Données clés pour un Process Mining efficace

Des données brutes ? Ce n’est que le premier ingrédient ! Le Process Mining adore les données propres, alors explorez, préparez et épicez vos données d’événements à la perfection. C’est la sauce secrète pour obtenir de puissants insights sur vos processus !

Chapitre 1 : Quelles data sont nécessaires pour démarrer ?

Imagine que tu tiens un stand de limonade, mais tu as une mémoire de poisson rouge ! Pour comprendre comment ton stand fonctionne, tu décides de suivre quelques infos clés :

• Customer ID (CaseID) : Un numéro unique pour chaque client. Ça te permet de savoir si la même personne revient acheter (ou râler sur une limonade trop acide !).
• Action Taken (Activity) : Ce qui s’est passé ! Par exemple : “Prendre commande”, “Préparer limonade” ou “Gérer réclamation client mécontent” (en espérant que ça reste rare !).
• Action Time (Timestamp) : Le moment où tu fais chaque action. L’ordre compte pour bien comprendre le process !

Avec seulement ces trois data, le Process Mining devient comme un mini espion sur ton stand. Il voit le flux des clients, repère les blocages (par exemple si tu es lent à préparer les limonades !), et même si certains clients râlent plus que d’autres (le moment d’améliorer la recette !).

Voici un exemple de ce à quoi ressemblent les data en tableau :*

Ça peut sembler peu, mais c’est déjà suffisant pour que le Process Mining commence à poser des questions et te donne des insights sur l’efficacité de ton stand de limonade !

Chapitre 2 : L’affaire des logs de limonade disparus

Notre stand de limonade était un vrai carton ! Les clients adoraient notre recette secrète et le business tournait à fond. Mais ce succès a amené un défi inattendu : on était submergés de clients. Les files d’attente s’allongeaient, l’ambiance chauffait, et surtout, on ignorait pourquoi !

Vous vous souvenez du mini espion qu’on a recruté (Process Mining) ? Il ne fait pas de magie : il a besoin de bonnes infos, mais on n’avait que quelques gribouillis sur une serviette. Là, ça s’est corsé :

• Le détective Data : Notre premier souci, c’était de retrouver tous les bons détails. Les commandes étaient éparpillées sur des post-it, reçus volants, voire une serviette froissée en poche (beurk !). Une vraie enquête, rassemblant des infos venues de partout (bases de données, fichiers plats, message logs, etc.).
• Parler la même langue : Même avec les données en main, ce n’était pas limpide. Certains mots disaient « Client content ! », d’autres affichaient juste un smiley triste. Il fallait un traducteur (standardisation des données) pour que l’espion comprenne chaque note.
• Poser les bonnes questions : Enfin, il valait mieux savoir ce qu’on cherchait. Les files étaient-elles longues à cause de la prise de commande trop lente, ou préparait-on la limonade trop doucement ? Les bonnes questions permettaient de cibler la collecte (vues multiples des données).

Finalement, mettre de l’ordre dans ce bazar de données a été toute une aventure. Mais, au chapitre suivant, vous verrez comment, grâce à un peu de flair et notre espion passionné de data, on a optimisé le stand et mis tout le quartier en émoi !

Chapitre 3 : La Grande Fouille de Données

Notre stand de limonade était un succès retentissant, mais les files étaient un cauchemar ! Nous savions que nous avions besoin de notre espionne de données (Process Mining) pour nous aider, mais d’abord, nous devions lui fournir de bons renseignements. Cela signifiait plonger dans le monde de l’extraction de données - en gros, trouver tous les indices cachés sur nos clients et les transformer en quelque chose que notre espionne pourrait comprendre.

Voici ce que nous avons découvert :

• Chasse au Trésor : Parfois, les données ressemblaient à des trésors enfouis - cachés dans les coins poussiéreux de nos systèmes (pages web, emails, PDFs). Nous devions devenir des archéologues de données, fouillant dans de vieux fichiers et utilisant des outils sophistiqués (screen scraping) pour déterrer les informations dont nous avions besoin.
• Perdu en Traduction : Même lorsque nous avons trouvé les données, elles n’étaient pas toujours claires. Certains indices étaient griffonnés sur des serviettes (données non structurées) et d’autres étaient verrouillés dans un code secret (métadonnées manquantes). Nous avions besoin d’un traducteur (standardisation des données) pour tout déchiffrer.
• Concentration est la clé : Avec tant de sources de données (des milliers de tables !), il était tentant de tout prendre. Mais tout comme vous n’essaieriez pas toutes les combinaisons de saveurs à la boutique de glaces, nous devions nous concentrer sur les questions auxquelles nous voulions répondre. Les clients prenaient-ils trop de temps à commander, ou étions-nous le goulot d’étranglement dans la préparation de la limonade ? Se concentrer sur ces questions clés nous a aidés à prioriser les données à extraire.

Ce n’était pas facile, mais avec un peu d’huile de coude et une bonne dose de curiosité, nous avons réussi à déterrer un trésor de données. Dans le prochain chapitre, nous verrons comment nous avons nettoyé ce désordre et finalement fait fonctionner notre espionne de données pour nous !

Chapitre 4 : Le grand nettoyage de la data

On croulait sous des montagnes de data grâce à nos efforts d’extraction (voir chapitre 3). Mais attention : il y avait un mélange de tout – infos clients utiles, gribouillis inutiles, et plein de choses à trier. Place au data detox !

Le filtrage est devenu notre meilleur allié. Imaginez trier une boîte à outils toute en désordre. On a commencé large (filtrage grossier à l’extraction), puis on a affiné (filtrage fin).

Voici comment nous avons procédé :

• Cibler l’essentiel : Les commandes les plus fréquentes, c’est comme les outils stars de la boîte : on s’est concentré sur les 10 activités principales (commande, attente, livraison) pour faciliter la mission du data spy. Le reste peut attendre dans le fond du tiroir (pour l’instant).
• L’itération, la clé : Filtrer, ce n’est jamais fini ! Plus notre data spy analysait les données propres, plus il nous orientait vers de nouveaux axes d’étude. Comme un détective qui affine sa recherche à chaque indice.

Avec des données presque nickel, il était enfin temps de libérer la vraie puissance de notre espion Process Mining au chapitre suivant ! On explorera les techniques de discovery, conformance et enhancement pour diagnostiquer les problèmes et faire de notre stand un modèle d’efficacité !

Chapitre 5 : Relooking de la data

Notre data detox du chapitre 4 a fait des merveilles, mais il restait une étape avant de lâcher notre data spy (Process Mining) : la data makeover ! Imaginez un client tendant un billet froissé : on ne le refuse pas, mais c’est plus simple si le billet est propre. Même principe pour le nettoyage des données.

Ce qu’il fallait faire :

• Case Closed : Un process, c’est comme le parcours du client : début, milieu, fin. Il fallait relier tous les events du même client (case) : commande, attente, réception de la limonade. Comme classer tous les reçus d’une visite.
• Parler Process : Nos données ne parlaient pas toujours le langage du process. Chaque activité devait montrer clairement un changement de statut dans la vie du client (case). Par exemple, « Client content ! », ce n’est pas assez explicite : il vaut mieux « Limonade livrée ».

Ce n’était pas le passage le plus fun, mais après un peu de nettoyage et de logique, on a eu un jeu de données tout propre ! Avec ça, notre data spy a pu lever le voile sur les files d’attente et transformer le stand en exemple d’efficacité (et de gourmandise) !