Trouver les Valeurs Aberrantes de Dates

Présentation

La calculatrice Trouver les Valeurs Aberrantes de Dates identifie les valeurs de dates et de timestamps dans votre journal d'événements qui s'écartent largement de la plage typique pour cet attribut, vous aidant à détecter des problèmes de qualité des données avant qu'ils n'affectent votre analyse de processus. La calculatrice examine chaque attribut de date et timestamp dans votre journal d'événements et signale les cas ou événements individuels dont la valeur de date est anormalement précoce ou tardive par rapport au reste des données dans le même champ.

Contrairement à une inspection manuelle des données, cette calculatrice vérifie systématiquement chaque champ de date dans vos données de processus pour mettre en évidence les problèmes potentiels susceptibles de fausser votre analyse de process mining, tels que les horodatages d'activités incorrects, les importations de données mal formées, ou les valeurs par défaut utilisées comme placeholders qui n'ont jamais été mises à jour.

Usages Courants

Valider la qualité des données après l'importation de journaux d'événements depuis des systèmes hérités ou de nouvelles sources de données
Détecter les dates placeholders ou valeurs par défaut indiquant une entrée incomplète des données
Identifier les erreurs d'horloge système ou les problèmes de conversion de fuseau horaire créant des timestamps impossibles
Trouver des dates issues de données de test entrées accidentellement dans les journaux d'événements en production
Vérifier que les données de timestamp se situent dans les périodes d'opération business attendues
Évaluer rapidement la qualité globale des champs de date sur tous les attributs avant une analyse détaillée

Paramètres

Cette calculatrice ne nécessite aucune configuration. Elle examine automatiquement tous les attributs de date et timestamp dans votre journal d'événements et signale les valeurs qui s'écartent largement de la plage typique pour chaque attribut.

Champs Standards :

Title : Titre personnalisé optionnel pour la sortie de la calculatrice
Description : Description optionnelle à des fins documentaires

Comment les valeurs aberrantes sont identifiées :

Pour chaque attribut de date ou timestamp, la calculatrice calcule des bornes supérieure et inférieure à partir des données réelles de cet attribut, puis signale les valeurs qui sortent de ces bornes. Les bornes sont calculées selon une méthode statistique (Intervalle Interquartile), donc ce qui compte comme "valeur aberrante" est relatif au reste de vos données — il n'y a pas de coupures d'année codées en dur. Un attribut dont les valeurs s'étendent de 2018 à 2024 aura des bornes différentes de celui dont les valeurs s'étendent de 2010 à 2020.

Notes :

Les valeurs nulles sont ignorées. Les dates manquantes ne sont pas signalées comme aberrantes par cette calculatrice. (Utilisez d'autres outils de qualité des données pour suivre les valeurs manquantes.)
Seuls les attributs de date et timestamp sont examinés. Les champs texte qui contiennent par hasard des dates ne sont pas traités.
Les attributs avec une trop faible variation ne produisent pas d’aberrations. Si toutes les valeurs d'un attribut sont très proches, il n'y a pas de véritable "hors de la plage typique" à détecter.

Exemples

Exemple 1 : Validation de Migration depuis un Système Hérité

Scénario : Votre organisation a récemment migré des données de traitement des factures depuis un ERP hérité vieux de 20 ans vers une plateforme moderne. Avant d’effectuer une analyse de process mining, vous souhaitez vérifier que tous les champs de date semblent raisonnables — en particulier, vous voulez détecter toute date placeholder (comme 1900-01-01) qui n’aurait pas été convertie.

Paramètres :

Title : "Validation de Migration des Données de Factures"
Description : "Vérification des problèmes de conversion de dates depuis le système hérité"

Ce que vous verriez :

La calculatrice renvoie une liste de lignes aberrantes. Parce que le système hérité utilisait 1900-01-01 comme valeur "vide" par défaut, ces lignes ressortent maintenant bien en dessous de la plage typique des dates de factures et apparaissent dans la table des Cas Aberrants. Une poignée d’enregistrements de test datés du 2099-12-31 apparaissent également très au-dessus de la plage typique.

Insights :

La sortie révèle qu’un nombre important de factures portent la date placeholder héritée au lieu d'une date réelle. Un petit nombre d’enregistrements avec des dates très futuristes apparaissent aussi, suggérant des données de test non nettoyées avant la migration. Avant d’effectuer l’analyse du processus, vous devriez collaborer avec l’équipe de données pour :

Corriger ou supprimer les enregistrements avec les dates placeholder
Filtrer les enregistrements de test avec des dates très futuristes

Cette validation vous évite de tirer des conclusions erronées sur les temps de traitement des factures basées sur des données de date corrompues.

