Temps Jusqu'au Cas Précédent dans le Groupe

Vue d'ensemble

L'enrichissement Temps Jusqu'au Cas Précédent dans le Groupe calcule le temps écoulé entre des cas consécutifs au sein d'un groupe ou d'une catégorie spécifique. En regroupant les cas selon un attribut commun (tel qu'un identifiant patient, un nom de ressource, un identifiant machine ou un département), cet enrichissement mesure l'intervalle entre le début d'un cas et le début du cas suivant dans ce même groupe. Cette puissante capacité d'analyse temporelle permet aux organisations de comprendre les schémas de charge de travail, d'identifier les goulets d'étranglement dans l'utilisation des ressources et de mesurer à un niveau granulaire le débit.

Cet enrichissement est particulièrement utile pour analyser les temps d'attente, la disponibilité des ressources et le rythme opérationnel. Par exemple, dans le domaine de la santé, vous pouvez mesurer le délai entre les visites consécutives d'un même patient chez un médecin, en fabrication, vous pouvez suivre le temps entre des cycles de production sur une même machine, ou dans le service client, analyser l'intervalle entre des cas traités par un même agent. L’enrichissement crée automatiquement deux nouveaux attributs de cas : la durée jusqu'au cas précédent et l'identifiant du cas précédent, fournissant à la fois des informations temporelles et relationnelles.

Contrairement aux calculs de durée simples qui mesurent le temps au sein d’un seul cas, cet enrichissement regarde à travers plusieurs cas pour comprendre les schémas dans le flux de travail de votre organisation. Il révèle si les ressources sont pleinement utilisées, s'il existe des temps d'attente excessifs entre les activités, et comment la répartition de la charge de travail varie entre différents groupes ou catégories dans votre processus.

Usages courants

  • Utilisation des ressources en santé : mesurer le temps entre des rendez-vous patients consécutifs pour le même médecin afin d'identifier les intervalles dans la planification et optimiser l’efficacité clinique
  • Débit des machines en fabrication : calculer les intervalles entre des cycles de production sur un même équipement pour analyser l'utilisation machine et identifier les temps d'inactivité
  • Analyse des files d’attente en service client : suivre le temps entre les cas traités par un même agent de support pour comprendre la distribution de la charge de travail et la productivité des agents
  • Gestion des incidents IT : surveiller l'intervalle entre des tickets attribués au même technicien pour équilibrer la charge de travail et éviter la surcharge
  • Analyse du cycle d’approvisionnement : mesurer le temps entre des commandes d’achat au même fournisseur pour optimiser la fréquence des commandes et maintenir les relations fournisseurs
  • Modèles de transactions bancaires : analyser les intervalles entre transactions pour le même compte ou client afin de détecter des schémas inhabituels ou des indices de fraude
  • Traitement des commandes en entrepôt : calculer le temps entre les prélèvements d’un même emplacement pour optimiser l’organisation de l’entrepôt et réduire les temps de déplacement

Paramètres

Group By Attribute : Sélectionnez l’attribut de cas qui définit la catégorie de regroupement. Les cas avec la même valeur dans cet attribut seront regroupés pour l’analyse. Les choix fréquents incluent les noms de ressources (par exemple, "Doctor", "Machine", "Agent"), les identifiants de département, les codes de localisation, ou tout attribut catégoriel représentant un regroupement logique de travail. L’enrichissement calculera le temps entre l’heure de début de chaque cas et celle du cas précédent dans le même groupe.

New Attribute Name : Spécifiez le nom du nouvel attribut de durée qui sera créé. Cet attribut contiendra la durée (en heures) entre l’heure de début du cas actuel et celle du cas précédent dans le même groupe. Choisissez un nom descriptif reflétant ce que vous mesurez, comme "Time_Since_Last_Patient" ou "Interval_Between_Orders". L’enrichissement créera automatiquement un second attribut avec "_CaseId" ajouté à votre nom choisi, qui stockera l’identifiant du cas précédent dans le groupe.

Filter Cases (Optionnel) : Appliquez des filtres optionnels pour limiter les cas inclus dans le calcul. Utile si vous souhaitez analyser uniquement certains types de cas ou exclure certains scénarios. Par exemple, vous pouvez filtrer pour inclure uniquement les cas terminés, exclure les commandes annulées, ou vous concentrer sur une période spécifique. Les cas ne correspondant pas aux critères de filtre ne seront pas inclus dans le regroupement ni dans les calculs de temps.

