Exemple de process mining avec données de localisation RTLS

Introduction

Le process mining est une technique puissante pour analyser, surveiller et améliorer les processus métier en extrayant des informations à partir des journaux d'événements générés par les systèmes d'information. En examinant les données enregistrées pendant les opérations quotidiennes - telles que les horodatages, les noms d'activité, les identifiants de cas et les utilisateurs - le process mining visualise la manière dont les processus s'exécutent réellement en pratique, en révélant des inefficacités, des écarts et des goulots d'étranglement qui resteraient autrement invisibles.

Le process mining est largement utilisé dans des secteurs comme la logistique, la santé, la finance et la fabrication. En logistique, il peut optimiser les opérations d'entrepôt, suivre les flux d'expédition et améliorer la fiabilité des livraisons. Dans la santé, il aide les hôpitaux et les cliniques à analyser les parcours patients, à réduire les temps d'attente et à fluidifier les processus de soins. Les institutions financières l'utilisent pour garantir la conformité réglementaire, détecter les anomalies de processus et améliorer les parcours d'intégration client. Dans la fabrication, il fournit des informations précieuses sur les performances des lignes de production, identifie les retards dans le contrôle qualité et met en évidence des opportunités pour mieux équilibrer les charges de travail ou réduire les délais de traitement.

En rendant les processus opérationnels transparents, le process mining permet aux organisations d'aller au-delà des hypothèses et de s'appuyer sur des données réelles pour la recherche d'améliorations, les contrôles de conformité et la prise de décision stratégique.

Dans cet article, nous passons en revue un exemple concret de process mining fondé sur des données de localisation en intérieur issues d'un flux de production réel. À l'aide de journaux d'événements générés à partir de données RTLS, nous montrons comment visualiser, valider et optimiser des processus avec des outils comme Celonis, IBM Process Mining et PM4Py en Python. Vous pouvez télécharger ici le jeu de données et les scripts d'exemple pour suivre l'exercice ou l'essayer avec vos propres outils :

‍

Avantages et grandes approches du process mining

Avant d'entrer dans l'exemple, présentons d'abord les trois grandes approches du process mining :

1. Découverte de processus

Ce que cela fait : crée automatiquement un modèle de processus à partir de données réelles de journaux d'événements. Avantages :

• Révèle comment les processus fonctionnent réellement, y compris les chemins cachés et les variantes.
• Aucun modèle préalable n'est nécessaire - le modèle est construit directement à partir des données.
• Aide les organisations à comparer la réalité opérationnelle avec les attentes.

2. Vérification de conformité (conformance checking)

Ce que cela fait : compare le processus réel, issu des journaux, à un modèle de référence existant.

• Détecte les écarts, les inefficacités et les problèmes de conformité.
• Appuie les audits et les contrôles réglementaires.
• Met en évidence les endroits où les processus s'écartent des procédures standard.

3. Amélioration des processus

Ce que cela fait : améliore les modèles de processus existants à partir d'informations issues de données réelles.

• Identifie les goulots d'étranglement, les retards et les opportunités d'optimisation.
• Affine les processus en fonction des performances opérationnelles.
• Favorise l'amélioration continue des processus et la prise de décision.

Dans les sections suivantes, nous montrerons comment utiliser des outils de process mining existants pour exploiter des données de localisation en intérieur et des journaux d'événements afin d'explorer ces trois approches dans leurs propres processus.

‍

Ajouter les données de localisation au process mining traditionnel

Comment les journaux d'événements sont généralement capturés

Dans la plupart des cas d'usage du process mining, les journaux d'événements proviennent de systèmes d'entreprise comme ERP, MES ou WMS. Ces systèmes génèrent des logs lorsqu'un utilisateur effectue une action numérique, comme scanner un code-barres, confirmer une commande ou terminer une tâche. Chaque log contient trois éléments clés : un identifiant de cas, un nom d'activité et un horodatage.

Cela fonctionne bien pour les workflows numériques, mais montre ses limites lorsque des étapes clés du processus se déroulent dans le monde physique, comme le déplacement de marchandises dans une usine ou le transfert de patients dans un hôpital.

