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

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
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 …)
- 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
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).
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).
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
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.
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 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
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