Exemples

Exemple 1 : Analyse de la planification des rendez-vous patients

Scénario : Une clinique souhaite optimiser la planification des médecins en comprenant les écarts réels de temps entre des rendez-vous patients consécutifs. Ils doivent identifier si les médecins ont trop de temps morts entre les patients ou si les rendez-vous sont trop serrés, entraînant des retards.

Paramètres :

  • Group By Attribute : "Physician_Name"
  • New Attribute Name : "Time_Since_Previous_Appointment"
  • Filter Cases : Aucun (analyser tous les rendez-vous)

Résultat :

L’enrichissement crée deux nouveaux attributs de cas :

  • Time_Since_Previous_Appointment : contient la durée en heures entre le début du rendez-vous actuel et celui du rendez-vous précédent du même médecin
  • Time_Since_Previous_Appointment_CaseId : contient l’identifiant du cas du rendez-vous patient précédent

Exemple de données :

Case ID Physician_Name Appointment_Start Time_Since_Previous_Appointment Time_Since_Previous_Appointment_CaseId
PT-001 Dr. Smith 2024-01-15 08:00 (null) (null)
PT-002 Dr. Smith 2024-01-15 08:30 0.5 PT-001
PT-003 Dr. Smith 2024-01-15 09:15 0.75 PT-002
PT-004 Dr. Jones 2024-01-15 08:00 (null) (null)
PT-005 Dr. Smith 2024-01-15 11:00 1.75 PT-003

Observations : La clinique peut identifier que Dr. Smith a un intervalle de 1.75 heure entre PT-003 et PT-005, ce qui suggère une pause planifiée ou une inefficacité dans la planification. En analysant ces intervalles pour tous les médecins, la clinique peut optimiser les plannings pour réduire les temps d'attente tout en assurant un temps suffisant par patient.

Exemple 2 : Utilisation des machines en fabrication

Scénario : Une usine souhaite mesurer l'utilisation de ses équipements en analysant le temps entre des cycles de production consécutifs sur chaque machine. Cela aide à identifier les actifs sous-utilisés et à optimiser la planification pour maximiser le débit.

Paramètres :

  • Group By Attribute : "Machine_ID"
  • New Attribute Name : "Machine_Idle_Time"
  • Filter Cases : Production_Status = "Completed" (exclure les cycles annulés ou échoués)

Résultat :

L’enrichissement crée :

  • Machine_Idle_Time : durée en heures entre le début du cycle de production actuel et celui du cycle précédent sur la même machine
  • Machine_Idle_Time_CaseId : identifiant du cas du cycle de production précédent

Exemple de données :

Case ID Machine_ID Run_Start_Time Product_Type Machine_Idle_Time Machine_Idle_Time_CaseId
RUN-101 MCH-A01 2024-01-15 06:00 Widget-X (null) (null)
RUN-102 MCH-A01 2024-01-15 08:30 Widget-Y 2.5 RUN-101
RUN-103 MCH-A02 2024-01-15 06:00 Widget-Z (null) (null)
RUN-104 MCH-A01 2024-01-15 12:00 Widget-X 3.5 RUN-102
RUN-105 MCH-A02 2024-01-15 14:00 Widget-Y 8.0 RUN-103

Observations : La machine MCH-A02 montre un écart de 8 heures entre deux cycles, suggérant une sous-utilisation importante ou des problèmes de maintenance. MCH-A01 a une utilisation plus régulière avec des intervalles de 2.5 à 3.5 heures. Les responsables de l’usine peuvent utiliser ces données pour équilibrer les plannings, identifier des capacités supplémentaires ou enquêter sur les temps d’inactivité excessifs.

Exemple 3 : Analyse de la charge de travail des agents de service client

Scénario : Un centre de service client souhaite analyser la répartition de la charge de travail entre agents en mesurant le temps entre des cas consécutifs assignés à chaque agent. Cela aide à identifier si certains agents sont surchargés tandis que d’autres ont de la capacité libre, facilitant l’optimisation de l’affectation des cas.

