De nombreuses technologies ‘intelligentes’ sont venues enrichir le socle BPM
Sandy Kemsley, analyste indépendante et architecte système spécialisée dans l’automatisation des processus numériques
Deux facteurs ont favorisé le mélange du BPM et des technologies intelligentes : l’émergence des systèmes BPMS en tant que plateformes de développement d’applications permettant d’intégrer facilement d’autres technologies et la nécessité d’automatiser les processus et décisions pour des raisons d’efficacité et de conformité évidentes. Ainsi, de nombreuses technologies intelligentes sont venues compléter et enrichir le socle BPM au cours de ces dernières années :
• L’automatisation des processus de prise de décisions au travers de l’application de règles métiers. Ces réglementations et autres bonnes pratiques permettent de s’assurer qu’un utilisateur expérimenté respecte la procédure standard pour une tâche particulière et que la même logique de décision est appliquée à chaque cas.
• L’analyse prédictive. Elle permet de recommander des actions aux salariés basées sur des situations antérieures et actuelles. Cela réduit le temps d’apprentissage pour les salariés et les aide à prendre de meilleures décisions.
• L’apprentissage machine (ML) et l’automatisation des processus par des robots (RPA). Ces deux technologies automatisent les tâches nécessitant un niveau de spécialisation moyen en apprenant des actions humaines, afin de déterminer les activités qui doivent être effectuées pour exécuter une tâche. Les utilisateurs expérimentés sont ainsi déchargés des tâches ‘semi-spécialisées’, ce qui leur permet de se concentrer sur des tâches moins structurées et plus complexes.
• La gestion des événements pour l’Internet des objets (IdO) : elle permet d’interagir avec des appareils externes en déclenchant automatiquement des activités et des processus basés sur des événements générés par des appareils distants ou des données externes.
• Le traitement des événements et flux complexes : il repose sur l’observation des schémas au sein même des transactions et déclenche de nouveaux processus ou de nouvelles alertes en réponse aux anomalies.
• L’exploration des processus : il consiste à détecter les modèles de processus et les comportements émergents, recommander des actions et effectuer des prévisions à propos de l’exécution des processus.
Toutes ces technologies, qui ne sont pas répertoriées en tant que technologies d’IA, s’en rapprochent toutefois fortement. Car aujourd’hui, l’IA et l’apprentissage machine (ML) sont partout et sont devenus des éléments constitutifs de nombreuses autres technologies. Par exemple, l’automatisation des processus par des robots (RPA) peut être implémentée à l’aide de techniques de formation simples qui enregistrent et répètent les actions d’un utilisateur ; le véritable potentiel de cette technologie émerge lorsqu’un agent d’apprentissage machine RPA est déployé pour observer les actions d’un salarié pendant une durée et déterminer la meilleure façon de remplacer toutes ces actions en programmant un robot.
Le traitement des événements est une autre technologie qui s’appuie sur une gestion des décisions plus standard. L’apport de l’IA et du ML permet ici d’identifier des schémas à travers des milliers de transactions qui pourraient ne pas être facilement codifiables à l’avance. Cela permet, par exemple, de détecter des activités frauduleuses lors de transactions financières, des failles de sécurité dans les réseaux basées sur des méthodes d’accès et des défaillances préventives de l’équipement à partir des logs. Bien que la plupart de ces opérations soient effectuées en dehors d’un système BPMS, un système de traitement des événements lancerait des processus d’investigation dans le système BPMS.
Prenons enfin l’exemple de l’exploration des processus capables d’utiliser des algorithmes standards pour la découverte des processus, afin de montrer les chemins empruntés par une instance de processus. Combinée à l’IA, l’exploration des processus serait beaucoup plus performante. En introduisant des objectifs sous la forme de mesures des processus et en utilisant l’IA pour rechercher la meilleure voie à suivre, ces algorithmes peuvent prévoir l’exécution d’une instance de processus, choisir la voie à suivre pour améliorer les mesures des processus pour cette instance et proposer des pistes d’amélioration du processus en tâche de fond pour les projets suivants. Ainsi, utiliser l’IA pour ‘régler’ un modèle de processus en vue de performances optimales, boucle la boucle de l’optimisation des processus et permet aux processus de s’autorétablir.
Bien sûr, ces technologies ne s’excluent pas mutuellement et il est même courant de voir ces technologies associées au sein d’un système unique pour rendre les processus toujours plus intelligents.
• L’automatisation des processus de prise de décisions au travers de l’application de règles métiers. Ces réglementations et autres bonnes pratiques permettent de s’assurer qu’un utilisateur expérimenté respecte la procédure standard pour une tâche particulière et que la même logique de décision est appliquée à chaque cas.
• L’analyse prédictive. Elle permet de recommander des actions aux salariés basées sur des situations antérieures et actuelles. Cela réduit le temps d’apprentissage pour les salariés et les aide à prendre de meilleures décisions.
