L'IA transforme la gestion des processus métier (BPM)

Exploiter les capacités prédictives de l'IA et du Machine Learning pour anticiper et optimiser la performance des processus métier

L'étude A Review of AI and Machine Learning Contribution in Predictive Business Process Management (Process Enhancement and Process Improvement Approaches) (Abbasi et al., 2024)  se positionne au carrefour de la gestion des processus métier (BPM, Business Process Management), de l'IA et du Machine Learning (ML).

Dans un contexte économique en mutation constante sous l'impulsion des avancées technologiques, la collaboration entre le monde académique et l'industrie s'intensifie pour exploiter le potentiel du BPM. Cette revue systématique a pour objectif principal d'éclairer chercheurs et analystes sur les développements récents de l'IA et du Machine Learning appliqués à l'optimisation des processus organisationnels, tout en identifiant les lacunes actuelles et les futures pistes de recherche.

L'accent est mis sur la gestion prédictive des processus métier (PBPM), définie comme une approche intégrée exploitant l'IA/ML non seulement pour améliorer et rationaliser les flux existants, mais aussi pour évaluer et reconcevoir les processus de manière proactive, en s'appuyant sur les informations issues de ces méthodes avancées.

L'étude distingue clairement les deux piliers du BPM :

• L'amélioration des processus (« process enhancement »), qui concerne l'analyse, le diagnostic et le suivi

• L'optimisation des processus (« process improvement »), qui se focalise sur la refonte et l'implémentation de changements concrets.

  
  

Méthodologie

Pour répondre à ses questions de recherche sur l'impact de l'IA et du ML sur le BPM et l'intégration des approches d'amélioration et d'optimisation, l'étude adopte une méthodologie de revue systématique rigoureuse, structurée en six étapes et inspirée du modèle PRISMA.

1. Sélection des mots-clés : Des termes spécifiques ont été choisis pour trois axes de recherche : l'amélioration des processus (par ex. : « predictive process monitoring », « process mining »), l'optimisation des processus (par ex. : « process redesign », « process optimization »), et les approches combinées.

2. Sources de recherche : Les bases de données académiques Scopus, Web of Science, et Semantic Scholar ont été interrogées.

3. Critères d'inclusion/exclusion : Seuls les articles de journaux et de conférences publiés en anglais entre 2010 et 2024 ont été retenus, aboutissant à 196 articles initiaux.

4. Sélection/filtrage : Un examen des résumés et introductions a permis d'identifier les articles pertinents appliquant spécifiquement des méthodes d'IA et de ML, ce qui a réduit la sélection à 46 articles principaux pour l'analyse approfondie.

5. Analyse bibliométrique : Une analyse initiale des tendances de publication et des contributions par journal a été réalisée. Les données ont été visualisées à l'aide de VOS Viewer  pour analyser les réseaux de mots-clés et les clusters thématiques.

6. Interprétation et identification des lacunes : Une analyse critique de la littérature sélectionnée a permis d'évaluer les forces, faiblesses et limites des approches existantes et de définir les axes de recherche futurs.

   
   

L'analyse bibliométrique a notamment montré une prédominance de publications dans le Business Process Management Journal.

Résultats

L'intégration de l'IA et du ML transforme profondément la gestion des processus métier (BPM). Elle dépasse les méthodes traditionnelles en offrant des capacités d'analyse plus fines et en permettant des interventions prédictives et proactives pour améliorer la performance. L'étude met en évidence les contributions clés dans trois domaines principaux.

1. Amélioration des processus (« Process Enhancement ») : surveillance et analyse prédictive

Ce volet se concentre sur l'utilisation des données historiques (logs d'événements) pour analyser, surveiller et prédire le comportement des instances de processus en cours d'exécution.

L'IA et le ML offrent ici une alternative puissante aux méthodes traditionnelles de définition d'indicateurs clés de performance (KPI), souvent manuelles, subjectives et coûteuses. Un avantage notable du ML est sa capacité à opérer même sans une connaissance exhaustive des modèles de processus sous-jacents.

