Pourquoi nous n'utilisons pas de connecteurs prêts à l'emploi

Vous recherchez des modèles de données ? Consultez nos guides d’amélioration continue des processus pour trouver des modèles prêts à l’emploi destinés à des processus tels que Purchase to Pay, Order to Cash et Accounts Payable.

Le Process Mining a besoin de données, mais nous nous y prenons mal

« Les données représentent 80 % du travail en Process Mining. »

Vous avez probablement déjà entendu ce chiffre. Nous en avons certainement fait l’expérience. Mais voici une vérité inconfortable : le fait que les données représentent 80 % du travail n’est pas une loi naturelle. C’est le symptôme d’une mauvaise approche.

Lorsque l’extraction des données devient un projet de plusieurs mois, c’est que quelque chose a déraillé. L’objectif du Process Mining n’est pas de construire des pipelines de données parfaits, mais d’obtenir des analyses. C’est découvrir que des factures restent sans traitement pendant 12 jours avant que quelqu’un ne les examine. C’est constater que 40 % des commandes nécessitent une intervention manuelle en raison d’une mauvaise configuration du système.

Les données sont un moyen, pas une fin.

Pourquoi tant de projets de Process Mining restent-ils bloqués au stade des données ? Souvent, tout se joue dans une seule décision : choisir des connecteurs prêts à l’emploi.

La promesse des connecteurs prêts à l’emploi

Dans un monde idéal, cette approche serait transformatrice. Pour être honnêtes, nous l’avons vue fonctionner lors de démonstrations, et parfois même dans des environnements de production simples utilisant des configurations système standard.

Mais soyons clairs : votre entreprise n’est pas un environnement de démonstration.

Le retour à la réalité

Nous aidons des organisations dans leurs projets de Process Mining depuis des années. Nous avons vu ce qui fonctionne et ce qui échoue. À maintes reprises, nous avons constaté que les connecteurs prêts à l’emploi créent plus de problèmes qu’ils n’en résolvent.

La « configuration rapide » qui prend un an

L’un de nos clients a commencé son parcours de Process Mining avec enthousiasme, en s’appuyant sur le connecteur SAP d’un fournisseur. « Vous obtiendrez vos premières analyses en trois semaines », lui avait-on promis.

Dix-huit mois plus tard, il déboguait encore des problèmes de qualité des données.

Ce cas n’a rien d’exceptionnel. Nous avons vu des projets de connecteurs s’étendre sur plus d’un an, absorbant les budgets et l’enthousiasme dans les mêmes proportions. La configuration « simple » n’a plus rien de simple lorsque la réalité se heurte au discours commercial.

Pourquoi les connecteurs peinent dans le monde réel

• Votre système n’est pas standard. Les connecteurs sont conçus pour des versions précises de logiciels précis. Or les entreprises les personnalisent. Elles ajoutent des champs, modifient les flux de travail et changent la structure des tables. Le système ERP que vous utilisez ? Il a probablement évolué pendant dix ans. Le connecteur attend une installation conforme au manuel ; vous avez un système vivant, façonné par des années de décisions métier.

• Les connecteurs essaient de tout résoudre. Un connecteur conçu pour prendre en charge tous les cas d’usage possibles du Process Mining devient extrêmement complexe. Il doit gérer des cas particuliers que vous ne rencontrerez jamais, tout en risquant de ne pas prendre en charge l’analyse précise dont vous avez besoin. Cette approche universelle vous impose une complexité qui n’apporte aucune valeur à votre projet.

• Le dédale des tables. La plupart des connecteurs utilisent plusieurs tables sources, ce qui semble puissant, et peut effectivement l’être. Mais la mise en place et la maintenance des relations entre ces tables sont complexes. Vous devez comprendre non seulement votre processus métier, mais aussi le modèle de données du connecteur, celui du système source et la manière dont ces modèles sont censés être associés. Cela représente beaucoup de modèles à gérer.

• Les boîtes noires suscitent la méfiance. Lorsqu’un problème survient avec un connecteur, et cela finit toujours par arriver, vous ne pouvez pas voir ce qui se passe à l’intérieur pour en comprendre la cause. Les données sont-elles incorrectes dans le système source ? Le connecteur les transforme-t-il mal ? Un problème de configuration est-il en cause ? Vous déboguez à l’aveugle, ce qui frustre toutes les personnes concernées et rend presque impossible l’explication des résultats aux parties prenantes.

• Du travail en double. Voici l’ironie : de nombreuses organisations disposent déjà de données propres et préparées dans leurs entrepôts ou lacs de données. Leurs ingénieurs de données ont passé des années à créer des pipelines, à résoudre les problèmes de qualité des données et à constituer des jeux de données fiables. Un connecteur ignore ce travail et repart de zéro, au risque d’introduire des incohérences avec les données auxquelles votre organisation fait déjà confiance.

• Des noms génériques qui déroutent tout le monde. Les connecteurs utilisent une terminologie standardisée qui peut ne pas correspondre à la façon dont votre organisation décrit ses processus. Lorsque le connecteur appelle une étape « Order Confirmation », mais que votre équipe la nomme « Sales Acknowledgment », vous créez une couche de traduction qui ralentit chaque échange.

