Connecteurs de Process Mining : quand sont-ils utiles ?

Que promettent les connecteurs de Process Mining, et combien coûtent-ils ?

Les connecteurs prêts à l’emploi pour le Process Mining promettent un accès rapide à l’analyse : connectez une application, extrayez ses données et programmez leur actualisation. Cette solution peut convenir si le connecteur est compatible avec votre système et répond à vos besoins en matière de données. Mais l’installation n’est pas toujours automatique : vous devez aussi vérifier la configuration du système, le modèle de données, les exigences de sécurité et les questions auxquelles vous souhaitez répondre.

Créer ou configurer un connecteur peut nécessiter d’associer des champs, de valider les résultats et de tenir compte des flux de travail personnalisés ou des changements apportés au système. Votre équipe de données gère peut-être déjà des jeux de données fiables. Un nouveau connecteur risque alors de faire doublon au lieu de s’appuyer sur l’existant.

Le travail se poursuit après la mise en place. Il faut assurer la maintenance du pipeline, résoudre les problèmes liés aux changements et comprendre comment le connecteur transforme les données. Si ces tâches retardent votre première analyse, la commodité du connecteur a un coût.

Les points qu’un connecteur doit maîtriser

La promesse est simple : sélectionnez votre système, cliquez sur un bouton, obtenez des données mises en forme, planifiez leur actualisation, et le tour est joué. Mais cette version courte passe sous silence l’essentiel du travail.

• Votre système n’est pas standard. Les connecteurs sont conçus pour des versions précises de logiciels précis, alors que les entreprises personnalisent leurs systèmes : elles ajoutent des champs, modifient les flux de travail et remanient les tables. Un système qui a évolué pendant dix ans ne correspond pas à une installation type.
• Un connecteur doit tout couvrir. Conçu pour répondre à toutes les analyses possibles, il finit par prendre en charge des cas particuliers que vous ne rencontrerez jamais, tout en passant à côté de la question qui vous intéresse vraiment.
• Le labyrinthe des tables. La plupart des connecteurs s’appuient sur plusieurs tables sources liées entre elles. Vous devez alors comprendre votre processus métier, le modèle de données du connecteur, celui du système source et la manière dont ces modèles s’articulent.
• Difficile de faire confiance à une boîte noire. En cas de problème, impossible d’en examiner le fonctionnement interne. Les données sources sont-elles erronées ? Le connecteur les transforme-t-il incorrectement ? S’agit-il d’un problème de configuration ? Sans visibilité, le débogage est difficile et les résultats deviennent compliqués à expliquer aux personnes qui doivent agir en conséquence.
• Des noms génériques demandent un travail de traduction. Si le connecteur parle de « Confirmation de commande » alors que votre équipe dit « Accusé de réception de vente », chaque échange nécessite un interprète.

Le coût réel

Le travail technique pèse aussi sur le budget, souvent sans apparaître dans le poste prévu à cet effet.

• Du temps. Des mois consacrés à l’extraction plutôt qu’à l’analyse.
• De l’argent. Le coût des licences de connecteur et des consultants chargés de la mise en place.
• Des occasions manquées. Des améliorations attendent pendant la création du pipeline.
• Une baisse de motivation. Les équipes perdent leur élan lorsque le projet s’enlise dans la préparation des données.
• Une perte de confiance. Les parties prenantes doutent de l’intérêt du Process Mining lorsque le premier projet dépasse les délais et le budget.

Une organisation avec laquelle nous avons travaillé s’était vu promettre « une première analyse en trois semaines » grâce au connecteur SAP d’un fournisseur. Dix-huit mois plus tard, elle corrigeait encore des problèmes de qualité des données. Ce n’est pas toujours le scénario, mais il est fréquent. Voilà pourquoi nous évaluons le coût d’un connecteur avant d’en recommander un.

Quand un connecteur vaut-il son coût ?

Les connecteurs peuvent être un bon choix si vous avez besoin d’extractions fréquentes, volumineuses et répétées, et si le système source est bien pris en charge. Ils peuvent aussi convenir aux environnements réglementés où votre organisation exige un pipeline de données contrôlé, assorti de processus établis en matière de sécurité et de gouvernance.

Dans ces situations, l’intérêt tient à la répétition des mêmes extractions au fil du temps. Un connecteur peut réduire les tâches manuelles récurrentes, à condition de prendre en charge la configuration de votre système et vos besoins en matière de données.