• Objectifs ciblés :

  
  

  • Qualité : La détection de dérives conceptuelles (changements graduels ou soudains dans le processus)  et la détection d'anomalies (événements rares ou inattendus)  sont des objectifs majeurs pour maintenir l'alignement stratégique et la performance. La prédiction de la prochaine activité probable dans une instance de processus en cours est également essentielle pour anticiper les étapes suivantes.

  • Temps : La prédiction du temps restant avant l'achèvement d'une instance de processus est un objectif fréquent pour identifier les cas à risque de retard.

  • Conformité : La surveillance du respect des contraintes métier (règles ou politiques que le processus doit suivre) est essentielle.

  • Autres : La prédiction de la performance globale future au niveau du modèle de processus  ou l'analyse des goulots d'étranglement  sont aussi abordées.

  • Lacunes : Les objectifs liés aux coûts et surtout à la flexibilité des processus semblent nettement moins explorés dans la littérature sur l'amélioration prédictive.

    
    

• Méthodes IA/ML employées :

  
  

  • Apprentissage supervisé : 
    

    • Les arbres de décision, la régression, et diverses méthodes de classification sont utilisés pour prédire des issues ou des indicateurs.

    • Les réseaux neuronaux profonds (DNN), les réseaux neuronaux convolutifs (CNN, souvent en traitant les logs comme des images), les réseaux neuronaux récurrents (RNN) et leurs variantes comme les Long Short Term Memory (LSTM) sont particulièrement efficaces pour modéliser les séquences temporelles des événements.

    • Les transformeurs et XGBoost  sont aussi mentionnés.

      
      

      Des études comparatives suggèrent une supériorité des DNN sur les approches classiques (SVM, Random Forest) pour la prédiction de la prochaine activité.

      
      

  • Apprentissage non supervisé : Le clustering est utilisé pour regrouper des traces de processus similaires, notamment pour détecter des dérives en comparant des clusters avant et après un point de changement, ou pour identifier différentes variantes de processus.

  • Autres approches :
    

    • La programmation logique inductive (ILP) a été utilisée pour l'apprentissage incrémental et la détection de changements.

    • Des techniques de traitement du langage naturel (NLP) sont employées pour analyser les retours clients et détecter des anomalies.

    • La logique temporelle linéaire (LTL) est appliquée pour la surveillance des contraintes.

    • Des approches "White-box" cherchant à expliquer les prédictions (par exemple, en décomposant le temps restant par activité future) sont proposées pour améliorer l'interprétabilité.

    • Des techniques de visualisation spécifiques (par ex. : Drift Maps ) aident à l'analyse des dérives.
      

  • Lacunes : L'étude note un manque de travaux sur :
    

    • La gestion de l'incertitude dans les logs (bien que des pistes existent avec les réseaux bayésiens ou l'entraînement contradictoire )

    • La prédiction dans les processus avec parallélisme ou boucles

    • L'utilisation plus poussée de l'apprentissage non supervisé ou semi-supervisé (GANs, VAEs, Zero-shot learning).

      
      

• Domaines d'application illustratifs : Les cas d'usage couvrent des secteurs variés comme l'assurance, la santé (comparaison inter-hospitalière, analyse de parcours cliniques), la gestion hôtelière, les centres d'assistance (helpdesk), et la gestion du trafic routier.

  
  

2. Optimisation des processus (« Process Improvement ») : refonte et réingénierie

Ce volet s'intéresse à la modification active de la structure ou de l'exécution des processus pour les rendre plus efficaces, efficients ou conformes, en se basant souvent sur les analyses issues de l'amélioration (enhancement). L'IA et le ML viennent ici compléter ou automatiser les techniques de refonte traditionnelles (comme celles listées par Grant : Root Cause Analysis, Business Process Reengineering, Lean, Six Sigma...).

• Leviers d'optimisation ciblés :

  
  

  • Les recherches se focalisent principalement sur :
    

    • La redéfinition des activités (fusionner, éliminer, paralléliser des tâches)

    • L'allocation et la planification des ressources humaines ou matérielles

    • La modification des précédences et dépendances entre activités
      

  • L'optimisation des déclencheurs de processus (événements initiateurs) semble être une lacune dans la littérature récente sur l'IA/ML.