Comment les données de localisation enrichissent le process mining

En utilisant des données de localisation en temps réel avec le geofencing, il devient possible d'enregistrer automatiquement des événements sur la base des mouvements physiques. Par exemple :

• Une palette entrant dans une zone de production déclenche 'Début de production'
• Un chariot élévateur arrivant dans la zone d'expédition déclenche 'Prêt pour l'expédition'

Cette méthode génère des journaux d'événements entièrement structurés sans saisie manuelle, ce qui la rend idéale pour la fabrication, la logistique ou la santé, où de nombreuses étapes ne sont pas suivies numériquement.

Avantages de cette approche :

• Capture des actions réelles que les journaux logiciels ne voient pas
• Automatise l'enregistrement sans intervention des employés
• Reflète le flux réel du processus, et pas seulement le flux prévu

L'ajout de données basées sur la localisation comble le fossé entre les opérations physiques et le process mining, ce qui permet une analyse de processus plus complète et plus précise.

‍

Comment la plateforme Pozyx fournit les données pour le process mining

L'exemple que nous allons examiner provient d'une usine de fabrication avec deux lignes de production. Chaque ordre doit passer par différents emplacements de l'usine avant d'être prêt à être expédié au client.

Le client souhaite obtenir automatiquement des informations sur son processus de production. Pour y parvenir, chaque ordre dans l'usine est suivi.

Suivi des ordres en temps réel grâce à la technologie UWB

Pour réaliser ce suivi, les ordres qui circulent dans le processus sont suivis à l'aide de tags UWB. Ces traceurs permettent un suivi précis des ordres et nous aident à déterminer combien de temps un ordre passe dans une zone donnée, définie sur la carte comme une geofence.

Cette tâche peut être assurée par le Pozyx UWB Real Time Location System (RTLS). Ce produit fournit le matériel nécessaire (tags et anchors) ainsi que le serveur de positionnement qui délivre des mises à jour de position en temps réel pour chaque ordre.

Des données de position aux journaux d'événements : le rôle de la plateforme Pozyx

Les positions provenant du RTLS peuvent être facilement exploitées par la plateforme Pozyx. La plateforme Pozyx permet aux utilisateurs d'ajouter une logique métier aux données de localisation. Plus précisément, un utilisateur peut configurer dans la plateforme un processus qui définit quand un ordre commence et quand il se termine. Une fois cela en place, la plateforme Pozyx génère un flux d'événements qui suit chaque ordre et son historique de localisation.

Rapport de process mining de la plateforme Pozyx

Fichier Excel exporté avec les données brutes pour le process mining

Il est important de noter que la plateforme Pozyx s'intègre parfaitement au Pozyx UWB RTLS, mais ne s'y limite pas. Toute solution RTLS précise capable de fournir des mises à jour de position fiables peut être connectée à la plateforme Pozyx afin de débloquer les capacités présentées ensuite.

Une fois la configuration terminée, l'étape la plus simple consiste à utiliser notre outil de reporting pour générer automatiquement un rapport de process mining. Ce rapport, livré sous forme de fichier Excel ou CSV, peut ensuite être importé dans des outils de process mining dédiés pour une analyse plus poussée.

‍

Analyse de l'exemple de process mining

Nous allons maintenant illustrer quelques techniques de base du process mining à l'aide d'outils bien connus du secteur.

Premier aperçu de notre processus avec Celonis Business Miner

Nous chargeons d'abord notre rapport dans l'application de process mining de Celonis.

Nous téléverserons d'abord notre fichier CSV ou Excel contenant le journal d'événements. Une fois importé, nous pouvons configurer l'application pour qu'elle reconnaisse les colonnes contenant les informations clés : horodatage, nom d'activité et identifiant de cas.

Importation du fichier Excel dans Celonis

Grâce à son explorateur de processus, il est très facile de visualiser le processus que nous avons suivi à l'aide du système RTLS.

L'explorateur fournit ensuite à l'utilisateur une vue d'ensemble directe des différents aspects qu'il peut analyser plus en détail.

Quelques analyses que vous pouvez explorer à partir des données dans Celonis

La première question que nous explorons est : à quoi ressemble votre processus ? Cela relève de la découverte de processus et permet à l'utilisateur de visualiser son processus.

