Une Démarche pour la sélection d outils de cartographie des processus métiers Résumé El Haddadi Anass, Atahran Ahmed, Ebobissé Yves, B. Bounabat anass.elhaddadi@gmail.com, atahran.ahmed@gmail.com, ebobisseyves@yahoo.fr, bounabat@ensias.ma ENSIAS, Université Mohamed V Souissi, B.P. 713 AGDAL, Rabat Maroc Les Journées d Informatique et Mathématiques Décisionnelles (JIMD 2) ENSIAS Rabat du 3 au 5 Juillet 2008. L article décrit une étude comparative par critères des outils de cartographie des processus métiers, en se basant sur un processus de data mining. L objectif est de collecter, analyser plus efficacement les besoins des clients en terme de critères pour un outil de cartographie de processus métiers, afin de lui présenter des offres qui correspondent le mieux à ses choix et regrouper les acteurs du marché en classes. Introduction Dans un contexte de mondialisation avoir une vision claire d un processus métier donné, des flux d informations qui circulent dans l entreprise est indispensable. Afin de mieux identifier les dysfonctionnements, réduire les coûts, et maîtriser son organisation transversale et satisfaire ses clients, une entreprise doit cartographier ses processus métiers. Pour cela, elle doit disposer d outils qui lui permettront de modéliser et simuler ses processus métiers. Cependant, comment trouver les outils qui correspondent le mieux à mon entreprise? La question revient sans cesse au sein des directions des Systèmes d information, notamment dans le cadre de la BPM (Business Process Management). 1 - Critères de comparaison Le développement logiciel prend chaque jour de nouvelles ampleurs vues les technologies, les outils, les langages. Bien plus les entreprises ont besoin d outils «taillés sur mesure», ou qui répondront le maximum à leurs besoins. L un des grands problèmes est celui de savoir sur quels critères se baser pour opérer ses choix. Les définir et surtout attribuer des métriques aux solutions logicielles devient alors d une importance capitale. Dans le cadre de la BPM, de nombreux chercheurs se sont penchés sur la question et ont relevé que les choix des outils étaient également liés au métier de la société. Les travaux de [Bosilj-Vuksic & Al] et [Vullers & Al] font ressortir 4 composants essentiels au sein d outils de cartographies de processus : a les outils pour la modélisation : facilitent la modélisation de processus à l aide notamment de contrôles visuels, ils gèrent la représentation graphique et la vue statique des procédés. b- les outils d exécution ou de simulation : gèrent la vue dynamique des procédés via des animations, alertes etc c- les outils d expérimentation : ressortent à l aide d histogrmames, tableaux de bords, etc pour l analyse des performances et l optimisation des processus d- les liens avec les autres logiciels : pour l intégration et l interopérabilité avec ERPs, SGBDRs, etc. Des travaux de [Bosilj-Vuksic & Al] sur lesquels nous nous sommes appuyés pour 1
notre étude comparative, 70 critères à prendre en compte au cours de la sélection d outils de cartographie ont été regroupés en quatre grandes familles : - Hardware & Software : Elle prend en compte les aspects de codage (support de paradigme objets, design pattern, disponibilités du code source, la présence de fonctions prédéfinies) utiles notamment du point de vue informaticien ou développeur amené à donner un produit sur mesure aux besoins de l entreprise. Elle tient également compte de la compatibilité avec le patrimoine de l entreprise en terme de systèmes d informations (applications héritées, tableurs, SGBDRs, etc ), le support fourni au travers de la documentation, de conseils, de démos et tutoriels, plans de formation, les considérations financières et techniques (coût de déploiement, d installation, upgrading du matériel, etc ), le pedigree de la société éditrice (réputation, âge, position sur le marché ) d autres formats et standards et de leur restitution, de l optimisation et du test d alternatives. Ceci n est qu un bref aperçu des critères à prendre en compte. 