    
    

• Approches IA/ML employées :
  

  • Reconnaissance de motifs (Pattern Similarity) : Identification de motifs structurels dans les modèles de processus (par ex : BPMN) qui correspondent à des anti-patterns connus ou à des opportunités d'optimisation (patterns) stockés dans une base de connaissances. Ceci peut se faire au moment de la conception  ou par analyse sémantique pour détecter des faiblesses potentielles.

  • Traitement du Langage Naturel (NLP) :
    

    • Extraction automatique de suggestions de refonte à partir de descriptions textuelles des processus.

    • Recommandation de la meilleure activité suivante dans des processus intensifs en connaissances (par ex : traitement d'emails) en analysant le contenu textuel.
      

  • Automatisation des méthodes classiques : Application du ML (classification) pour identifier automatiquement les types de gaspillage (waste) selon les principes Lean Six Sigma dans les logs d'événements, afin de guider la suppression ou la fusion d'activités.

  • Optimisation des ressources :
    

    • Utilisation de l'apprentissage par renforcement (RL) pour optimiser l'allocation des tâches aux ressources afin de minimiser le temps de cycle (ex : en favorisant l'assignation de tâches similaires à une même ressource).

    • Prédiction de la demande future en ressources via LSTM pour une allocation dynamique.

    • Classification et routage automatiques de tickets (par ex : IT helpdesk) vers les équipes ou ressources appropriées via SVM, classification multimodale ou autres techniques ML.
      

  • IA Générative : Émergence de modèles de type Transformeur (par ex : ProcessGPT) capables non seulement d'analyser mais aussi de générer de nouveaux modèles de processus optimisés ou adaptés au contexte.

  • Autres : Prise en compte de la durabilité (aspects sociaux, économiques, environnementaux) dans la refonte des processus, notamment dans le secteur de la construction.

  • Lacunes : L'étude note une utilisation encore limitée du clustering, du RL, des GANs et des Transformeurs dans ce domaine.
    

• Domaines d'application illustratifs : La banque, la gestion des ressources humaines (RH), et de manière prédominante les services d'assistance informatique (IT Help Desk) pour l'optimisation du routage et de l'assignation des tickets  sont des exemples fréquents.
  

3. Approches intégrées : combiner amélioration et optimisation

Une tendance émergente consiste à fusionner les phases d'amélioration (analyse prédictive) et d'optimisation (refonte) dans des approches unifiées, considérées comme plus performantes et pertinentes pour l'industrie. L'idée est d'utiliser directement les insights de l'analyse prédictive pour guider ou automatiser les actions d'optimisation.

• Méthodes clés :
  

  • Simulation augmentée par l'IA/Process Mining :
    

    • Utilisation du process mining pour générer automatiquement des modèles de simulation plus réalistes à partir des logs.

    • Couplage de la simulation (par ex : dynamique des systèmes  ou simulation à événements discrets) avec des modèles ML prédictifs (par ex : DNN prédisant les temps de cycle ou l'effet des files d'attente ).

    • Création d'outils interactifs (par ex : SIMPT) permettant aux analystes de tester des scénarios de refonte ("what-if") basés sur les données réelles.
      

  • Analyse des causes profondes (Root-Cause Analysis - RCA) guidée par l'IA :
    

    • Développement de techniques d'analyse d'influence combinant process mining, RCA et règles de classification pour identifier les facteurs (par ex : caractéristiques des cas, comportement des ressources) qui impactent le plus les KPIs et cibler ainsi les efforts d'optimisation.

    • Utilisation d'arbres de classification pour identifier les déviations comportementales observées dans les logs qui sont corrélées à une meilleure performance, afin de les intégrer sélectivement dans un modèle de processus amélioré ("model repair").
      

• Avantages et lacunes : Ces approches intégrées favorisent une meilleure cohérence, intégrité et focalisation. Elles sont cependant relativement récentes  et, comme pour les approches séparées, l'objectif de flexibilité reste peu exploré.
  

Les résultats démontrent l'adoption croissante et l'impact significatif de l'IA et du ML sur l'ensemble du cycle de vie du BPM, tout en pointant des déséquilibres dans les objectifs visés et les méthodes employées, ainsi que des domaines de recherche encore à défricher.