• L’apprentissage machine (ML) et l’automatisation des processus par des robots (RPA). Ces deux technologies automatisent les tâches nécessitant un niveau de spécialisation moyen en apprenant des actions humaines, afin de déterminer les activités qui doivent être effectuées pour exécuter une tâche. Les utilisateurs expérimentés sont ainsi déchargés des tâches ‘semi-spécialisées’, ce qui leur permet de se concentrer sur des tâches moins structurées et plus complexes.
• La gestion des événements pour l’Internet des objets (IdO) : elle permet d’interagir avec des appareils externes en déclenchant automatiquement des activités et des processus basés sur des événements générés par des appareils distants ou des données externes.
• Le traitement des événements et flux complexes : il repose sur l’observation des schémas au sein même des transactions et déclenche de nouveaux processus ou de nouvelles alertes en réponse aux anomalies.
• L’exploration des processus : il consiste à détecter les modèles de processus et les comportements émergents, recommander des actions et effectuer des prévisions à propos de l’exécution des processus.
Toutes ces technologies, qui ne sont pas répertoriées en tant que technologies d’IA, s’en rapprochent toutefois fortement. Car aujourd’hui, l’IA et l’apprentissage machine (ML) sont partout et sont devenus des éléments constitutifs de nombreuses autres technologies. Par exemple, l’automatisation des processus par des robots (RPA) peut être implémentée à l’aide de techniques de formation simples qui enregistrent et répètent les actions d’un utilisateur ; le véritable potentiel de cette technologie émerge lorsqu’un agent d’apprentissage machine RPA est déployé pour observer les actions d’un salarié pendant une durée et déterminer la meilleure façon de remplacer toutes ces actions en programmant un robot.
Le traitement des événements est une autre technologie qui s’appuie sur une gestion des décisions plus standard. L’apport de l’IA et du ML permet ici d’identifier des schémas à travers des milliers de transactions qui pourraient ne pas être facilement codifiables à l’avance. Cela permet, par exemple, de détecter des activités frauduleuses lors de transactions financières, des failles de sécurité dans les réseaux basées sur des méthodes d’accès et des défaillances préventives de l’équipement à partir des logs. Bien que la plupart de ces opérations soient effectuées en dehors d’un système BPMS, un système de traitement des événements lancerait des processus d’investigation dans le système BPMS.
Prenons enfin l’exemple de l’exploration des processus capables d’utiliser des algorithmes standards pour la découverte des processus, afin de montrer les chemins empruntés par une instance de processus. Combinée à l’IA, l’exploration des processus serait beaucoup plus performante. En introduisant des objectifs sous la forme de mesures des processus et en utilisant l’IA pour rechercher la meilleure voie à suivre, ces algorithmes peuvent prévoir l’exécution d’une instance de processus, choisir la voie à suivre pour améliorer les mesures des processus pour cette instance et proposer des pistes d’amélioration du processus en tâche de fond pour les projets suivants. Ainsi, utiliser l’IA pour ‘régler’ un modèle de processus en vue de performances optimales, boucle la boucle de l’optimisation des processus et permet aux processus de s’autorétablir.
Bien sûr, ces technologies ne s’excluent pas mutuellement et il est même courant de voir ces technologies associées au sein d’un système unique pour rendre les processus toujours plus intelligents.
Améliorer l’efficacité opérationnelle grâce à des processus intelligents
Si toutes ces technologies sont très intéressantes, leur principal atout réside d’abord dans l’apport des nombreux avantages et de l’efficacité opérationnelle qu’elles offrent aux entreprises :
• Amélioration de l’efficacité : en termes d’heures travaillées et au niveau de la durée du cycle des transactions de bout en bout.
• Amélioration de la qualité et de la conformité, grâce à des décisions et des processus standardisés.
• Gain de temps pour les travailleurs qualifiés, qui en ont plus pour s’occuper des problèmes clients et autres tâches non structurées.
Tout cela contribue à améliorer la satisfaction clients, mais accroît également la satisfaction des collaborateurs, notamment via l’automatisation des tâches non spécialisées et semi-spécialisées qui représentent des coûts et du travail à faible valeur ajoutée.
Toutefois, une fois considérés ces premiers avantages opérationnels, une gestion des processus métiers (BPM) plus intelligente (associée à l’IA et à l’apprentissage machine) permet aux entreprises d’effectuer des tâches auparavant impossibles. Il est par exemple possible non seulement de prévoir les instances de processus qui n’atteindront probablement pas les niveaux de service requis (SLA) ou les objectifs réglementaires, mais aussi de recommander, voire d’automatiser des actions correctives pour respecter les délais. Ces actions permettent d’ignorer des étapes d’approbation pour des instances à faible risque, d’ajuster les priorités dans les files d’attente ou d’attribuer des tâches à des prestataires externes.
• Amélioration de l’efficacité : en termes d’heures travaillées et au niveau de la durée du cycle des transactions de bout en bout.
• Amélioration de la qualité et de la conformité, grâce à des décisions et des processus standardisés.
• Gain de temps pour les travailleurs qualifiés, qui en ont plus pour s’occuper des problèmes clients et autres tâches non structurées.
