vu le jour à la fin des années 1990, grâce aux recherches de Wil van der Aalst, professeur d’informatique à l’Université d’Aix-la-Chapelle. Le chercheur Néerlandais s’était d’abord intéressé à explorer la possibilité de trouver un moyen de construire automatiquement les modèles de flux de travail à partir des observations de ce que font réellement les collaborateurs impliqués dans un processus donné. Van Der Aalst s’est tout d’abord rendu compte que beaucoup d’organisations mettent en place des gestionnaires de flux de travail mais ne les utilisent jamais, simplement parce que le processus de travail réel est loin de sa version théorique. Le chercheur a donc décidé de résoudre ce problème via une approche « bottom-up » (ou ascendante) en se basant sur les données réelles du processus. Autrement dit, le process mining permet la reconstruction et la modélisation du fonctionnement réel d’un processus à partir des traces et des logs numériques des différents outils qui constituent ce processus.
Alors que les toutes premières versions d’outils de process mining se sont limitées à la fonctionnalité de découverte de processus et leur modélisation, ces solutions ont plus tard intégré des fonctionnalités pour le contrôle de conformité par confrontation au modèle théorique, afin de détecter les écarts et améliorer le processus en proposant des variantes au modèle théorique. A noter aussi que si elles étaient initialement conçues pour être utilisées par des analystes et des experts du domaine comme les business analysts, les data analysts ou les data scientists, les solutions de process mining produisent désormais des résultats visuellement plus simples qui permettent à toute personne dans l’organisation, quel que soit son profil, de consulter et comprendre les résultats.
Fonctionnalités
Les principales fonctionnalités offertes par la plupart des outils de process mining peuvent être regroupées en 3 grandes catégories :
- Modélisation et découverte du process
La modélisation consiste à construire un processus à partir des données importées par l’utilisateur sous forme d’un journal d’événements. Le processus étudié est représenté sous forme d’un graphe statique et intuitif qui rassemble tous les éléments d’exécution du processus réel.
- Visualisation dynamique du processus
La visualisation est une représentation de l’ensemble des occurrences du processus sous forme d’un graphe dynamique, ce qui permet l’identification des goulets d’étranglement et des différentes variantes du processus ainsi que la visualisation quantifiée des volumétries par branche. Des capacités de filtrage et de recherche sont à la disposition des utilisateurs afin de filtrer par variante, acteur, date, etc.
- Analyse des données
Les outils de process mining donnent accès à des statistiques variées sur le processus étudié et ses variantes (nombre d’occurrences, durée des occurrences, nombre d’événements par occurrence, etc.), ce qui permet la représentation de ces statistiques sous différents formats (courbes, distribution, nuages de points, …) en utilisant les différentes dimensions mappées pour identifier des axes de corrélation. L’analyse de données permet aussi l’identification des écarts avec des repères (chemins, durées de tâches, etc.), et certains outils peuvent même émettre des hypothèses concernant les causes de ces écarts.
- Traitement des données
Pour rendre l’exploration de processus possible, les outils de process mining offrent des fonctionnalités d’import, d’export et de traitement de données tels que la transformation, le nettoyage, le mapping et le stockage local et indexé des données.
Quel processus peut-on analyser avec le process mining ?
Tout processus qui s’appuie entièrement sur des logiciels ou appareils connectés est éligible au Process Mining. L’enjeu est de pouvoir récupérer les logs utiles de l’ensemble de la chaîne afin de consolider et alimenter l’outil de Process Mining. Plus le nombre de sources est important et le lien entre ces sources est complexe, plus les efforts seront importants pour initialiser une analyse de Process Mining.
De quelles données a-t-on besoin pour faire du process mining ?
Pour arriver à faire du process mining, il faut tout d’abord identifier les données nécessaires permettant de réaliser ce type d’analyse. Un journal d’événements d’un minimum de 6 variables comportant le libellé de la tâche, l’état de la tâche (commencée, terminée, etc.), la date de début, la date de fin, la ressource et l’identifiant de l’occurrence sont indispensables pour l’exécution d’un algorithme de process mining. A noter que les données du journal d’événements proviennent de différentes sources et qu’une source est qualifiée comme éligible si elle peut apporter a minima les données des 6 variables énumérées ci-dessus. A noter aussi que lors d’une analyse ponctuelle d’un processus, par exemple lors d’un audit, nous avons uniquement besoin des extraits des logs utiles des différentes sources de la chaîne de processus sur une même période. L’analyse en continu, recommandée pour supporter l’amélioration continue du processus, nécessitera l’alimentation incrémentale en temps réel ou à fréquence courte de chacune des sources, ce qui peut parfois être compliqué à mettre en œuvre selon le niveau d’ouverture et d’exposition des données du SI.
Bénéfices du process mining
Quand on parle des avantages des solutions de process mining et des attentes des organisations vis-à-vis de ces solutions, on distingue les bénéfices directs des bénéfices indirects. Alors que les bénéfices directs sont issus de l’application du process mining en tant que technique, les bénéfices indirects nécessitent la mise en place de mesures d’optimisation et de suivi par les organisations. La transparence et la surveillance du processus sont des avantages directs de la technologie de process mining alors que la réduction du coût, l’amélioration et l’automatisation du processus, entres autres, font partie des avantages indirects. Par exemple, pour arriver à réduire les coûts, une organisation doit appliquer des changements à la façon dont elle opère dans un cadre d’optimisation bien défini.
Marché et principaux vendeurs
Ces dernières années, on a pu observer une série d’acquisitions d’éditeurs de process mining par de grandes entreprises qui cherchent à se renforcer avec de nouvelles offres de transformation digitale pour répondre à des besoins d’amélioration de systèmes et de processus chez leurs clients.
Parmi ces acquisitions, on cite celles de Signavio par SAP, Logpickr par iGrafx, myInvenio par IBM, Minit par Microsoft, Everflow par Pega et Lana Labs par Appian. Quant aux autres grands acteurs du process mining, nous pouvons citer Celonis, Apromore, Aris, MPM, UI, QPR et ProM.
Tendances
On observe actuellement 2 tendances autour du process mining :
- Les éditeurs mettent en place des fonctionnalités de recherche d’analyse causale des écarts via l’intelligence artificielle, pour accélérer les diagnostics et préconisations. Ces fonctionnalités sont encore très expérimentales, mais présentent une belle promesse de valeur. Certains éditeurs comme IBM, SAP signavio, Uipath et Appian proposent déjà ces analyses causales en faisant appel à des techniques de machine learning.
- Plusieurs éditeurs de suites orientées « processus » essaient de rapprocher le process mining et la simulation de processus, qui étaient jusqu’à maintenant plutôt développés dans des outils séparés. Signavio a été précurseur dans le domaine, mais d’autres s’y intéressent, y compris de nouveaux entrants comme Synesa.
Les prochaines années semblent prometteuses avec des suites orientées processus intégrant finement le design, l’automatisation, la simulation et la rétro-analyse de processus. Une première étape clé de la virtualisation des processus, au sein d’une démarche plus globale de virtualisation de l’entreprise.