Limites de l'étude

Les auteurs soulignent explicitement que cette revue, bien qu'extensive, ne plonge pas dans les détails techniques fins de chaque méthode d'IA/ML. Sa portée temporelle est limitée aux publications entre 2010 et 2024.

Une limite intrinsèque au domaine, et donc à la revue, est le manque fréquent de jeux de données publics, robustes et standardisés pour l'entraînement et la validation des modèles prédictifs, ainsi que la difficulté à découvrir les processus "cachés" ou informels au sein des systèmes d'information. La revue identifie également que l'objectif de "flexibilité" des processus est largement sous-étudié, tant dans les approches séparées qu'intégrées.

Enfin, la prédominance des approches d'apprentissage supervisé occulte le potentiel des méthodes non supervisées ou semi-supervisées, pourtant pertinentes face aux logs d'événements souvent incomplets ou bruités.

Conclusion et discussions

Cette revue systématique confirme l'impact transformateur de l'IA et du ML sur le BPM, ce qui ouvre la voie à une gestion des processus plus automatisée, prédictive et efficiente. L'intégration de ces technologies permet de dépasser les limites des approches traditionnelles en offrant des capacités avancées pour le monitoring (via l'amélioration/enhancement) et la refonte (via l'optimisation/improvement).

L'étude met en lumière le potentiel synergique de la combinaison des approches d'amélioration et d'optimisation, facilitée par l'IA, pour automatiser plus complètement le cycle de vie du BPM.

Néanmoins, des défis majeurs persistent :

• La qualité et la disponibilité des données issues des logs d'événements

• La difficulté à modéliser les processus non structurés ou cachés

• Le besoin majeur de transparence et d'explicabilité (XAI) des modèles d'IA pour garantir leur adoption et leur succès dans les projets BPM

Les pistes de recherche futures sont nombreuses :

• Explorer davantage les approches non ou peu supervisées (few-shot/zero-shot learning) pour pallier le manque de données labellisées

• Développer des modèles IA génératifs (GANs, Transformers ) capables non seulement d'analyser mais aussi de proposer automatiquement des refontes de processus optimisées

• Approfondir l'étude de la flexibilité comme objectif clé du BPM

Implications pratiques de l'IA pour la gestion des processus métier (BPM)

Pour les professionnels du BPM, cette étude constitue une ressource pertinente en synthétisant l'état de l'art des applications de l'IA et du ML. Elle fournit des orientations concrètes :

• Cartographie des solutions IA/ML : Elle permet d'identifier quelles techniques (clustering, DNN, NLP, RL, etc.) sont les plus adaptées pour des tâches spécifiques d'amélioration (par ex. : prédire le temps restant, détecter une dérive) ou d'optimisation (par ex. : suggérer une refonte, optimiser l'allocation de ressources).

• Aide à la décision : Elle éclaire sur les avantages potentiels des approches intégrées (amélioration + optimisation) pour une vision plus holistique et des résultats plus cohérents.

• Sensibilisation aux prérequis et défis : Elle souligne l'importance de la qualité des données (logs d'événements) et la nécessité de choisir ou de développer des modèles IA interprétables pour faciliter leur adoption par les métiers.

• Identification des opportunités d'innovation : En mettant en évidence les domaines moins explorés (par ex. : optimisation de la flexibilité, IA générative pour la refonte), elle peut inspirer de nouvelles initiatives d'automatisation et d'amélioration des processus au sein des organisations.

  
  

Cette revue équipe les praticiens des connaissances nécessaires pour naviguer dans le paysage en évolution rapide du BPM augmenté par l'IA, leur permettant de sélectionner et de mettre en œuvre plus efficacement des solutions pour accroître l'efficience, la qualité et l'agilité de leurs processus métier.

Référence

Abbasi, M., Nishat, R. I., Bond, C., Graham-Knight, J. B., Lasserre, P., Lucet, Y., & Najjaran, H. (2024). A Review of AI and Machine Learning Contribution in Predictive Business Process Management (Process Enhancement and Process Improvement Approaches). https://arxiv.org/abs/2407.11043.

---

Article de blog rédigé par Damien SOULÉ.