Paramètres :

  • Group By Attribute : "Assigned_Agent"
  • New Attribute Name : "Time_Between_Cases"
  • Filter Cases : Case_Type = "Support Ticket" (exclure les tâches internes)

Résultat :

L’enrichissement crée :

  • Time_Between_Cases : heures entre l’assignation des cas consécutifs au même agent
  • Time_Between_Cases_CaseId : identifiant du cas précédent pour ce même agent

Exemple de données :

Case ID Assigned_Agent Case_Start_Time Priority Time_Between_Cases Time_Between_Cases_CaseId
TKT-501 Agent_Sarah 2024-01-15 09:00 High (null) (null)
TKT-502 Agent_Mike 2024-01-15 09:05 Medium (null) (null)
TKT-503 Agent_Sarah 2024-01-15 09:15 Low 0.25 TKT-501
TKT-504 Agent_Sarah 2024-01-15 09:30 High 0.25 TKT-503
TKT-505 Agent_Mike 2024-01-15 11:00 Medium 1.92 TKT-502

Observations : L’agent Sarah reçoit de nouveaux cas toutes les 15 minutes (0.25 h), indiquant une charge de travail élevée, tandis que l’agent Mike a presque 2 heures entre des cas, suggérant une capacité disponible. Le centre de service peut utiliser ces informations pour rééquilibrer les assignations, assurer une distribution équitable des charges et optimiser les temps de réponse clients.

Exemple 4 : Analyse de la fréquence des commandes fournisseurs

Scénario : Un service des achats souhaite analyser les schémas de commande auprès des fournisseurs pour optimiser la gestion des stocks et maintenir de bonnes relations fournisseurs. En mesurant le temps entre des commandes successives au même fournisseur, il peut identifier des opportunités de consolidation ou maintenir une fréquence optimale.

Paramètres :

  • Group By Attribute : "Supplier_Name"
  • New Attribute Name : "Days_Since_Last_Order"
  • Filter Cases : Order_Status = "Approved" (exclure les commandes rejetées ou en attente)

Résultat :

L’enrichissement crée :

  • Days_Since_Last_Order : temps en heures entre les commandes d’achat au même fournisseur (convertible en jours en divisant par 24)
  • Days_Since_Last_Order_CaseId : identifiant du cas de la commande précédente

Exemple de données :

Case ID Supplier_Name Order_Date Total_Amount Days_Since_Last_Order Days_Since_Last_Order_CaseId
PO-1001 Acme Corp 2024-01-05 $5,000 (null) (null)
PO-1002 Beta Supply 2024-01-08 $12,000 (null) (null)
PO-1003 Acme Corp 2024-01-12 $3,200 168.0 PO-1001
PO-1004 Acme Corp 2024-01-15 $4,500 72.0 PO-1003
PO-1005 Beta Supply 2024-01-25 $15,000 408.0 PO-1002

Observations : La société commande chez Acme Corp tous les 3 à 7 jours (72 à 168 heures), ce qui suggère de petites commandes fréquentes pouvant bénéficier d’une consolidation pour réduire les coûts d’expédition. Beta Supply présente des intervalles de 17 jours (408 heures), apparemment optimal pour les commandes en gros. Le service achats peut utiliser cette analyse pour négocier des remises sur volume, optimiser la fréquence des commandes et maintenir de bonnes relations fournisseurs.

Exemple 5 : Gestion de la file d’attente des incidents IT

Scénario : Un département IT souhaite analyser la répartition des incidents entre techniciens pour assurer une charge de travail équilibrée et prévenir la surcharge. En mesurant le temps entre des incidents attribués consécutivement, ils peuvent détecter des déséquilibres et optimiser la répartition des tickets.

Paramètres :

  • Group By Attribute : "Assigned_Technician"
  • New Attribute Name : "Incident_Assignment_Interval"
  • Filter Cases : Incident_Type != "Informational" (exclure les tickets non actionnables)

Résultat :

L’enrichissement crée :

  • Incident_Assignment_Interval : heures entre des incidents consécutifs attribués au même technicien
  • Incident_Assignment_Interval_CaseId : identifiant du cas d’incident précédent

Exemple de données :

Case ID Assigned_Technician Assignment_Time Severity Incident_Assignment_Interval Incident_Assignment_Interval_CaseId
INC-201 Tech_Alex 2024-01-15 08:00 Critical (null) (null)
INC-202 Tech_Alex 2024-01-15 08:45 High 0.75 INC-201
INC-203 Tech_Jordan 2024-01-15 09:00 Medium (null) (null)
INC-204 Tech_Alex 2024-01-15 09:30 Critical 0.75 INC-202
INC-205 Tech_Jordan 2024-01-15 14:00 Low 5.0 INC-203

Observations : Tech Alex reçoit des incidents critiques et de haute gravité toutes les 45 minutes (0.75 h), indiquant une surcharge potentielle, tandis que Tech Jordan a 5 heures entre les assignations. Le manager IT peut utiliser ces données pour rééquilibrer la répartition des incidents, assurer une attention rapide aux incidents critiques sans surcharger un technicien, et maintenir la qualité de service.