Avant de vous engager, vérifiez quelles versions et configurations du système sont prises en charge, quelles données sont extraites, comment les personnalisations sont gérées et qui sera responsable de la maintenance. Un connecteur n’est utile que s’il correspond au fonctionnement de vos systèmes et de vos équipes.

Quand un connecteur risque-t-il d’être superflu ?

Si vous examinez une question liée à un processus pour la première fois, vous ne savez peut-être pas encore quelles données vous seront nécessaires ni si l’analyse sera utile. Créer un pipeline récurrent avant d’avoir répondu à ces questions peut ajouter du travail, alors que vous ne savez pas encore ce qui mérite d’être automatisé.

Un connecteur peut aussi ne couvrir qu’une partie d’un processus qui s’étend sur plusieurs systèmes. Vous devrez peut-être encore combiner les données, harmoniser les noms et valider les résultats. Un connecteur pour une seule application ne résout pas à lui seul tous les problèmes de préparation des données.

Pour une première analyse, un export existant peut suffire à vérifier votre hypothèse. Vous pourrez affiner le jeu de données une fois que vous aurez repéré les éléments manquants.

Même lorsqu’un connecteur convient, cette approche entraîne trois coûts :

• Du travail en double. De nombreuses organisations disposent déjà de données propres et préparées dans un entrepôt ou un lac de données. Une équipe de données a parfois passé des années à résoudre les problèmes de qualité. Un connecteur repart de zéro et risque de créer des incohérences avec les données auxquelles l’entreprise fait déjà confiance.
• Le piège de l’ETL. Les connecteurs sont généralement fournis avec les outils du fournisseur. Votre équipe doit donc apprendre à utiliser un système propriétaire au lieu de s’appuyer sur l’infrastructure qu’elle connaît et qu’elle exploite déjà.
• Un risque de dépendance à évaluer. Un pipeline dont la création a pris six mois coûte cher à remplacer. Mieux vaut le savoir avant de s’engager.

L’extraction en temps réel modifie aussi l’analyse. Un jeu de données en évolution constante complique l’établissement d’une référence, le pipeline nécessite une surveillance continue, les coûts de calcul s’accumulent et la comparaison entre deux périodes devient moins simple. Si une actualisation mensuelle suffit pour répondre à votre question, un pipeline actif en permanence augmente les coûts sans apporter d’informations supplémentaires.

Comment fonctionnent les modèles de données ?

Nous proposons des modèles de données pour vous permettre de commencer avec les données dont vous disposez déjà, sans faire d’un connecteur préconfiguré la première étape. Un modèle décrit les champs nécessaires à une analyse, dans un format que vous ou votre équipe de données pouvez préparer.

Commencez par un guide adapté à votre processus

Recherchez votre processus ou votre système dans les guides d’amélioration des processus. Chaque guide porte sur un processus, ou sur un processus dans un système donné. Il présente les enjeux, les objectifs, les activités et les besoins en données, ainsi qu’un modèle Excel à télécharger.

Si votre processus ne figure pas dans la liste, commencez par le modèle de données générique. Dans les deux cas, les colonnes correspondent aux attentes de l’analyse. Votre équipe peut les remplir à partir d’un export sans avoir à concevoir le schéma depuis le début.

Commencez avec Excel

Pour de nombreuses analyses, vous pouvez commencer avec une feuille de calcul contenant un ID de cas, un horodatage et le nom d’une activité, ainsi que tout autre attribut utile pour répondre à votre question. Exportez les données auxquelles vous avez accès, organisez-les selon le modèle, importez le fichier et commencez l’analyse.

Vous n’avez pas besoin d’un pipeline complet et automatisé pour tester une idée. Votre premier jeu de données devra peut-être être affiné. Cela fait partie du travail qui consiste à comprendre les besoins de l’analyse.

Vous découvrez les journaux d’événements ? Apprenez à créer un journal d’événements avec des exemples dans Excel et SQL.

Commencez avec une seule table

Nous privilégions délibérément le format à table unique pour la plupart des analyses.

1. Elle est facile à examiner. Tout le monde peut ouvrir une feuille de calcul et voir ce qu’elle contient.
2. Elle est facile à préparer. Aucune jointure ni gestion des relations n’est nécessaire avant la première analyse.
3. L’étape de Process Mining la regroupe de toute façon. Les outils qui ingèrent plusieurs tables créent un journal d’événements unique avant l’analyse.

