Les fondamentaux des données pour le Process Mining

Les données brutes ne sont qu’un point de départ. Le Process Mining repose sur des données d’événements propres et bien structurées. Découvrez comment évaluer, préparer et améliorer vos données pour obtenir des analyses fiables de vos processus.

Chapitre 1 : De quelles données avez-vous besoin pour commencer ?

Imaginez que vous teniez un stand de limonade, mais que vous ayez une très mauvaise mémoire. Pour comprendre les performances de votre stand, vous décidez de suivre trois informations de base :

• Identifiant client (CaseID) : Ce numéro identifie chaque client. Il indique si la même personne revient chercher de la limonade ou se plaindre d’une préparation trop acide.
• Action effectuée (Activity) : Cette information décrit ce qui s’est passé. Le client a-t-il « Passer la commande », « Préparer la limonade » ou « Traiter la réclamation d’un client mécontent » ? Espérons que cette dernière situation reste exceptionnelle.
• Heure de l’action (Timestamp) : Cette information indique quand chaque action a eu lieu. Vous avez besoin de la séquence des actions pour comprendre le processus.

Avec ces trois éléments, le Process Mining joue le rôle d’un petit détective dans votre stand. Il montre le parcours client, repère les goulots d’étranglement, comme une préparation trop lente, et révèle si certains clients se plaignent plus souvent que d’autres. Vous disposez ainsi d’un point de départ clair pour améliorer vos opérations.

Voici à quoi ces données pourraient ressembler dans un tableau :*

Cela peut sembler bien peu, mais ces informations suffisent au Process Mining pour commencer à poser des questions et à faire apparaître les premiers éléments sur l’efficacité de votre stand de limonade.

Chapitre 2 : l’affaire des journaux de limonade disparus

Notre stand de limonade rencontrait un franc succès. Les clients appréciaient notre recette secrète, la plupart du temps, et l’activité prospérait. Mais le succès a fait naître un nouveau problème : nous étions débordés. Les files d’attente s’allongeaient, les esprits s’échauffaient et, surtout, nous ne savions pas pourquoi.

Vous souvenez-vous du petit détective que nous avions engagé, le Process Mining ? Il ne pouvait pas faire de miracles. Il lui fallait des informations fiables, alors que nous ne disposions que de quelques notes griffonnées sur une serviette. Voici où les difficultés ont commencé :

Le nettoyage de ce désordre est devenu un projet à part entière. Dans le prochain chapitre, vous verrez comment un peu de travail d’enquête, associé à notre solution de Process Mining dédiée aux données, nous a aidés à optimiser le stand de limonade et à faire l’envie du quartier.

Chapitre 3 : la grande exploration des données

Notre stand de limonade rencontrait un franc succès, mais les files d’attente étaient devenues un véritable cauchemar. Nous savions que le Process Mining pouvait nous aider, mais il fallait d’abord lui fournir des données de processus fiables. Nous avons donc entrepris une exploration approfondie de l’extraction des données : il s’agissait de retrouver les indices cachés concernant nos clients et de les convertir en informations interprétables par le Process Mining.

Voici ce que nous avons découvert :

• À la recherche du trésor : parfois, les données ressemblaient à un trésor enfoui, caché dans les recoins poussiéreux de nos systèmes, notamment dans des pages web, des e-mails et des PDF. Nous avons dû nous transformer en archéologues des données, fouiller d’anciens fichiers et utiliser des outils comme le screen scraping pour retrouver les informations nécessaires.
• Perdus dans la traduction : même après avoir retrouvé les données, leur signification n’était pas toujours claire. Certains indices étaient griffonnés sur des serviettes, ce qui en faisait des données non structurées, tandis que d’autres ne comportaient pas de métadonnées. Nous avions besoin d’une standardisation des données pour pouvoir tout interpréter.
• L’essentiel est de rester ciblé : avec des milliers de tables réparties entre nos sources de données de Process Mining, il était tentant de tout collecter. Mais, de la même manière que vous ne testeriez pas toutes les combinaisons de parfums dans un glacier, nous devions nous concentrer sur les questions auxquelles nous voulions répondre. Les clients mettaient-ils trop de temps à commander, ou étions-nous le goulot d’étranglement lors de la préparation de la limonade ? Ces questions nous ont aidés à déterminer quelles données extraire en priorité.

Cela a demandé des efforts, mais notre curiosité et un travail minutieux nous ont permis de mettre au jour un ensemble précieux de données de processus. Dans le prochain chapitre, nous verrons comment nous les avons nettoyées et comment nous avons mis le Process Mining à notre service.

Chapitre 4 : la détox des données

Après nos efforts d’extraction du chapitre 3, nous disposions d’une montagne de données. Mais l’ensemble était incohérent : certaines informations clients étaient utiles, d’autres se résumaient à des notes aléatoires et une grande partie n’avait aucun rapport avec notre objectif. Le moment était venu de faire une détox des données.

Le filtrage est devenu notre meilleur allié. Imaginez que vous triiez une boîte à outils en désordre. Lors de l’extraction, nous avions commencé par un périmètre large et peu détaillé. Il fallait maintenant appliquer un périmètre précis, à un niveau beaucoup plus fin.

Voici comment nous avons relevé le défi du filtrage :

Les données étant désormais en grande partie propres, nous pouvions appliquer le Process Mining dans le chapitre suivant. Nous allions étudier la découverte, la conformité et l’amélioration afin de diagnostiquer les problèmes du stand de limonade et d’en accroître l’efficacité.

Chapitre 5 : la transformation des données

Notre détox des données du chapitre 4 nous avait aidés, mais une étape essentielle restait à franchir avant d’appliquer le Process Mining : transformer les données. Imaginez qu’un client arrive avec un billet froissé. Vous l’accepteriez tout de même, mais un billet propre et bien droit serait plus facile à manipuler. C’est le principe du nettoyage des données.

Voici ce que nous devions faire :

• Dossier clos : un processus ressemble au parcours d’un client : il a un début, un déroulement et une fin. Nous devions relier chaque événement associé à un même cas client, notamment la commande, le temps d’attente et la livraison finale de la limonade. Imaginez que vous classiez tous les reçus d’une même visite.
• Parler le langage des processus : nos données ne décrivaient pas toujours clairement le processus. Les activités devaient représenter des changements d’état définis pour chaque cas client. Par exemple, « Client satisfait ! » était trop vague. Nous avions besoin d’un état précis, comme « Limonade livrée ».

Ce n’était pas la partie la plus spectaculaire du projet, mais une préparation rigoureuse des données et des définitions claires nous ont permis d’obtenir un jeu de données propre. En appliquant le Process Mining à ces données transformées, nous avons pu identifier les causes des longues files d’attente et rendre notre stand de limonade plus efficace.