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 données sont nécessaires pour démarrer ?

Imaginez que vous tenez un stand de limonade, mais que vous avez une mémoire très courte ! Pour comprendre comment ton stand fonctionne, tu décides de suivre quelques infos clés :

• Customer ID (CaseID) : Un numéro unique pour chaque client. Cela vous 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 (Horodatage) : 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 vous êtes 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 données en tableau :*

Ça peut sembler peu, mais c’est déjà suffisant pour que le Process Mining commence à poser des questions et vous donne des clés de compréhension 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 :

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 données, 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.
• Données mal interprétées : 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.
• La concentration est indispensablele : 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 les données

On croulait sous des montagnes de données 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 nettoyage des données !

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 :

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 les données

Notre nettoyage des données du chapitre 4 a fait des merveilles, mais il restait une étape avant de lâcher notre outil d’analyse (Process Mining) : les données 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 événements 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 l’étape la plus passionnante, mais après un peu de nettoyage et de logique, on a eu un jeu de données tout propre ! Avec ça, notre outil d’analyse a pu lever le voile sur les files d’attente et transformer le stand en exemple d’efficacité (et de gourmandise) !