La data science, la business intelligence sont clés pour piloter la supply chain. Ces gimmicks sont à la mode. Force est de constater que la réalité en entreprise est loin d’être aussi convaincante que ne pourraient le laisser penser la démocratisation des technologies.
Les systèmes de Business Intelligence se sont répandus – Power BI, Tableau, Qlik et les autres. Mais peu d’entreprises peuvent prétendre disposer d’un jeu de rapports analytiques qui couvrent de manière homogène et structurée leurs besoins de pilotage supply chain.
On voit parfois proliférer les rapports de Business Intelligence comme on a vu proliférer les feuilles Excel – il y a beaucoup d’idées – mais où aller pour avoir la bonne information pour prendre des décisions ?
Trop est souvent l’ennemi du bien, il vaut mieux construire quelques vues synthétiques et actionnables, plutôt que de vouloir couvrir de manière exhaustive tous les domaines.
Il faut aussi que la conception de votre supply chain, que son modèle de pilotage soit clairement édicté, compris par les équipes … et pertinent – de manière à ce que vos tableaux de bords évaluent la santé de votre modèle et vous incitent aux ajustements requis.
Ainsi, si vous n’avez pas défini de modèle de dimensionnement de stock – si la définition des plages cible n’est pas claire – si les niveaux trop bas et trop hauts ne sont pas compris par tous – si la politique de réapprovisionnement est floue – votre business intelligence sera inutile pour vous indiquer comment l’améliorer. D’autant que l’humain – la politique interne, les jeux de pouvoir, les biais conitifs en entreprise – nuisent souvent à l’établissement d’un consensus sur les conclusions à tirer d’un tableau de bord.
Vous devez disposer d’un modèle de pilotage supply chain partagé et compris. Demand Driven de préférence, bien sûr.
Le blog référencé ici articule de manière intéressante les briques à considérer What is Supply Chain Analytics? | Towards Data Science
L’auteur décompose le besoin d’analytiques en quatre catégories, et donne quelques exemples utiles :
- Descriptive Analytics : Qu’est-ce qu’il s’est passé ?
- Diagnostic Analytics : Quelles sont les causes ?
- Predictive Analytics : Qu’est-ce qui peut se passer dans le futur ?
- Prescriptive Analytics : Que devrions-nous faire pour nous préparer, quelles adaptations mener ?
Cette grille de lecture permet de se poser les bonnes questions pour structurer notre plateforme décisionnelle et faciliter l’adaptation. C’est ce que la littérature Demand Driven décrit sous le vocable de « DDS&OP ».
Nous avons intégré dans Intuiflow la technologie Power BI Embedded, pour faciliter le travail des équipes avec un jeu d’analyses préformatées et personnalisables. Embedded Business Intelligence – Demand Driven Technologies
On y retrouve les quatre composantes :
Descriptive analytics : comment se sont comportés nos buffers de stocks, de temps, de capacité dans la période écoulée ?
Diagnostic analytics : En analysant par exception les situations à problème – ruptures, surstocks, retards – quelles ont les causes probables ? L’utilisation du modèle DDOM défini et du process mining alimente cette analyse des causes.
Predictive analytics : comment se projette notre modèle de fonctionnement dans les semaines et mois à venir ? Allons-nous avoir des risques de rupture et capacitaires ?
Prescriptive analytics : quelles mesures devons-nous prendre : devons-nous positionner des ajustements sur nos buffers, ajuster nos capacités, modifier nos buffers ?
Cette plateforme de business intelligence incorporée s’enrichit en permanence des retours d’utilisateurs, pour toujours plus de simplicité et plus d’assistance et d’automatisation dans les recommandations d’adaptation. Nous partagerons prochainement dans ces colonnes quelques exemples d’analyses descriptives, de diagnostics, de projections prédictives et de recommandations qui en découlent – stay tuned !
