La première partie des scénarios de valeur du Process Mining mettait l’accent sur le « Process discovery » et l’amélioration des processus. Cette deuxième partie continue avec l’amélioration des processus mais décrit également les scénarios de valeur basés sur le « Conformance checking » et conclut par les scénarios concernant le « support opérationnel », plus spécifiquement les analyses prédictives.
Scénarios d’amélioration des processus (suite)
Identification des bottlenecks
Une des conséquences de la variabilité des processus, est la formation de goulots ou ‘bottlenecks’. Quand un goulot est structurel, c-à-d quand il apparaît toujours au même endroit dans le processus, il est plutôt ‘facile’ à examiner la cause. Remarquez que cela est un des principes de la théorie des contraintes ou “Theory of Constraints (ToC)”: découvrir et résoudre un par un les obstacles avec le plus d’effet contraignant dans un processus. Toutefois, une difficulté supplémentaire est quand les goulots ne sont pas toujours structurels, donc quand ils ne se situent pas toujours au même endroit dans un processus.
Les figures ci-dessous – obtenues d’un graphique animé (de l’application Disco) – illustrent comment certains goulots apparaissent à différentes étapes d’un même processus, à des moments différents: le rectangle bleu dans la Fig. 1 entre les activités 3 et 4 à un certain moment, versus le rectangle rouge dans Fig. 2 entre les activités 3 et 4 à un autre moment. L’avantage du Process Mining est qu’il facilite la découverte des différents goulots à n’importe quel instant. Bien sûr, cela aide le gestionnaire de processus à révéler les causes spécifiques de ces goulots moins structurels.
Fig.1: Bottleneck (rectangle bleu) Fig.2: Bottleneck (rouge) + boucle (ellipse verte)
Révéler les retouches et les usines fantômes
De tel diagrammes obtenus par le biais du Process Mining – animés ou pas – permettent aussi aux gestionnaires de processus à combattre le soi-disant “right the first time” en découvrant les boucles inconnues, comme illustré par l’ellipse verte dans la Fig. 2. En effet, de telles boucles sont souvent associées à des retouches coûteuses, signifiant une réduction de la valeur opérationnelle; en Lean management, ceci est considéré comme type de gaspillage dénommé « Défaut ». Dans les cas plus extrèmes, le Process Mining peut même divulguer des activités totalement méconnues, aussi appelées usines fantômes.
La gestion des ressources
Les goulots apparaissent souvent dans le cas d’une sur-utilisation de ressources; c-à-d quand la capacité requise est plus élevée que la capacité réelle. 
Toutefois, la sous-utilisation de ressources est aussi très importante à connaître, certes quand ça se produit régulièrement. Une surcapacité structurelle est une inefficience qui doit aussi être gérée, en effet. Le graphe à pointillés ici à gauche – impression d’écran issu de ProM – illustre comment vous pouvez observer quelles activités et pour quelles instances d’un processus une ressource spécifique a été utilisée. Ainsi, chaque ligne – comme celle indiquée par un rectangle vert – permet d’évaluer si cette ressource a plutôt été sur- ou sous-utilisée, et à quels moments. Et en indiquant un pointillé avec la souris, un rectangle bleu précise quelles activités de quelles instances de processus la ressource a effectuées, et à quels moments.
De plus, un outil comme ProM offre aussi des algorithmes permettant d’analyser les 
interactions entre les ressources, comme illustré par le diagramme « réseau social » ici à droite. Cet exemple dévoile clairement que 3 ressources, désignées par un rectangle bleu, semblent être importantes dans le processus, étant donné les nombreuses flèches pointant vers elles.
Scénarios de conformité (conformance checking)
Comme décrit dans le blog précédent, le « conformance checking » permet de juger si les instances de processus sont conformes au processus comme défini. Voici les scénarios de valeur les plus importants de cette catégorie:
Conformité à la loi
Inutile à vous préciser l’importance de la conformité pour les aspects légaux ou aspects de bonne gouvernance. Pensez à SOX (Sarbanes-Oxley Act), au US-GAAP ou au rapportage IFRS, etc. Le Process Mining aide à reconnaître les instances de processus qui ne sont pas conformes au processus défini, ou selon la régelementation SOX, GAAP, IFRS ou toute autre règle de bonne gouvernance.
Conformité en terme de qualité
Les non-conformités sont également un concept bien connu dans la gestion de la qualité. Bien qu’une non-conformité est souvent associée à une déviation d’un standard ou d’une spécification vis-à-vis d’un produit ou d’un service (donc l’output d’un processus), sa cause est bien souvent située au niveau du processus même.
