La puissance de l'intelligence des processus

S'assurer que la même activité capturée par le task mining s'aligne avec les données engagées pour la même activité provenant du process mining, qui s'aligne avec la même activité de test automatisé et s'aligne avec le même résultat d'activité de processus RPA est beaucoup plus facile à dire qu'à faire. La meilleure façon d'obtenir une vision globale des processus est d'ingérer des données dans une base de données centralisée, puis d'aligner intelligemment les ensembles de données de processus disparates à l'aide des algorithmes AI/ML appropriés.

Un certain nombre de facteurs doivent être pris en compte lors de l'extraction de données de plusieurs outils. La terminologie au niveau des événements doit être prise en compte car chaque outil définira les événements en fonction de ses différentes priorités d'amélioration des processus. Une stratégie de données pour la collection plus large d'activités qui composent les processus d'entreprise doit également être développée. Et bien que les différents outils puissent partager une structure plus large commune, convertir les données en une composition aussi similaire que possible ne ferait que faciliter leur alignement. Pour surmonter ces deux défis, les algorithmes Token Set Ratio et Levenshtein Distance sont nos héros.

Algorithme de distance de Levenshtein

Le niveau suivant d'alignement consiste à prendre des chaînes d'activités groupées et à les classer dans des processus métier appropriés. Bien que des algorithmes de nommage tels que le Token Set Ratio puissent être utilisés au niveau du nom du processus métier pour atteindre cet objectif, une plus grande précision peut être obtenue en utilisant un processus de correspondance de chaînes de caractères. À titre d'illustration, examinons deux flux de processus métier de commande à l'encaissement illustrés dans la figure ci-dessous :

Ces deux flux de processus sont destinés à accomplir essentiellement la même fonction, en complétant un processus de commande à la caisse. Le premier flux présente un total de cinq étapes :

1. Créer une commande d'achat
2. Commandes par fournisseur
3. Saisir les factures entrantes
4. Créer une livraison sortante
5. Créer une commande de vente.

Le deuxième flux est similaire, mais présente des variations distinctes dans le processus et un total de six étapes :

1. Créer une commande d'achat
2. Commandes par fournisseur
3. Augmentation du prix de l'article de la commande de vente
4. Saisir les factures entrantes
5. Créer une livraison sortante
6. Créer une commande de vente.

L'exécution d'un processus de correspondance de chaînes sur la chaîne d'activités vous aidera à identifier les variantes de processus.

La distance de Levenshtein peut être utilisée pour calculer un score de similarité entre les deux chaînes. Pour ce faire, on mesure le nombre minimum d'opérations nécessaires pour transformer le flux A en flux B et vice-versa. Dans cet exemple, la différence entre le flux A et le flux B est l'activité Augmentation du prix de l'article de la commande client. Il faudrait ajouter cette activité au flux A pour qu'il corresponde au flux B et, inversement, il faudrait supprimer cette activité au flux B pour qu'il corresponde au flux A. La distance entre ces deux flux est d'une activité. Ainsi, l'application de l'algorithme de la distance de Levenshtein aboutit à un score de similarité élevé et à la classification souhaitée des processus métier connexes.

Méthode à méthode AI/ML

Ces applications de l'IA/ML, ainsi que d'autres méthodes, s'avèrent très efficaces pour aligner les données de processus provenant de plusieurs sources de méthodes. Par exemple, les algorithmes amélioreront la correspondance entre les données d'automatisation des tests et de RPA et les données d'exploration des données de tâches en examinant les étapes individuelles de chaque opération. Des similitudes plus importantes entre les étapes de l'activité, combinées à des similitudes entre les noms des activités, augmentent encore la probabilité que les activités soient les mêmes. Les résultats supplémentaires de la concordance peuvent alors informer les méthodes d'IA/ML plus importantes en effectuant de meilleurs regroupements à des niveaux plus élevés dans toutes les données de processus.

Vers la clarification des processus

Une fois que les algorithmes Token Set Ratio et Levenshtein Distance sont appliqués et que les données sont alignées :

