Intelligence artificielle et extraction de processus

Comment l’intelligence artificielle peut-elle se superposer aux techniques Process Mining pour générer des bénéfices substantiels pour les entreprises ?

Selon une étude basée sur le rapport 2017 ALGO FIRST d’IBM [1], le secteur financier a identifié des pertes de 300 millions USD dans des événements de contrôle des risques opérationnels et des fluctuations inhabituelles de 54 157 millions USD.

L’auteur de cet article [0] pense que nombre de ces cas auraient pu être identifiés et prévus en appliquant des modèles d’intelligence artificielle aux techniques de Process Mining, ce qui aurait permis d’économiser des millions de dollars pour le secteur et de créer de nouvelles opportunités de revenus.

Alors, qu’est-ce que le «Process Mining»?

L’exploration de processus consiste en un ensemble de techniques permettant d’extraire des informations des journaux d’événements générés par tout système de contrôle d’entreprise (service client, CRM, ERP, HelpDesk, Digital Analytics) afin de découvrir, modéliser, surveiller et optimiser ces processus [2] .

L’analyse de processus est un domaine émergent qui combine plusieurs disciplines. À partir des cas orientés métier, tels que Business Process Management (BPM) dans ses capacités de modélisation de processus qui les décrit, les documente et les explique.

Il existe plusieurs techniques de modélisation de processus et beaucoup d’entre elles sont bien connues, telles que les réseaux de Petri de Diagrammes de Gantt. Cependant, les récents progrès dans les langages de modélisation tels que UML ou BPMN fournissent des capacités fonctionnelles plus importantes qui permettent la modélisation de structures complexes. [3]

C’est ainsi que l’extraction de processus va bien au-delà de la simple modélisation de processus. Combinant des aspects de Business Intelligence and Analytics (BIA), il dépasse les limites de la modélisation de processus abstraits à partir des informations extraites dans les journaux des événements.

Dans ce contexte, l’intégration de données et ETL (Extraction, transformation et charge) peuvent être utilisés par l’analyse de processus afin d’intégrer plusieurs sources de données tout au long du processus.

De manière similaire, l’exploration de processus peut utiliser des techniques d’exploration de données et les capacités de visualisation analytique afin de créer des informations utiles ainsi que des modèles prédictifs et optimaux ayant un impact direct sur les modèles commerciaux.

L’exploration de processus est également étroitement liée à d’autres techniques telles que la modélisation des activités commerciales, la gestion des opérations commerciales, la Business Process Intelligence et l’exploration de données.

Comment l’exploitation minière peut-elle bénéficier aux entreprises?

Parmi les principaux avantages de l’exploration de processus, nous pouvons souligner:

  • Cartographie des processus et découverte : à partir des journaux d’événements, les techniques d’exploration de processus permettent de décrire et de modéliser les processus en cours d’exécution dans l’entreprise.
  • Vérification de conformité : le fait de disposer de traces documentées précises des exécutions de processus permet d’identifier leur conformité aux procédures de conformité établies.
  • Détection des temps de passage et des goulots d’étranglement : il est non seulement possible de modéliser la séquence des tâches, mais également de déterminer l’intensité de l’exécution, les temps de traitement et les délais, en simulant, en prédisant et en identifiant les goulots d’étranglement

L’analyse du journal peut être exécutée une fois les processus terminés (on analyserait donc les données post-mortem ) ou en temps réel (donc les données pré-mortem ). pour les fonctions de support opérationnel.

Avec les techniques d’extraction de processus, on peut ainsi:

  • Améliorez les indicateurs de performance clés liés au temps : minimisez les temps de traitement, les délais, les temps de réponse, maximisez le% de charge de travail effectuée dans un intervalle de temps, etc.
  • Améliorer les indicateurs de performance liés au coût ou à la qualité
  • Reconcevoir (améliorer) les processus en favorisant les changements structurels dans les processus basés sur des informations (ex., Ajout de plusieurs unités de contrôle, tâches parallèles,…)
  • Ajustez les processus avec des modifications plus petites non structurelles, par exemple, en modifiant le nombre de ressources en fonction de fluctuations minimes du nombre de cas ou de la charge de travail.
  • Fournissez un support opérationnel en exploitant systématiquement les données pré-mortem en ligne afin de recommander, par exemple, la tâche qui réduirait le temps de traitement.

[4]

 

source: https://www.der-bank-blog.de/roboter-backoffice-einsatzfelder/technologie/27476/

Comment l’intelligence artificielle contribue-t-elle à l’extraction de processus?

Les possibilités offertes par l’application de techniques d’IA, qu’il s’agisse d’apprentissage automatique ou de réseaux de neurones plus profonds, sont nombreuses et offrent de multiples avantages dans de nombreux cas d’affaires. L’enrichissement des événements de journal dans les données client et Business Intelligence fournit des jeux de données plus volumineux à modéliser, ce qui augmente le nombre de jeux de variables explicatives et la robustesse des modèles.

Regroupement et segmentation:

En utilisant des algorithmes de clustering tels que «k-signifie voisins les plus proches», il est possible d’identifier des segments de clientèle, des tâches et des cas pouvant être regroupés, ce qui donne des domaines spécifiques capables de prédire des caractéristiques spécifiques à ces segments.

