Introduction
ServiceNow est une plateforme ITSM largement utilisée pour structurer les activités de support. Le module Incidents en est l’un des composants centraux, car il concentre une grande partie des demandes quotidiennes et influence directement la perception de la qualité de service. Dans le cadre de notre démarche, l’exploitation des événements ServiceNow via le process mining avec Celonis a permis d’obtenir des gains rapides et mesurables, notamment une réduction de 29 % du temps de traitement des incidents en seulement 5 mois. Cet article présente ce retour d’expérience et illustre comment l’analyse du processus réel permet d’identifier les ralentissements, de prioriser les actions et d’ancrer une amélioration continue sur les délais et la performance.
1) Enjeux ITSM avec le module Incidents de ServiceNow
Le module Incidents structure le cycle de vie d’un ticket : création, affectation, changements de statut, résolution et clôture. Malgré un workflow défini, l’exécution varie selon les catégories, la charge et la coordination entre groupes. Les difficultés se traduisent par des délais élevés, des tickets en attente et une forte variabilité des parcours. Le process mining permet d’objectiver ces écarts en reconstituant le processus tel qu’il est réellement exécuté dans ServiceNow, puis en mesurant ce qui contribue le plus aux retards : attentes prolongées, boucles, transitions lentes ou réaffectations.
2) Structuration des données ServiceNow pour le process mining
L’analyse repose sur la transformation des données ServiceNow en journal d’événements exploitable. Chaque incident est représenté par un identifiant unique, une séquence d’événements horodatés et des attributs de segmentation. Les événements clés incluent notamment : création, première action, affectations, mises en attente, reprises, résolution, clôture. Les attributs tels que priorité, catégorie ou groupe d’affectation permettent de comparer les performances. Cette étape de modélisation est déterminante : elle conditionne la fiabilité des constats et la capacité à transformer les résultats en actions opérationnelles ciblées.
3) Vue de synthèse : pilotage des incidents et indicateurs essentiels
Une vue de synthèse a été conçue pour piloter les incidents, avec un accent sur les priorités élevées lorsque nécessaire. Les indicateurs visent à rester lisibles et actionnables : volume, temps moyen de traitement, stabilité d’affectation, et métriques complémentaires limitant l’influence des cas extrêmes, par exemple via une moyenne tronquée sur certains sous-cycles. Cette vue sert de point d’entrée opérationnel : elle met en évidence les dérives, puis oriente l’analyse vers les segments, étapes ou comportements qui expliquent les écarts observés.
4) Maîtrise temporelle : tendances et catégorisation des durées
Le suivi des délais dans le temps est indispensable, mais une simple moyenne est rarement suffisante. Une pratique très efficace consiste à catégoriser les durées en classes afin de faciliter l’interprétation et la priorisation. Par exemple : 0 à 1 semaine, 1 à 3 semaines, 3 à 5 semaines, 5 à 8 semaines (bornes à adapter au contexte). Cette approche rend visibles les populations de cas longs, souvent déterminantes pour la performance globale. Elle aide également à repérer les périodes où une part croissante d’incidents bascule dans les classes élevées.
5) Goulots d’étranglement : temps entre transitions (→) dans ServiceNow
L’analyse devient réellement actionnable lorsqu’elle descend au niveau des transitions du processus. Plutôt que d’observer uniquement création → clôture, nous avons mesuré les délais entre étapes successives, par exemple : assigné → en cours, en cours → en attente, attente → reprise, reprise → résolution. Cette granularité localise précisément les phases contributrices aux retards : attentes prolongées, reprises tardives, affectations lentes. La catégorisation des durées renforce la lecture : une transition est problématique non seulement par son temps moyen, mais aussi par la part de cas qui bascule régulièrement dans des classes élevées.
6) Analyse par attributs ServiceNow : catégories, groupes et segments prioritaires
Pour décider, il faut segmenter selon les dimensions ServiceNow : catégorie, groupe d’affectation, priorité, service. Ces vues permettent d’identifier les segments à forte volumétrie, ceux dont les délais sont supérieurs, et ceux dont la variabilité est élevée. La catégorisation des durées complète utilement : elle montre la distribution par segment, en distinguant les cas rapides des cas longs. Cette lecture facilite la priorisation des chantiers et l’allocation des efforts sur les segments qui contribuent le plus aux délais globaux.
7) Conformité SLA : vue détaillée et facteurs explicatifs
Une vue dédiée au respect des SLA a été construite, en distinguant SLA de réponse et SLA de résolution. L’objectif est de relier la conformité à des attributs ServiceNow (groupe, catégorie, service, priorité) afin d’identifier les segments qui dégradent la performance et ceux qui surperforment. Cette lecture soutient la gouvernance opérationnelle : ajustement des règles d’affectation, clarification des responsabilités, priorisation des actions et suivi de l’évolution après mise en œuvre des améliorations.
8) Exploration Celonis : variantes, processus et analyse par cas
Les indicateurs mettent en évidence où investiguer, mais l’exploration explique comment les écarts se produisent. L’explorateur de variantes identifie les parcours les plus fréquents et ceux associés à des durées élevées, notamment en présence de boucles. L’explorateur de processus visualise le flux réel et les transitions dominantes. L’explorateur de cas permet de descendre au niveau d’un incident pour valider une hypothèse ou illustrer un phénomène. L’ensemble apporte une capacité d’investigation structurée à partir des données ServiceNow.
9) Personnalisation et comparaison : indicateurs spécifiques et analyse différentielle
Le process mining permet d’ajouter des indicateurs sur mesure, par exemple pour mesurer le temps de prise en charge initiale ou analyser des sous-cycles configurables selon les besoins des équipes. Nous avons aussi mis en place une analyse comparative : sélection d’un attribut, comparaison de deux segments sur les valeurs choisies, puis explication via une visualisation des différences de processus. La catégorisation des durées est également utile ici, car elle rend visibles les différences entre segments et aide à déterminer sur quoi agir en priorité.
Conclusion
Quand l’ITSM gagne en performance grâce au Process Mining, les résultats deviennent rapidement tangibles. Depuis le déploiement de Celonis chez un client, nous suivons de près l’évolution de la gestion des incidents et des requêtes de services.
Sur une période de 5 mois, comparée aux cinq mois précédents, les résultats observés sont les suivants :
- Réduction de 59 % du temps de traitement des requêtes
- Réduction de 29 % du temps de traitement des incidents
Ces gains ont été obtenus malgré une augmentation de 65 % du volume de requêtes, avec un volume d’incidents resté stable
Au-delà des délais, les bénéfices sont également visibles en excellence opérationnelle :
- Réduction de 54 % des tâches manuelles sur les requêtes, notamment grâce à l’automatisation
- Réduction de 48 % des réaffectations de tâches de requêtes
Et ces résultats ne constituent qu’un premier niveau de valeur : le process mining ouvre encore de nombreuses perspectives d’optimisation sur l’ensemble des processus ITSM.