2 Démarche d analyse et classification Le marché offre une variété d outils opensource (OpenEbXML, Werkflow, OSWorkflow, Apache OFBiz, Xflow, Intalio, Yawl) et propriétaires tels que Aris Business Architect (IDS Scheer), BusinessWare (Vitria Technology), AXway Integration Broker (axway), Agilium (Agilium), OnMap Suite (OnMap), Up Easy Pilot (Softandem ), MEGA (MEGA International), Provision Entreprise ( Proforma Corporation), Witness ( Lanner Group), Win Design Business Process (Cecima). - Capacités de modélisation : Dans cette catégorie, on citera notamment le degré d expertise requis pour l utilisateur, la facilité de prise en main, la représentativité des modèles vis-à-vis de la réalité, mais également la modularité (développer des portions de processus de manières indépendantes voire concurrente), l aide à la production de documentation. - Capacités de Simulation Elle intègre la possibilité d animer les modèles, le type d animation fourni (complet, ou partiel), la robustesse, le degré de précision de la simulation, la réutilisabilité des modèles construits, la gestion des erreurs, des messages et traces d exécution, et l exploitation de distributions théoriques statistiques, l aide à l analyse des tableaux de bords, etc - Entrées et Sorties Elle tient compte des formats de données utilisables en entrée, de la customisation des formats de sortie, de l intégration Fig 1 : Magic Quadrant [Gartner] Le groupe Gartner publie régulièrement des tableaux comparatifs de sociétés éditrices d outils BPA (Business Process Analysis) au sein du Quadrant Magique Magic Quadrant, qui est une représentation graphique du marché à une date donnée. Il présente deux axes : la capacité d exécution, ie prendre en considération une vaste gamme de domaines( finances, médical, éducation, etc ), de rôles (utilisateurs, architectes, etc ) et la vision à long terme des éditeurs. 2
Si le travail de la Gartner est reconnu, il spécifie cependant qu il n est en aucun cas utile pour la sélection d un outil et un futur utilisateur est donc laissé une fois de plus à sa fin. Aussi, à partir des critères mentionnés plus haut, dans les travaux précédents nous avons pensé à l utilisation de techniques d analyse de classification automatique non seulement de documents textuels numériques text mining [GRI, 07] mais plus généralement de Datamining et d aide à la décision. Elles combinent des approches issus des discipline comme la linguistique informatique (analyse de texte et extraction d information), l analyse de données (analyse factorielle, classification, ), l intelligence artificielle (techniques d apprentissage, règles d inférences) et les sciences de l'information (lois bibliométriques). Démarche Dans notre démarche de collecte et d analyse en suit la méthodologie CRISP- DM (Cross-Industry Standard Process for Data Mining). Figure 2 : CRISP-DM (Source : SPSS) Il s agit de prendre les critères initiaux, soumettre un questionnaire à un large public utilisant les outils de cartographie puis, appliquer les techniques de classification liées à l analyse de données afin de produire des modèles scientifiquement éprouvés. Sur la base de ces modèles, pour tout nouveau client, il lui suffira de fournir son questionnaire dûment rempli pour lui prédire la classe d outils qui serait susceptible de l intéresser. Dans cette démarche, une fois les données reçues, il faut préparer les données, comprendre les données, en définissant par exemple des codifications, préparer les données en remplaçant les champs qui n ont pas été mentionnés soit par des valeurs moyennes, ou des 0 ou des 1. Puis effectuer la classification en produisant un modèle. Recodage des résultats des critères : Les notes des critères dans le document initial sont exprimés en terme de High, medium, low ou encore possible, not possible. Nous avons premièrement retranscrit ces possibilités en High H, Medium M, Possible - 1, not possible 0 etc Une fois ceci effectué, nous pouvons maintenant passer à la classification sur la base d un échantillon, qui est traduit