Exemple 2 : Détection de Problèmes d’Horloge Système

Scénario : Des utilisateurs ont signalé que certains timestamps dans votre processus de traitement des commandes "n’ont pas de sens", avec des activités apparaissant dans un ordre incorrect. Vous suspectez des problèmes de synchronisation d’horloge serveur ou de conversion de fuseau horaire affectant les timestamps d’événements.

Paramètres :

Title : "Validation des Timestamps du Traitement des Commandes"
Description : "Identifier les problèmes de synchronisation d’horloge ou de fuseau horaire"

Ce que vous verriez :

La table des Événements Aberrants liste chaque événement dont le timestamp d’activité est très en dehors du reste des données — par exemple, un groupe d’événements datés 20 ans dans le futur. Chaque ligne identifie le cas, l’activité et le timestamp suspect, ce qui vous permet de suivre les étapes du workflow affectées.

Insights :

Lorsqu’une dizaine ou une centaine d’événements ont des timestamps uniformément situés très loin dans le futur, c’est un signe classique d’erreur d’horloge système ou de bug de conversion de fuseau horaire sur le système amont. L’enquête remonte généralement à un seul serveur dont l’horloge avait dérivé durant une fenêtre de maintenance. L’analyse détaillée des lignes aberrantes vous permet d’identifier précisément quelles étapes du workflow doivent voir leurs timestamps corrigés avant d’effectuer le process mining sur cette période.

Exemple 3 : Vérification de Qualité des Données Avant Analyse

Scénario : Vous vous apprêtez à réaliser une analyse complète de process mining de votre processus Achat-à-Paiement couvrant trois ans de données. Par bonne pratique, vous lancez d’abord la calculatrice Trouver les Valeurs Aberrantes de Dates.

Paramètres :

Title : "Scan de Qualité des Données Achat-à-Paiement"
Description : "Vérification avant analyse"

Ce que vous verriez :

La calculatrice examine chaque attribut de date dans le journal et ne retourne aucune ligne aberrante — les tables Cas Aberrants et Événements Aberrants sont vides.

Insights :

C’est le meilleur résultat possible — la qualité des données date est excellente. Chaque attribut de date dans le jeu de données est fortement groupé et ne présente aucune aberration significative. Vous pouvez poursuivre votre analyse de process mining en sachant que les timestamps ne fausseront pas vos métriques temporelles ni l’ordre de vos cartes de processus.

Sortie

La calculatrice produit deux tables de données. Chaque ligne représente une valeur aberrante spécifique (un cas ou un événement particulier), et non un résumé par attribut.

Cas Aberrants — une ligne par valeur d’attribut au niveau du cas signalée comme aberrante :

Case Id (Text) : Le cas contenant la valeur aberrante
Attribute Name (Text) : L’attribut du cas dont la valeur est signalée
Date Value (DateTime) : La valeur aberrante réelle trouvée dans cet attribut de cas

Événements Aberrants — une ligne par valeur d’attribut au niveau de l’événement signalée comme aberrante :

Case Id (Text) : Le cas auquel l’événement appartient
Activity Name (Text) : L’activité de l’événement
Activity Time (DateTime) : Le moment où l’événement a eu lieu
Attribute Name (Text) : L’attribut de l’événement dont la valeur est signalée
Date Value (DateTime) : La valeur aberrante réelle

Si vous souhaitez compter les aberrations par attribut (par ex., "combien de factures ont une date placeholder ?"), pivotez la table pertinente par Attribute Name dans votre tableau de bord.

Bonnes Pratiques :

Lancez cette calculatrice en premier dans tout nouveau projet de process mining
Relancez après toute importation de données ou migration système
Traitez les aberrations avant de créer des cartes de processus ou de calculer des métriques de performance
Utilisez la calculatrice régulièrement sur des flux de données continus pour détecter précocement une dégradation de la qualité

Remarque : La calculatrice n’examine que les attributs dont le type de données est déjà date ou timestamp. Les champs texte qui ressemblent à des dates ne sont ni parsés ni analysés — si vous voulez les vérifier, convertissez-les d’abord en attribut de date.

Cette documentation fait partie de la plateforme de process mining mindzie Studio.