Résultat

Lors de l'exécution de cet enrichissement, deux nouveaux attributs de cas sont créés pour une analyse complète temporelle et relationnelle :

Attribut principal de durée ([Nom spécifié par vous]) :

  • Type de données : TimeSpan (affiché en heures décimales)
  • Unités : Durée en heures
  • Valeur : Temps écoulé entre l’heure de début du cas précédent et celle du cas actuel au sein du même groupe
  • Premier cas du groupe : Valeur nulle (aucun cas précédent dans le groupe)
  • Méthode de calcul : Heure de début du cas actuel moins heure de début du cas précédent, trié chronologiquement dans chaque groupe

Attribut secondaire d’identifiant de cas ([Nom spécifié par vous]_CaseId) :

  • Type de données : Chaîne de caractères (texte)
  • Valeur : Identifiant du cas précédent dans le même groupe
  • Premier cas du groupe : Valeur nulle (pas de cas précédent)
  • Usage : Permet de remonter au cas précédent spécifique pour analyse détaillée ou validation

Comprendre les valeurs de résultat :

Exemples de valeurs de durée et leurs significations :

  • 0.25 = 15 minutes écoulées depuis le cas précédent dans ce groupe
  • 2.5 = 2 heures 30 minutes depuis le cas précédent
  • 24.0 = exactement un jour (24 heures) depuis le cas précédent
  • 168.0 = une semaine (7 jours) depuis le cas précédent
  • null = c’est le premier cas du groupe, ou le cas n’appartient à aucun groupe (si l’attribut de regroupement est nul)

Comportement important du regroupement :

  • Les cas sont regroupés selon une correspondance exacte de la valeur de "Group By Attribute"
  • À l’intérieur de chaque groupe, les cas sont ordonnés par heure de début (du plus ancien au plus récent)
  • Chaque cas est comparé uniquement au cas immédiatement précédent dans le même groupe
  • Les cas avec une valeur nulle ou vide pour l’attribut de regroupement ne sont inclus dans aucun calcul de groupe
  • Si un filtre est appliqué, seuls les cas correspondant au filtre sont considérés pour identifier le "cas précédent"

Utilisation des attributs de sortie :

Les nouveaux attributs peuvent être exploités dans mindzieStudio pour une analyse puissante :

  • Tableaux de bord de performance : créer des visualisations montrant le temps moyen entre cas par groupe, identifier les ressources avec utilisation optimale vs temps d’inactivité excessifs
  • Filtrage des cas : filtrer les cas où l’intervalle est trop court (surcharge potentielle) ou trop long (sous-utilisation) pour cibler les améliorations
  • Analyse statistique : calculer la moyenne, la médiane et l’écart-type des intervalles pour comprendre la variabilité de la charge de travail
  • Analyse des variantes : comparer des variantes de processus selon les schémas d’utilisation des ressources et identifier les meilleures pratiques
  • Détection de goulets d’étranglement : identifier des groupes (ressources, départements, emplacements) avec des intervalles constamment longs, suggérant des contraintes de capacité ou des inefficacités
  • Analyse des tendances : suivre l’évolution des intervalles dans le temps pour mesurer l’impact des améliorations ou changements de charge
  • Analyse relationnelle : utiliser l’attribut _CaseId pour créer des liens entre cas consécutifs, permettant une investigation approfondie des schémas ou anomalies

Intégration avec d’autres enrichissements :

Cet enrichissement fonctionne particulièrement bien en combinaison avec :

  • Categorize Attribute Values : regrouper les intervalles en catégories comme "Normal", "Retardé", "Pressé"
  • Duration Between Two Activities : comparer les intervalles inter-cas avec les durées intra-cas pour une analyse complète des temps de cycle
  • Count Activities : corréler la complexité des cas (nombre d’activités) avec les intervalles inter-cas pour comprendre la capacité des ressources
  • Representative Case Attribute : extraire des attributs du cas précédent via _CaseId pour comparer les caractéristiques des cas consécutifs

Voir aussi

Enrichissements d’analyse temporelle associés :

Regroupement et analyse associés :

Outils d’analyse de processus :

  • Filter Process Log - Filtrer des cas selon des critères incluant les nouveaux attributs d’intervalle
  • Performance Analysis - Utiliser les données d’intervalle dans des tableaux de bord et indicateurs de performance

Cette documentation fait partie de la plateforme d’analyse de processus mindzie Studio.