Tout cela contribue à améliorer la satisfaction clients, mais accroît également la satisfaction des collaborateurs, notamment via l’automatisation des tâches non spécialisées et semi-spécialisées qui représentent des coûts et du travail à faible valeur ajoutée.
Toutefois, une fois considérés ces premiers avantages opérationnels, une gestion des processus métiers (BPM) plus intelligente (associée à l’IA et à l’apprentissage machine) permet aux entreprises d’effectuer des tâches auparavant impossibles. Il est par exemple possible non seulement de prévoir les instances de processus qui n’atteindront probablement pas les niveaux de service requis (SLA) ou les objectifs réglementaires, mais aussi de recommander, voire d’automatiser des actions correctives pour respecter les délais. Ces actions permettent d’ignorer des étapes d’approbation pour des instances à faible risque, d’ajuster les priorités dans les files d’attente ou d’attribuer des tâches à des prestataires externes.
Quand et comment intégrer de l’IA et/ou du ML dans vos processus BPMS ?
À l’instar de nombreuses autres technologies, il n’est pas nécessaire d’adopter une approche ‘big bang’ ; en matière d’IA, une implémentation progressive est possible. Commencez par utiliser l’IA pour analyser les données historiques et actuelles de vos processus, fournir des prévisions et automatiser les décisions. Puis, vous pouvez tester cette méthode sur un ou deux points décisionnels de votre processus qui permettraient d’améliorer significativement la qualité sans grand risque. Déployez ensuite l’automatisation des processus robotiques (RPA) dirigée par l’apprentissage machine (ML) pour automatiser des étapes d’intégration manuelle complexes, telles que celles qui existent entre les systèmes traditionnels et un système BPMS. L’implémentation d’un point d’intégration à la fois sous la supervision d’un travailleur qualifié réduit le risque, tout en fournissant un retour sur investissement rapide. À mesure que vous étendez vos capacités en matière d’IA et de ML, appliquez le traitement des événements intelligents pour suivre les événements à partir de plusieurs systèmes et détecter les schémas inhabituels, puis utilisez-les pour déclencher des processus de gestion des exceptions dans votre système BPMS.
Ainsi, vous n’avez pas besoin de convertir tous vos processus à l’IA ni de mettre en place une technologie distincte de vos fonctionnalités BPM car l’IA s’avère très efficace en tant que technologie complémentaire pour rendre vos processus existants plus intelligents !
Ainsi, vous n’avez pas besoin de convertir tous vos processus à l’IA ni de mettre en place une technologie distincte de vos fonctionnalités BPM car l’IA s’avère très efficace en tant que technologie complémentaire pour rendre vos processus existants plus intelligents !
A propos de l’auteur
Sandy Kemsley est analyste indépendante et architecte système spécialisée dans l'automatisation des processus numériques (DPA), la gestion des processus métier (BPM), l'entreprise sociale, l'architecture d'entreprise et la business intelligence.
Au cours de son parcours fort de 20 ans d’expertise, elle a créé et dirigé des sociétés de produits et services performantes, notamment une société commercialisant un produit de workflow et de gestion de documents de 1988 à 1990, ainsi qu’une société de services spécialisée en BPM et e-commerce de 1990 à 2000. En 2000-2001, elle a travaillé pour FileNet (désormais IBM) en tant que Directeur de l’évangélisation autour du e-Business lors du lancement de leur produit BPM e-Process. Elle est intervenue dans de nombreuses conférences sur les thèmes du BPM et de son impact sur les entreprises dans plus de 14 pays.
Depuis 2001, elle est redevenue consultante indépendante en tant qu’analyste et qu'architecte BPM / DPA, effectuant des missions pour des sociétés dans le secteur de la finance et de l’'assurance en Amérique du Nord. Elle est aussi auteur contributeur à des livres sur le BPM social et la gestion adaptative des cas. Elle est récipiendaire du prix Marvin L. Manheim 2016 pour ses contributions significatives dans le domaine du workflow.
Au cours de son parcours fort de 20 ans d’expertise, elle a créé et dirigé des sociétés de produits et services performantes, notamment une société commercialisant un produit de workflow et de gestion de documents de 1988 à 1990, ainsi qu’une société de services spécialisée en BPM et e-commerce de 1990 à 2000. En 2000-2001, elle a travaillé pour FileNet (désormais IBM) en tant que Directeur de l’évangélisation autour du e-Business lors du lancement de leur produit BPM e-Process. Elle est intervenue dans de nombreuses conférences sur les thèmes du BPM et de son impact sur les entreprises dans plus de 14 pays.
Depuis 2001, elle est redevenue consultante indépendante en tant qu’analyste et qu'architecte BPM / DPA, effectuant des missions pour des sociétés dans le secteur de la finance et de l’'assurance en Amérique du Nord. Elle est aussi auteur contributeur à des livres sur le BPM social et la gestion adaptative des cas. Elle est récipiendaire du prix Marvin L. Manheim 2016 pour ses contributions significatives dans le domaine du workflow.