• Les capacités d'exploration de processus (ou process mining) peuvent aider à distinguer les problèmes de système et d'utilisateur, à illustrer les processus mal compris et signalés, et à identifier les activités se produisant à l'intérieur et à l'extérieur de l'écosystème de l'entreprise. Les données de fréquence et de retour sur investissement issues de l'exploration des processus peuvent aider à déterminer les activités à ajouter ensuite à l'automatisation des tests. Les mesures de performance RPA, le ROI RPA et le classement des objectifs RPA peuvent également être renforcés par le process mining.
• Les données de l'exploration des tâches (ou task mining) renforcent les données de l'exploration des processus en superposant une image complète des processus de production actuels. Les activités étape par étape capturées par l'exploration des tâches peuvent également être utilisées comme modèles pour les tests d'automatisation de la construction et les processus RPA, y compris les chemins peu communs et les flux de cas limites, créant une stabilité supplémentaire par l'extension et la réutilisation des tâches de production réelles.
• L'automatisation des tests combinée aux données de l'exploration des processus et des tâches permet de saisir les gains de retour sur investissement avant et après la mise en œuvre de l'automatisation. Cette combinaison peut également suivre la couverture des tests automatisés et servir de base à la future RPA, en réduisant les risques de performance et en renforçant ainsi la confiance dans la main-d'œuvre numérique.
• Les données RPA peuvent compléter l'exploration des processus en permettant de comparer les résultats de la main-d'œuvre numérique aux processus manuels. Ces informations peuvent ensuite être combinées avec les données d'exploration des tâches afin d'établir des priorités pour la prochaine série d'objectifs RPA en fonction de la stabilité et du futur retour sur investissement. Les échecs de l'exécution RPA peuvent alimenter l'automatisation des tests afin de contribuer à une stabilité plus continue.

En unissant les données de chaque méthode, non seulement les faiblesses s'estompent, donnant lieu à une compréhension plus profonde et plus complète du processus, mais la direction s'élève également, guidant et façonnant une feuille de route pour les optimisations futures. Les données unifiées sont le fondement de la véritable intelligence des processus.

Lorsqu'ils sont combinés, les quatre quadrants de données de processus se complètent les uns les autres pour mieux comprendre les processus.

Une meilleure compréhension des processus

Pour mieux illustrer les avantages de la réunion des données, retraçons une expérience de grande valeur. Une organisation manufacturière de premier plan commence son parcours d'amélioration des processus en utilisant un outil d'exploration des processus pour identifier les points de repère des processus, analyser les déficiences des processus et obtenir des preuves de ce qui se passe réellement concernant les données engagées. Après le déploiement d'une solution d'exploration des tâches, ses données sont combinées avec les données d'exploration des processus pour obtenir une transparence presque totale sur les processus actuels. N'ayant nulle part où se cacher, les lacunes dans les connaissances, la mauvaise documentation et les autres inefficacités des processus deviennent des cibles plus claires pour l'amélioration. Pendant que les processus actuels sont améliorés, une liste de priorités se forme.

En analysant la fréquence, la durée et le coût des processus de production, ainsi que les différentes variantes de processus pour des processus similaires, une liste de cibles d'automatisation des tests est établie - classée par ordre de priorité en fonction du retour sur investissement. Un produit d'automatisation des tests est mis en œuvre, montrant des gains rapides en réutilisant les mêmes données de processus étape par étape capturées à partir de la solution d'exploration des tâches.

Avec un ensemble large et complet de couverture d'automatisation des tests, construit à partir de la compréhension et des pratiques de production réelles, cette organisation manufacturière commence en toute confiance à construire sa main-d'œuvre numérique. En utilisant les mêmes mesures de retour sur investissement pour l'exploration des processus et des tâches que celles utilisées pour prioriser l'automatisation des tests, l'entreprise incorpore maintenant les données d'automatisation des tests pour s'assurer que les objectifs de la RPA sont également entièrement soutenus par des tests automatisés rigoureux.

Étant donné qu'aucun effort d'optimisation des processus n'est jamais terminé, l'entreprise s'efforce d'apporter des améliorations continues grâce aux informations obtenues à partir des données de processus partagées. En suivant en permanence les flux de processus, en définissant et en hiérarchisant les nouveaux objectifs d'automatisation des tests et en étendant en toute confiance la RPA, l'entreprise a créé un monde à 360 degrés de connaissances holistiques des processus - l'intelligence des processus. Rien de tout cela ne serait possible sans l'utilisation de l'IA/ML.

La viabilité de la visibilité

Que les données proviennent de l'exploration des processus, de l'exploration des tâches, de l'automatisation des tests ou de la RPA, la combinaison et l'alignement des données par le biais de l'IA/ML est non seulement possible, mais essentielle pour évoluer vers une approche avancée de l'intelligence des processus. Il est possible d'obtenir une visibilité complète des processus d'entreprise, et ce de manière durable, à condition de disposer des outils nécessaires pour aligner les données et faire émerger les informations à partir de ces données alignées. Les informations issues de l'IA/ML peuvent déterminer la rapidité, l'efficacité et l'étendue du retour sur investissement de l'entreprise.