• Le piège de l’ETL. La plupart des connecteurs vous imposent les outils ETL du fournisseur. Vous devez alors apprendre des systèmes propriétaires, dépendre de fonctionnalités propres au fournisseur et acquérir une expertise difficilement transférable à d’autres outils. Pendant ce temps, votre entreprise dispose probablement déjà d’une infrastructure ETL et de personnes qui savent l’utiliser.

• Une dépendance au fournisseur conçue dès le départ. Soyons directs : du point de vue du fournisseur, les pipelines de données complexes et propriétaires sont une fonctionnalité, pas un défaut. Une fois que vous avez investi six mois dans une infrastructure fondée sur des connecteurs, passer à un autre outil devient extrêmement coûteux. Ce n’est pas un hasard.

Les coûts cachés

Notre approche : les modèles de données

Nous avons choisi une autre voie. Plutôt que de développer des connecteurs, nous avons créé des modèles de données.

Le principe est simple : définir les données dont vous avez besoin dans un format adapté à votre processus et facile à générer.

Commencez avec Excel

Oui, vraiment. Vous pouvez commencer avec Excel.

Vous découvrez les journaux d’événements ? Notre guide consacré à la création d’un journal d’événements pour le Process Mining vous accompagne pas à pas dans la création de votre premier journal d’événements, avec des exemples sous Excel et SQL.

Nos modèles de données indiquent précisément les colonnes nécessaires pour chaque type d’analyse. Pour de nombreux processus, il s’agit d’un Case ID, d’un Timestamp et du nom de l’Activity, auxquels s’ajoutent les Attributs utiles à votre activité.

Vous pouvez le faire dès aujourd’hui, sans attendre l’intervention de l’équipe informatique, un processus d’achat ou l’accompagnement d’un consultant. Exportez les données de votre système, organisez-les selon le format de notre modèle, importez-les, puis analysez votre processus.

Est-ce parfait ? Non. Est-ce rapide ? Absolument. Pour comprendre votre processus, la rapidité compte souvent davantage que la perfection.

Pourquoi une seule table ?

Nous utilisons volontairement un format à table unique pour la plupart des analyses. Cela peut sembler limitant, jusqu’à ce que vous en compreniez la raison :

1. Facile à comprendre : chacun peut consulter un tableur et comprendre ce qui se passe
2. Facile à créer : aucune jointure complexe ni gestion des relations
3. Le Process Mining le fait de toute façon : même les outils qui importent plusieurs tables les regroupent dans un journal d’événements pour l’analyse

Vous pouvez néanmoins travailler avec plusieurs tables dans ProcessMind, selon différentes perspectives et différents processus, y compris avec des approches de Process Mining centrées sur les objets. Mais vous n’êtes pas obligé de commencer ainsi. Commencez simplement et n’ajoutez de la complexité que lorsqu’elle apporte une réelle valeur.

Travaillez avec votre équipe data

Voici ce que nous avons appris : l’approche par connecteurs contourne souvent vos ingénieurs data. C’est une erreur.

Votre équipe data connaît vos systèmes. Elle sait où se trouvent les problèmes de qualité. Elle sait quels champs sont fiables et lesquels doivent être vérifiés. Elle a probablement déjà résolu bon nombre des difficultés qu’un connecteur rencontrerait.

Nos modèles de données établissent un langage commun. Donnez le modèle à votre ingénieur data : il comprendra immédiatement ce qui est nécessaire. Il pourra utiliser les outils qu’il maîtrise déjà, notamment SQL, sa plateforme ETL et son entrepôt de données, pour générer exactement les données requises.

Aucun nouveau système à apprendre ni formation propriétaire dispensée par un fournisseur. Seulement des exigences claires, auxquelles des professionnels expérimentés des données peuvent répondre rapidement.

Utilisez ce dont vous disposez

La plupart des organisations disposent déjà d’une infrastructure de données importante :

• des entrepôts de données contenant des données nettoyées et validées
• des pipelines ETL qui déplacent les informations de manière fiable
• des data lakes contenant des données historiques
• des outils de business intelligence avec des requêtes déjà établies

L’approche par modèles vous permet d’utiliser tout cet existant. Ne reconstruisez pas ce qui existe déjà et ne créez pas de pipelines parallèles. Appuyez-vous sur les investissements déjà réalisés.

Cela signifie également que les données préparées pour le Process Mining peuvent être réutilisées ailleurs. Constituez un jeu de données une seule fois, puis utilisez-le pour le Process Mining, le machine learning, la BI traditionnelle et les prochains usages. C’est une démarche efficace.

La flexibilité de l’IA

Prêt à commencer ?

Nous avons conçu ProcessMind autour de ces principes : des exigences simples en matière de données, un accès rapide à la valeur et la maîtrise de vos analyses.

Explorez nos guides d’amélioration continue des processus pour trouver des modèles de données adaptés aux processus courants. Chaque guide comprend :

• Les activités du processus et les données à recueillir
• Des fichiers modèles utilisables immédiatement
• Des conseils pour les systèmes courants tels que SAP, Oracle et Microsoft Dynamics
• Les bonnes pratiques de préparation des données

Ou démarrez l’essai gratuit et importez quelques données. Vous serez peut-être surpris de voir à quelle vitesse les analyses apparaissent lorsque vous n’attendez pas la configuration d’un connecteur.

Les données ne sont pas l’objectif. Comprendre votre processus, oui. Avançons plus rapidement.