On voit clairement que les ordres commencent par la tâche Réception des marchandises, puis continuent dans l'une des deux lignes de production.

Le processus visualisé avec le process mining et les données de localisation

Le processus se termine lorsque l'ordre quitte la zone Emballage & Expédition.

L'outil nous fournit aussi des curseurs permettant de filtrer les chemins moins fréquents. Lorsque nous affichons tous les chemins, deux chemins supplémentaires deviennent visibles.

L'identification de ces deux chemins est un exemple de vérification de conformité. En étudiant cette vue, nous constatons que le flux du processus n'a parfois pas été respecté.

Dans le premier écart, nous observons que sur la première ligne de production, l'étape test a été sautée pour plusieurs ordres. Cela indique probablement un problème qualité potentiel sur cette ligne de production.

Dans le second écart, nous voyons que certains produits ont été renvoyés vers une étape précédente après le test produit. Cela suggère que certains produits finis ont rencontré des problèmes pendant le test et ont dû être retravaillés.
‍

Ces premières étapes nous montrent déjà rapidement les avantages et la valeur de l'utilisation d'un outil de process mining pour analyser davantage les données. Sur la seule base du journal d'événements, nous avons pu visualiser le processus tel qu'il se déroule dans l'usine et valider sa conformité.

Passons maintenant à la troisième technique : l'amélioration des processus.
Nous lançons une nouvelle exploration intitulée : combien de temps votre processus prend-il ?

Dans cette exploration, l'outil analyse le temps de traversée de notre processus. Il révèle que 1,68 K cas ont été étudiés, dont 94 % affichent un temps de traversée de trois jours ou moins.

Analyse du temps de traversée dans Celonis

Ce type de vue d'ensemble est extrêmement utile, car il fournit immédiatement une indication du temps de traversée attendu. Il se traduit aussi en un KPI facile à suivre pour l'usine, puisque l'utilisateur peut ajuster le temps de traversée attendu et voir instantanément comment la répartition actuelle se compare.

En outre, l'outil permet d'aller plus loin dans l'analyse, afin de suivre l'évolution du temps de traversée dans le temps, en identifiant les tendances, les anomalies ou les périodes d'amélioration et de retard.

Il est aussi possible d'examiner plus en détail le temps de traversée entre les tâches et le nombre de cas par jour, mais cela donne déjà une bonne première idée de ce que cet outil permet.

Analyser les temps de traversée et d'attente avec IBM Process Mining

Avec IBM Process Mining, nous suivons un workflow très similaire pour importer notre journal d'événements dans l'outil. Comme précédemment, nous devons indiquer quelles colonnes correspondent à l'identifiant de cas (appelé ici Process ID), à l'activité et à l'horodatage. Une différence notable est cependant qu'IBM Process Mining nous permet d'étiqueter deux colonnes distinctes : l'une pour l'heure de début et l'autre pour l'heure de fin. L'outil peut ainsi distinguer clairement le temps passé à réaliser une activité du temps d'attente entre les activités - une fonctionnalité moins immédiatement disponible dans Celonis Business Miner.

Une fois le journal d'événements correctement configuré et étiqueté, l'outil présente son analyse du processus. La représentation visuelle du modèle de processus est très similaire à celle de Celonis.

Vue visuelle du processus dans IBM Process Mining

Une fonctionnalité intéressante mérite d'être soulignée : la possibilité de sélectionner l'option 'Rework'. En l'activant, la section du processus précédemment identifiée comme du rework est automatiquement mise en évidence. Impressionnant, l'outil réalise cette analyse de variantes sans aucune autre saisie de l'utilisateur.

Ensuite, nous utilisons cet outil pour explorer des opportunités d'optimisation et d'amélioration des processus. En examinant les analyses, nous constatons rapidement un déséquilibre de charge de travail entre les deux lignes de production : la ligne de production 2 traite environ 65 % de tous les ordres. De plus, on observe une différence notable de temps de traversée. En moyenne, les ordres sur la ligne de production 1 sont terminés en 2 jours et 9 heures, contre 2 jours et 16 heures sur la ligne de production 2.

À première vue, cela suggère que l'usine pourrait améliorer son efficacité en transférant davantage d'ordres vers la ligne de production 1, actuellement moins utilisée et plus rapide.