Analyse prédictive:

  • Prévision des points de friction et des goulets d’étranglement . Il est possible d’établir des modèles prédictifs permettant de prévoir si, compte tenu d’une situation donnée, de nouveaux points de friction et / ou de nouveaux goulots d’étranglement pourraient survenir afin de les prévenir.
  • Prédiction de la tâche suivante: quelle tâche sera exécutée ensuite? Les modèles peuvent prévoir avec une grande précision en utilisant des algorithmes Random Forest [5] ou des réseaux d’apprentissage en profondeur LSTM [6] qui exécutent la tâche avec la plus grande probabilité. Par exemple, la possibilité pour le client d’atteindre la page de paiement final dans un e-commerce, en déterminant au préalable son réel intérêt pour les achats en fonction de son comportement et de ses visites précédentes (ou s’il est juste un lèche-vitrines)
  • Processus détermination de l’état final : ¿Comment se terminera le processus? En utilisant des algorithmes de classification, il est possible de déterminer dans laquelle des tâches / états finaux possibles se terminera le processus en fonction des variables propres au processus, telles que les temps de tâche, le temps de traitement, les boucles, les bifurcations,… et / ou les variables propres à l’entreprise (ressources, etc.). clients, produits, segments, prix, canaux)
  • Allocation de ressources: de combien de ressources le processus aura-t-il besoin? Grâce à l’analyse de régression, il est possible de déterminer le nombre de ressources nécessaires à l’exécution de certaines tâches et de réduire ainsi les délais de traitement et les temps de traitement sous le seuil de goulot d’étranglement.
  • Explication de la dépendance des variables de processus. L’utilisation de ces procédures permet d’identifier les variables du processus qui ont un impact plus important sur le résultat final, permettant ainsi aux entreprises d’agir en conséquence pour obtenir de meilleurs résultats.

 

Source: http://www.jonathankettleborough.com/ld-future-crystal-ball-gazing/

Analyse prescriptive:

  • Le modèle recommande une bifurcation de processus: à partir d’ un scénario et d’une prévision donnés, le système peut recommander un fork dans le processus, la meilleure tâche à exécuter pour un processus plus efficace.
  • Le modèle recommande d’ajouter / de supprimer des ressources à une tâche: sachant où et quand des goulots d’étranglement peuvent être générés, le système peut recommander d’affecter une nouvelle ressource à une tâche (ou de supprimer des ressources non productives réduisant le coût global).

Avantages mesurables directs

Comme l’indique un récent sondage publié par Accenture [7], l’application de l’apprentissage automatique porte déjà ses fruits: 88% des entreprises qui l’utilisent ont amélioré de plus de 200% leurs principaux indicateurs de performance clés de processus d’entreprise; cependant, jusqu’à 9% d’entre eux seulement utilisent le plein potentiel d’IA

Comme le décrit ce sondage, 34% des entreprises ayant participé à cette étude sont tout à fait d’accord pour dire que leurs nouveaux processus montrent une valeur cachée dans ses données, ce qui leur permet de prendre de meilleures décisions et de proposer de nouveaux produits et services. De plus, 82% d’entre eux assurent que les processus d’apprentissage automatique facilitent la recherche de solutions à des problèmes invisibles, grâce à des données qui n’étaient pas disponibles auparavant.

Nous avons constaté que le mélange synergique de ces deux disciplines présente des avantages énormes pour les entreprises, ainsi que des débouchés commerciaux très importants, à savoir: l’extraction des procédés et l’intelligence artificielle. Peu de choses ont été faites jusqu’à présent, même si les deux sont en pleine croissance en ce qui concerne les investissements et les perspectives de croissance. Nous espérons donc voir dans un avenir proche un nouveau groupe de jeunes entreprises qui profiteront de cette opportunité hautement rentable.

Crédits et références

[0] Cet article est un résumé d’un extrait de la dernière étude de maîtrise réalisée par l’équipe AlphAI (Raul Alcubierre, Ignacio Chaparro, Manuel Gutierrez de Diego et l’auteur Ignacio Martí Carrera) pour le programme « Intelligence artificielle et apprentissage en profondeur». à la Escuela de Organización Industrial , Madrid, Espagne.

[1] IBM Algo FIRST https://www.ibm.com/us-en/marketplace/ibm-algo-first

[2] Van der Aalst, Wil. et al. (2011): Manifeste sur l’exploration minière, http://link.springer.com/chapter/10.1007/978-3-642-28108-2_19

[3] http://www.bpmn.org/

[4] Pour en savoir plus sur l’exploration de processus, veuillez vous reporter au MOOC «L’exploitation de processus: la science des données en action» de l’Université de Technologie d’Eindhoven, où sont extraites la plupart des informations sur les techniques d’extraction de processus décrites dans le présent document.

[5] « Exploitez le processus de demande de prêt d’un institut financier néerlandais. BPI Challenge 2017 ”, Liese Blevi, Lucie Delporte et Julie Robbrecht de KPMG Technology Advisory, avenue du Bourget 40, 1130 Bruxelles, Belgique [5].

[6] « Surveillance prédictive des processus métier avec les réseaux de neurones LSTM» par Niek Tax , Ilya Verenich , Marcello La Rosa et Marlon Dumas.

[7] «Processus, réinventé», Accenture

A propos Ignacio Martí Carrera 2 Articles
Ignacio est un expert en transformation numérique et en analyse de données dans le secteur financier. Il a travaillé avec plusieurs projets d'IA mettant en œuvre des chatbots interactifs, des systèmes de prévention de la fraude, ainsi que des analyses prédictives pour la réduction du taux de désabonnement, l'optimisation du marketing et des ventes et les techniques d'exploration de processus.

Soyez le premier à commenter

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée.


*