sous forme de fichier plat, ou excel. Classification Ces méthodes sont généralement utilisées pour grouper des objets, des personnes, des concepts ou des stimuli dans des groupes homogènes sur la base de leur similarité. Dans notre cas il s agira d outils BPM. Lorsqu on cherche à identifier les principales thématiques abordées dans un ensemble de documents et plus généralement dans l analyse de données, deux approches [GRI, 07] sont possibles pour regrouper des documents similaires: - La classification supervisée ou catégorisation qui consiste à identifier la classe d appartenance d un objet à partir de certains traits descriptifs. Cette approche permet le classement automatique de documents, fichiers dans des classes préexistantes (connues à l avance), comme par exemple les rubriques d un journal (société, sport, politique). Les méthodes les plus efficaces sont basées sur un corpus 3
d apprentissage. Elles permettent de déterminer automatiquement la catégorie d un fichier à partir d échantillons de pour chaque catégorie choisie. - La classification non supervisée des fichiers et résultats ou clustering, c est à dire la découverte de classes de documents sans a priori, (on ne connaît pas les classes à l avance). Comme dans toute approche non supervisée, ces méthodes supposent le choix : - d une représentation des objets à classer - d une mesure de similarité entre les objets - d un algorithme de classification (hiérarchique ou non hiérarchique) (Exemple : K-means, réseaux de Kohonen ou méthodes Two Steps). Les réseaux de Neurones et Kohonen : [Barthelemy] sont un ensemble de cellules connectées entre eux par des liaisons affectés par un poids. Les liaisons permettent à chaque cellule de disposer d'un canal pour envoyer et recevoir des signaux en provenance d'autres cellules du réseau. Chacune de ces connexions reçoit un poids (une pondération), qui détermine sont impact sur les cellules qu'elle connecte. Chaque cellule dispose ainsi d'une entrée, qui lui permet de recevoir de l'information d'autres cellules, mais aussi de ce que l'on appelle une fonction d'activation, qui est dans les cas les plus simple, une simple identité du résultat obtenu par la l'entrée et enfin une sortie. Classification hiérarchique : Elle consiste à regrouper deux individus dans un même groupe pour un niveau de précision donné, alors que pour un autre degré de précision, ils peuvent appartenir à des groupes différents. Il faut pour cela déterminer des indices qui vont différencier deux individus (indice de dissimilarité) parmi les critères, puis un individu par rapport à un groupe donné (indice d agrégation). On obtient alors des regroupements en classes. Fig 3 : Résultat d une classification hiérarchique Fig 4 : Réseaux de neurones Ils permettent au final de réaliser des diagnostics sur la base d un échantillon qui sera réinjecté plusieurs fois dans les neurones d entrée afin de constituer une base d apprentissage, et donner par la suite «une intelligence» au réseau qui lui permettra de prendre des décisions. Les réseaux de Kohonen sont des cas particuliers de réseaux de neurones. Méthode K-means : commence par définir un ensemble de centres de classes à partir des données. Il affecte ensuite chaque enregistrement à la classe à laquelle il s'apparente le plus, sur la base des valeurs du champ d'entrée de l'enregistrement. Une fois toutes les observations affectées, les centres de classes sont mis à jour afin de refléter le nouvel ensemble d'enregistrements affecté à chaque classe. Les enregistrements sont alors de nouveau évalués afin de déterminer si certains d'entre eux doivent être réaffectés à une autre classe. Ce processus se poursuit 4