Vous pouvez utiliser plusieurs tables dans ProcessMind lorsque votre question l’exige, pour étudier différents points de vue ou processus. Mais rien ne vous oblige à commencer ainsi. Choisissez d’abord le jeu de données le plus simple qui répond à votre question.

Collaborez avec votre équipe de données

Votre équipe de données connaît la configuration de vos systèmes, les champs fiables et les données déjà disponibles. Un modèle clair lui indique précisément ce dont vous avez besoin, sans lui demander d’apprendre un modèle de données propriétaire.

Elle peut s’appuyer sur les outils et l’infrastructure qu’elle connaît, notamment SQL, les plateformes ETL existantes, les entrepôts de données et les lacs de données. Vous pouvez ainsi réutiliser des données fiables plutôt que de créer un pipeline parallèle.

Pour savoir comment préparer un journal d’événements, consultez la documentation sur la préparation des données.

Associez les champs avec l’aide de l’IA

Les noms de colonnes d’un export ne correspondent pas toujours exactement à ceux du modèle. Lors de l’importation, ProcessMind peut souvent reconnaître des champs tels que l’ID de cas, l’horodatage et l’activité. Si un champ est associé au mauvais élément, vous pouvez corriger l’association manuellement.

Vous pouvez ainsi passer d’un export existant à l’analyse sans devoir mettre parfaitement en forme chaque fichier source au préalable.

Comment actualiser les données en pratique ?

Une actualisation planifiée est utile lorsque vous devez suivre régulièrement un processus. Toutefois, des mises à jour continues ne sont pas toujours nécessaires pour répondre à une première question ou comparer les performances au fil du temps.

Pour de nombreuses analyses, un jeu de données stable, actualisé selon une fréquence définie, est plus facile à interpréter. Vous pouvez établir une référence, apporter un changement et comparer les résultats à cette référence. La fréquence adaptée dépend de la vitesse d’évolution de votre processus et du délai dont vous disposez pour réagir.

Commencez par déterminer à quelle fréquence l’analyse nécessite de nouvelles données. Si une actualisation mensuelle ou trimestrielle suffit pour répondre à votre question, un pipeline en temps réel risque d’ajouter du travail sans améliorer la décision.

Et si vous avez besoin d’automatiser plus tard ?

Une fois vos besoins en données confirmés et l’utilité de l’analyse établie, votre équipe de données peut mettre en place un chargement récurrent. ProcessMind propose une API REST à cet effet : une tâche déjà planifiée par votre équipe peut importer l’export en tant que nouveau jeu de données ou mettre à jour un jeu existant. La présentation de l’API décrit l’authentification et les points de terminaison.

Le produit ne comprend pas de planificateur, et c’est un choix délibéré. La planification, les identifiants et la surveillance restent dans l’infrastructure que votre équipe utilise déjà, au lieu de créer un autre espace à configurer et à surveiller.

Inutile d’automatiser avant de savoir quoi automatiser. Commencez par un export, validez l’analyse, puis décidez si la mise en place d’un chargement récurrent en vaut la peine. Si vous créez un pipeline, les compromis à prendre en compte sont présentés dans l’article ETL pour le Process Mining.

Quand choisir un fournisseur proposant des connecteurs préconfigurés ?

Un fournisseur proposant des connecteurs préconfigurés peut être un meilleur choix si vous avez besoin d’extractions récurrentes et prises en charge depuis un système couvert, et si le connecteur répond à vos exigences de configuration et de gouvernance. Cela peut être particulièrement important pour les chargements fréquents ou les pipelines réglementés, lorsque votre organisation impose un modèle d’intégration précis.

Avant de faire votre choix, demandez quelles fonctionnalités le connecteur prend en charge, comment il gère les personnalisations, quelle maintenance il nécessite et si vous pouvez examiner et réutiliser les données obtenues. Si votre premier objectif est de tester une analyse, un export existant associé à un modèle de données peut constituer un point de départ plus simple.

Le compromis est simple : les connecteurs peuvent réduire les tâches d’extraction répétitives lorsqu’ils répondent à vos besoins ; les modèles vous permettent de commencer avec les données disponibles sans faire d’un projet de connecteur votre première étape. Vos données restent les vôtres, sans dépendance à un fournisseur, et vous pourrez décider plus tard si vous souhaitez automatiser.