Nous examinons ensuite le modèle de processus pour voir la durée moyenne de chaque tâche. Comme indiqué précédemment, l'outil décompose commodément chaque tâche en deux parties : temps de service et temps d'attente.

La visualisation qui en résulte permet d'identifier facilement ces temps à chaque étape du processus. Les différences nettes entre les deux lignes de production deviennent visibles, offrant d'autres opportunités d'optimisation lors d'une étude plus approfondie.

Analyse du temps de traversée dans Celonis

Analyser le journal d'événements avec Python

Pour terminer cette analyse, nous allons voir comment visualiser le journal d'événements avec Python. Pour faire du process mining en Python, nous utiliserons la bibliothèque PM4Py. Cette bibliothèque prend en charge des algorithmes de process mining de pointe en Python. Contrairement aux outils précédents, elle est open source. En revanche, elle a l'inconvénient de vous laisser faire la majeure partie de l'analyse vous-même, car elle ne propose pas d'interface pour guider l'exploration des données.

Nous allons essayer de reproduire certains résultats également observés avec les outils précédents. D'abord, nous importons notre journal d'événements et essayons d'obtenir une visualisation de notre modèle de processus.

La façon dont nous chargeons le journal d'événements est très similaire à celle utilisée précédemment :

• Nous chargeons le journal d'événements avec pandas, une bibliothèque Python très populaire pour l'analyse de données.
• Nous étiquetons les colonnes avec identifiant de cas, activité, horodatage de début et de fin.

Nous pouvons aussi extraire assez facilement le modèle de processus à partir du journal d'événements. Dans l'une des vues de base, il affiche un graphe orienté du processus avec la fréquence de chaque ordre sur les nœuds et les arêtes.

Visualisation du modèle de processus à l'aide d'outils Python open source

D'autres analyses sont possibles, tout comme l'extraction du modèle BPMN. Mais nous concluons ici notre aperçu. Une partie du code d'exemple utilisé pour produire cette figure se trouve en pièce jointe.

‍

Aperçus basés sur la localisation avec RTLS

Comme le montre l'exemple ci-dessus, les données de localisation peuvent générer de nombreux types d'informations. Si les solutions RTLS servent souvent à analyser les mouvements d'actifs et les processus opérationnels à l'intérieur des installations, d'autres plateformes analytiques se concentrent sur les modèles géographiques à travers plusieurs sites. Par exemple, les détaillants peuvent analyser des réseaux de magasins pour obtenir des informations sur l'expérience client par site, offrant ainsi une autre forme d'aperçus basés sur la localisation.

‍

Conclusion

Cet exemple souligne la valeur du process mining lorsqu'il est combiné à des données de localisation de haute qualité, et montre comment il peut faire émerger des informations exploitables sur les processus opérationnels. Cet exemple a montré comment la plateforme Pozyx peut fournir le journal d'événements fondé sur la localisation qui a servi de base à toute l'analyse.

En suivant avec précision le déplacement des ordres tout au long du processus de production et en convertissant ces mises à jour de localisation en journaux d'événements structurés, notre solution a permis une intégration fluide avec des outils de process mining de référence comme Celonis Business Miner, IBM Process Mining et la bibliothèque open source PM4Py en Python. Chaque outil a exploité le journal d'événements que nous fournissions pour visualiser les flux réels, identifier les écarts, mesurer les temps de traversée et repérer des opportunités d'optimisation.

Les résultats ont clairement démontré l'intérêt de combiner des données de localisation avec des techniques de process mining - en mettant au jour des inefficacités, en confirmant la conformité des processus et en soutenant la prise de décision fondée sur les données.

Bien que cet exemple se concentre sur un cas d'usage dans la fabrication, la même approche s'applique à des secteurs comme la logistique, la santé et bien au-delà. En tant que fournisseur de l'infrastructure RTLS et des données d'événements, nous permettons à nos clients d'exploiter ce potentiel au sein de leurs propres opérations.

Si vous souhaitez obtenir des informations opérationnelles plus approfondies ou optimiser vos processus, notre Pozyx UWB RTLS et notre plateforme Pozyx peuvent constituer la base idéale pour votre prochain projet de process mining.