En d’autres mots, la découverte des non-confirmités au sein d’un processus (ou ses instances) est très précieuse. L’image ici à gauche montre comment le plug-in « Replay a log on Petri Net for Conformance analysis » de ProM aide à identifier ces non-conformités ou déviations. Remarquez les rectangles rouges, illustrant les transitions (= groupes d’activités) où des déviations se produisent.
Il y a même moyen de zoomer sur les statistiques d’un tel rectangle, permettant ainsi d’observer la fréquence de non-conformité. Ce qui est dénommé le ‘fitness’ (move-log fitness ou move-model fitness), exprimant le degré de conformité.
Suivi de la transformation d’entreprise
Imaginez que votre entreprise soit soumise à une transformation organisationnelle, par exemple suite à une nouvelle stratégie, déclenchée par des changements importants dans le marché. Comme expliqué dans le blog de 5 Février 2015, ce type de transformation mènera d’office à des changements au niveau des processus d’entreprise.
Ne serait-il pas utile de contrôler si les processus redéfinis – suite à cette transformation – sont bien respectés? Est-ce que ceci n’augmenterait pas la probabilité de succès pour cette transformation d’entreprise?
Analyses prédictives
Les scénarios de valeur précédents étaient surtout basés sur les « données post mortem« , donc où les algorithmes utilisent des données (event logs) focalisées sur le passé, donc des instances de processus effectuées. Comme toute autre technique prédictive, le Process Mining permet également de prédire le comportement d’un processus futur et d’en tenir compte lors de son exécution. En utilisant des données pre mortem, c-à-d des données dans un processus « at runtime » (= avant que le processus soit complètement réalisé), il est possible d’anticiper – lisez: d’éviter – des situations indésirables. Voici quelques exemples illustrant l’utilisation prédictive du Process Mining:
Echéances
Imaginez qu’après un accord avec vos clients, la durée maximale d’un processus est de 4 jours; autrement dit, le produit ou service doit être livré edéans des 4 jours suivant la commande.
Sur base des event logs, vous avez pu conclure qu’une partie cruciale du processus prend 2 jours de temps. Cette partie est clairement le « chemin critique » du processus. Dès que ce chemin critique prend (un peu) plus que 2 jours de temps, il est évident que le respect de la date d’échéance (4 jours) est en danger. Par conséquent, prévoir un minuteur vous alertant dès que le chemin critique prend plus que 2 jours dans le processus en cours, ne vous aiderait-il pas à éviter une échéance manquée?
Limiter les coûts d’une instance de processus
Lorsque – basé sur des event logs -, vous avez découvert que des conditions spécifiques influencent vos coûts de processus d’entreprise, il est alors intéressant de limiter les coûts d’une instance de processus at runtime, en influençant le processus dans le choix d’une variante.
Exemple: supposez que vous avez découvert que pour une destination spécifique – dans un processus de transport -, les frais sont bien plus élevés lorsqu’il y a des embouteillages. Pourquoi alors, ne pas automatiser le processus de telle façon à ne pas effectuer le transport pour cette destination quand vous êtes informés, par exemple par RDS, qu’il y a un embouteillage entre votre entreprise et cette destination?
Prédire la qualité de l’output du processus
De manière similaire, vous pourriez découvrir – grâce au Process Mining – que certains paramètres spécifiques ont un impact sur la qualité de l’output du processus; dans ce cas vous pouvez revoir le processus en fonction de ces paramètres.
Exemple: imaginez que vous avez découvert – par analyse des causes profondes – que le taux de rejets du produit final A est plus élevé quand l’humidité relative de l’air est supérieur à 90%, dans un bâtiment de fabrication sans climatisation. Tandis que l’humidité n’a pas d’impact sur la qualité des autres produits.
Ne serait-il pas intelligent alors d’être averti dès que l’humidité atteint 90% (ou même mieux, 85%), afin d’éviter toute production du produit A, qui mènerait dans ces conditions quand même à trop de rejets? Et de plutôt produire d’autres produits dans l’attente de conditions plus favorables.
Conclusion
J’espère que ces scénarios de valeur du Process Mining vous inspirent à l’utilisation de cette technologie qui peut vous aider à améliorer davantage vos processus d’entreprise et donc votre organisation en général.
Le blog suivant décrira comment le Process Mining peut contribuer aux organisations qui appliquent les principes du Systems Thinking.
Avez-vous une question ou des commentaires au sujet de ce blog? Ecrivez-les alors dans le cadre ci-dessous, et recevez une documentation gratuite décrivant comment obtenir des diagrammes BPMN issus des Event Logs, grâce au Process Mining.
P.S.: N’hésitez pas à partager ce blog via Facebook, LinkedIn, Twitter ou Google+ via les boutons respectifs ci-dessous. Merci beaucoup!