Vous êtes sur la page 1sur 7

Une Démarche pour la sélection d’outils de cartographie des

processus métiers
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.

Résumé

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 aux solutions logicielles devient alors


d’une importance capitale. Dans le cadre
Dans un contexte de mondialisation avoir de la BPM, de nombreux chercheurs se
une vision claire d’un processus métier sont penchés sur la question et ont relevé
donné, des flux d’informations qui que les choix des outils étaient également
circulent dans l’entreprise est liés au métier de la société.
indispensable. Afin de mieux identifier les Les travaux de [Bosilj-Vuksic & Al] et
dysfonctionnements, réduire les coûts , et [Vullers & Al] font ressortir 4 composants
maîtriser son organisation transversale et essentiels au sein d’outils de cartographies
satisfaire ses clients, une entreprise doit de processus :
cartographier ses processus métiers. Pour a – les outils pour la modélisation :
cela, elle doit disposer d’outils qui lui facilitent la modélisation de processus à
permettront de modéliser et simuler ses l’aide notamment de contrôles visuels, ils
processus métiers. Cependant, comment gèrent la représentation graphique et la vue
trouver les outils qui correspondent le statique des procédés.
mieux à mon entreprise ? La question
revient sans cesse au sein des directions b- les outils d’exécution ou de
des Systèmes d’information, notamment simulation : gèrent la vue dynamique des
dans le cadre de la BPM (Business Process procédés via des animations, alertes etc …
Management).
c- les outils d’expérimentation :
1 - Critères de comparaison ressortent à l’aide d’histogrmames,
tableaux de bords, etc … pour l’analyse
Le développement logiciel prend chaque des performances et l’optimisation des
jour de nouvelles ampleurs vues les processus
technologies, les outils, les langages. Bien
plus les entreprises ont besoin d’outils « d- les liens avec les autres logiciels :
taillés sur mesure », ou qui répondront le pour l’intégration et l’interopérabilité avec
maximum à leurs besoins. L’un des grands ERPs, SGBDRs, etc ….
problèmes est celui de savoir sur quels
critères se baser pour opérer ses choix. Les Des travaux de [Bosilj-Vuksic & Al] sur
définir et surtout attribuer des métriques lesquels nous nous sommes appuyés pour

1
notre étude comparative, 70 critères à d’autres formats et standards et de leur
prendre en compte au cours de la sélection restitution, de l’optimisation et du test
d’outils de cartographie ont été regroupés d’alternatives.
en quatre grandes familles : Ceci n’est qu’un bref aperçu des critères à
- Hardware & Software : prendre en compte.
Elle prend en compte les aspects de codage 2– Démarche d’analyse et classification
(support de paradigme objets, design Le marché offre une variété d’outils
pattern, disponibilités du code source, la opensource (OpenEbXML, Werkflow,
présence de fonctions prédéfinies) utiles OSWorkflow, Apache OFBiz, Xflow,
notamment du point de vue informaticien Intalio, Yawl) et propriétaires tels que Aris
ou développeur amené à donner un produit Business Architect (IDS Scheer),
sur mesure aux besoins de l’entreprise. BusinessWare (Vitria Technology),
Elle tient également compte de la AXway Integration Broker (aXway),
compatibilité avec le patrimoine de Agilium (Agilium), OnMap Suite
l’entreprise en terme de systèmes (OnMap), Up Easy Pilot (Softandem ),
d’informations (applications héritées, MEGA (MEGA International),
tableurs, SGBDRs, etc …), le support Provision Entreprise ( Proforma
fourni au travers de la documentation, de Corporation), Witness ( Lanner Group),
conseils, de démos et tutoriels, plans de Win’Design Business Process (Cecima).
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 …)

- 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 Fig 1 : Magic Quadrant [Gartner]


Elle intègre la possibilité d’animer les
modèles, le type d’animation fourni Le groupe Gartner publie régulièrement
(complet, ou partiel), la robustesse, le des tableaux comparatifs de sociétés
degré de précision de la simulation, la éditrices d’outils BPA (Business Process
réutilisabilité des modèles construits, la Analysis) au sein du Quadrant Magique –
gestion des erreurs, des messages et traces Magic Quadrant, qui est une représentation
d’exécution, et l’exploitation de graphique du marché à une date donnée. Il
distributions théoriques statistiques, l’aide présente deux axes : la capacité
à l’analyse des tableaux de bords, etc … d’exécution, ie prendre en considération
une vaste gamme de domaines( finances,
- Entrées et Sorties médical, éducation, etc …), de rôles
Elle tient compte des formats de données (utilisateurs, architectes, etc …) et la vision
utilisables en entrée, de la customisation à long terme des éditeurs.
des formats de sortie, de l’intégration