jusqu'à ce que le nombre maximal d'itérations soit atteint ou que le changement produit par une nouvelle itération soit inférieur à un seuil défini. Les enregistrements sont rassemblés dans le même groupe ou la même classe. Fig 5 : Méthode Kmeans [Berrada] Application de la démarche Comme première comparaison on a fait des bancs d essai sur sept outils : Visio, Rational Rose, Power Designer, Méga, INTALIO et JBPMN. outils Mega Visio Power- Objecteering Rational- JBPM INTALIO Criteres Rose Designer Accès au code source 0 0 0 0 0 1 1 Fonctions 0 0 0 0 0 1 1 Prédéfinies, Compatibilité 1 1 1 1 1 1 1 Tutoriels, 1 1 1 1 1 1 1 documentation, Démos Prix et coûts H M H H M L L d acquisition(h,m,l) Message des erreurs 1 1 1 1 1 1 1 taux de pénétration H M M M M M M sur le marché (H,M,L) animation 1 0 0 1 0 0 0 qualité du graphe H M M H M L M (H,M,L) Niveau de détail H M M M M L H Réutilisabilité des 1 1 1 1 1 1 1 modèles Tableau 1 : Comparaison des outils. Notons à ce niveau que nous nous sommes appuyés sur nos propres perceptions au cours des phases d installation, de manipulation et de tests des différents outils. Certains champs n ont pas pu être renseignés car nous ne disposions pas d informations pour ces critères. Notamment le pedigree et les considérations financières et techniques. Une fois cette tâche effectuée, nous utilisons un outil de datamining pour faire le regroupement suivant divers critère comme le montre la modélisation via la figure ci-dessous. 5
Figure 6 : Modélisation Après exécution, nous sortons avec ce regroupement qui nous permet de constater que les outils Intalio et JBPM appartiennent à la même classe, de même que rational rose et Objectering. Fig 7 : Génération de classes via K-means. L analyse du graphique sous dessous nous permet par exemple de constater que Méga est le seul qui nous ait permis de faire une animation et qui a une qualité de graphique excellente. Alors qu Objectering est gratifié du même degré graphique sans pour autant faire d animation. Fig 8 : Génération de classes via K-means. 6
Ainsi, à partir d un large échantillon, on peut constituer un modèle d apprentissage et pour tout nouveau client qui désire choisir un outil vi à vis d un critère donné, il suffit d entrer ses réponses pour lui donner les outils qui répondront le mieux. Conclusion et perspectives Nous avons pu appliquer les techniques de datamining à la sélection d outils. Ce travail peut être exploité par une entreprise de e-commerce qui propose par exemple des solutions de cartographie, pour déterminer le profil des utilisateurs et lui fournir en ligne des solutions qui peuvent être susceptibles de l intéresser. Cette démarche repose sur des concepts scientifiques et modèles mathématiques éprouvés. Cependant, il faut reconnaître que ce travail est limité car il faudrait préalablement disposer d un vaste échantillon de réponses, de personnes et acteurs divers du milieu de la cartographie de processus. En plus de cela, nous n avons pas effectué de tests pour savoir si K-means était l algorithme le plus approprié pour pouvoir par la suite faire des prédictions des préférences. Enfin, nous n avons pas entièrement implémenté la suite de la démarche CRISP-DM. Une meilleure analyse des tableaux obtenus ferait ressortir davantage de résultats pertinents. Bibliographie : [Barthelemy] Sylvain Barthelemy Les Réseaux de Neurones, Juin 2000 http://www.sylbarth.com/nn.php [Bosilj-Vuksic & Al] Vesna Bosilj-Vuksic, Vlatko Ceric, Vlatka Hlupic Criteria for the Evaluation of Business Process Simulation Tools Interdisciplinary Journal of Information, Knowledge, and Management. Volume 2, 2007 [Carpentier] F.-G. Carpentier, Introduction aux analyses multidimensionnelles, Master de Psychologie Sociale 2006/2007, http://geai.univ-brest.fr/~carpenti/2006-2007/psr83b-2007-4.pdf [Vachon & Al] Mélanie Vachon, Dominic Beaulieu-Prévost Amélie Ouellette Marie Achille, Analyse de classification hiérarchique et qualité de vie, Tutorials in Quantitative Methods for Psychology 2005, Vol. 1 (1), p. 25-30 [Gartner] Michael J. Blechar, Jim Sinur, Magic Quadrant for Business Process Analysis Tools, 27 February 2006, Gartner RAS Core Research Note G00137850, [GRI,07] Maitriser le processus de Text Mining dans le cadre d applications d intelligence économique, de gestion de la relation client ou de gestion des connaissance, Luc Grivel Luc.Grivel@univ-paris1.fr, VSST 07 Marrakech 7