2
Si le travail de la Gartner est reconnu, il scientifiquement éprouvés. Sur la base de
spécifie cependant qu’il n’est en aucun cas ces modèles, pour tout nouveau client, il
utile pour la sélection d’un outil et un futur lui suffira de fournir son questionnaire
utilisateur est donc laissé une fois de plus à dûment rempli pour lui prédire la classe
sa fin. d’outils qui serait susceptible de
Aussi, à partir des critères mentionnés l’intéresser. Dans cette démarche, une fois
plus haut, dans les travaux précédents nous les données reçues, il faut préparer les
avons pensé à l’utilisation de techniques données, comprendre les données, en
d’analyse de classification automatique définissant par exemple des codifications,
non seulement de documents textuels préparer les données en remplaçant les
numériques text mining [GRI, 07] mais champs qui n’ont pas été mentionnés soit
plus généralement de Datamining et d’aide par des valeurs moyennes, ou des 0 ou des
à la décision. Elles combinent des 1. Puis effectuer la classification en
approches issus des discipline comme la produisant un modèle.
linguistique informatique (analyse de texte
et extraction d’information), l’analyse de Recodage des résultats des critères :
données (analyse factorielle, classification, Les notes des critères dans le document
…), l’intelligence artificielle (techniques initial sont exprimés en terme de High,
d’apprentissage, règles d’inférences) et les medium, low ou encore possible, not
sciences de l'information (lois possible. Nous avons premièrement
bibliométriques). retranscrit ces possibilités en High – H,
Démarche Medium – M, Possible - 1, not possible – 0
Dans notre démarche de collecte et etc …
d’analyse en suit la méthodologie CRISP- Une fois ceci effectué, nous pouvons
DM (Cross-Industry Standard Process for maintenant passer à la classification sur la
Data Mining). 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
Figure 2 : CRISP-DM (Source : SPSS) classe d’appartenance d’un objet à partir de
certains traits descriptifs. Cette approche
Il s’agit de prendre les critères initiaux, permet le classement automatique de
soumettre un questionnaire à un large documents, fichiers dans des classes
public utilisant les outils de cartographie préexistantes (connues à l’avance), comme
puis, appliquer les techniques de par exemple les rubriques d’un journal
classification liées à l’analyse de données (société, sport, politique). Les méthodes les
afin de produire des modèles plus efficaces sont basées sur un corpus

3
d’apprentissage. Elles permettent de Les réseaux de Neurones et Kohonen :
déterminer automatiquement la catégorie [Barthelemy] sont un ensemble de
d’un fichier à partir d’échantillons de pour cellules connectées entre eux par des
chaque catégorie choisie. liaisons affectés par un poids. Les liaisons
- La classification non supervisée des permettent à chaque cellule de disposer
fichiers et résultats ou clustering, c’est à d'un canal pour envoyer et recevoir des
dire la découverte de classes de documents signaux en provenance d'autres cellules du
sans a priori, (on ne connaît pas les classes réseau. Chacune de ces connexions reçoit
à l’avance). Comme dans toute approche un poids (une pondération), qui détermine
non supervisée, ces méthodes supposent le sont impact sur les cellules qu'elle
choix : connecte. Chaque cellule dispose ainsi
- d’une représentation des objets à classer d'une entrée, qui lui permet de recevoir de
- d’une mesure de similarité entre les l'information d'autres cellules, mais aussi
objets de ce que l'on appelle une fonction
- d’un algorithme de classification d'activation, qui est dans les cas les plus
(hiérarchique ou non hiérarchique) simple, une simple identité du résultat
(Exemple : K-means, réseaux de Kohonen obtenu par la l'entrée et enfin une sortie.
ou méthodes Two Steps).

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 Fig 4 : Réseaux de neurones
différents. Il faut pour cela déterminer des
indices qui vont différencier deux Ils permettent au final de réaliser des
individus (indice de dissimilarité) parmi diagnostics sur la base d’un échantillon qui
les critères, puis un individu par rapport à sera réinjecté plusieurs fois dans les
un groupe donné (indice d’agrégation). neurones d’entrée afin de constituer une
On obtient alors des regroupements en base d’apprentissage, et donner par la suite
classes. « 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
Fig 3 : Résultat d’une classification hiérarchique 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 Les enregistrements sont rassemblés dans
d'itérations soit atteint ou que le le même groupe ou la même classe.
changement produit par une nouvelle
itération soit inférieur à un seuil défini.

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- Objec- Rational- JBPM INTALIO


Criteres Designer teering Rose
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 échantillon de réponses, de personnes et
datamining à la sélection d’outils. Ce acteurs divers du milieu de la cartographie
travail peut être exploité par une entreprise de processus. En plus de cela, nous
de e-commerce qui propose par exemple n’avons pas effectué de tests pour savoir si
des solutions de cartographie, pour K-means était l’algorithme le plus
déterminer le profil des utilisateurs et lui approprié pour pouvoir par la suite faire
fournir en ligne des solutions qui peuvent des prédictions des préférences. Enfin,
être susceptibles de l’intéresser. Cette nous n’avons pas entièrement implémenté
démarche repose sur des concepts la suite de la démarche CRISP-DM. Une
scientifiques et modèles mathématiques meilleure analyse des tableaux obtenus
éprouvés. Cependant, il faut reconnaître ferait ressortir davantage de résultats
que ce travail est limité car il faudrait pertinents.
préalablement disposer d’un vaste

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