Quatre axes pour construire une chaîne logistique plus résistante
Les chaînes logistiques modernes sont d'une grande complexité et leur niveau de résistance est souvent source de risque pour les entreprises. Difficile d'imaginer un choc plus brutal sur la logistique que celui de la pandémie de coronavirus et de son impact sur l'offre et la demande. Selon une étude récente, 81% des entreprises dépendent de fournisseurs chinois, où l'épidémie a démarré. Tous les échanges réels se sont interrompus.
L'impact est mondial et ressenti directement et indirectement. Par les temps qui courent, avoir une chaîne logistique solide sur laquelle on peut compter peut avoir une influence décisive pour déterminer quelles entreprises seront toujours là d’ici un an.
Alors par où commencer pour renforcer sa chaîne logistique ? Pour le cabinet McKinsey, les entreprises doivent d’abord commencer par évaluer la demande réelle, estimer les stocks disponibles pour toute la chaîne et gérer la trésorerie et le fonds de roulement net. Ces actions, simplement listées sur le papier, nécessitent en fait beaucoup de données. Cependant, la plupart de ces données sont bloquées dans des méandres techniques. Voici quatre axes d’amélioration pour faciliter l’interprétation des données.
1. Rassembler les données
Dans la plupart des entreprises, les données nécessaires à chaque fonction sont organisées en silo. Les données financières se trouvent donc dans le système financier, les données clients dans le système de gestion de la relation client.
Ce type d’organisation dispersée n’est pas nécessairement le plus pratique dans le contexte d’incertitudes que nous traversons actuellement. Il n’est pas toujours simple de savoir où les données dont on a besoin sont accessibles. De ce fait, une chaîne logistique qui semblait jusqu’à présent robuste peut, en temps de crise, s’avérer beaucoup plus fragile qu’elle n’y paraît. Pour gagner en visibilité, il faut donc travailler à casser les silos et à rassembler les données.
Certaines organisations, avancées sur le sujet, disposent de ce fait d’une bonne vision de leurs bases de données, mais elles n’ont pas toujours un accès direct à toutes leurs données décisionnelles. Construire une base de données décisionnelles demande du travail et du temps. Un temps dont on dispose de moins en moins dans le monde d'aujourd'hui.
2. Commencer par les questions dont on a besoin
Il existe de nombreuses questions qui peuvent se poser. “Quels sont les produits qui dépendent d'un seul fournisseur ? Comment peut-on définir les priorités et renforcer la chaîne d'approvisionnement pour ces produits ? Comment la demande des clients évolue-t-elle par rapport aux zones géographiques et aux revenus ? Où peut-on optimiser les fonds de roulement ?” A-t-on la possibilité d’aller d’aller plus loin en termes de données granulaires et pas uniquement rester sur les moyennes et les plus grands volumes d’échanges ?
Le challenge est de pouvoir donner du sens à toutes ces questions en accédant aux bonnes informations. Il faut donc pouvoir identifier l’origine des données dont on a besoin pour répondre à toutes les questions que l’on se pose. Pour les rendre accessibles, certaines entreprises choisissent d’utiliser une plateforme d’analyse et de BI capable de gérer les recherches depuis plusieurs sources. Il faut donc penser en termes de données, pas de systèmes. Le but n'est pas de construire une base de données, mais de pouvoir répondre instantanément à n'importe quelle question, obtenir des insights et prendre les bonnes décisions.
3. Améliorer le temps de réaction
Certes, obtenir une vision 360° de l’entreprise en rassemblant ses données est un bon début, mais ceci est nettement insuffisant pour passer à l’étape suivante et créer de la valeur. En cette période de coronavirus avec beaucoup d’entre nous en télétravail, c'est un véritable enjeu que l'ensemble des personnes dédiées au business aient la capacité de prendre des décisions sans être dépendants d’un data scientist et donc de poser leurs questions à n'importe quel moment de la journée.
Alors que la tendance est à l’exploitation des données décisionnelles, dans la plupart des entreprises, leur accès est réservé aux analystes experts. Les autres se contentent de rapports ou tableaux de bord publiés par ces analystes sur des problématiques récentes.
La force d’une chaîne logistique ne consiste pas seulement à poser les bonnes questions et à planifier, mais aussi à permettre d’agir rapidement. Si chaque question posée doit être traitée par un analyste, il devient difficile de prendre des décisions rapidement et d’obtenir des réponses. et il est très difficile de pouvoir trouver les insights qui seraient enfouis dans les données collectées.
Dans une étude récente du cabinet McKinsey, un peu moins de 50% des sondés ont déclaré qu'ils étaient capables de prendre des décisions dans les temps, mais 61% d’entre eux ont précisé que la moitié du temps passé à prendre ces décisions était improductif. Dans un environnement analytique classique, il faudra répondre à chaque question avant de pouvoir passer à la suivante, ce qui peut prendre des semaines. Une solution d'analyse de données moderne, construite avec les mêmes technologies que Google et Amazon, peut quant à elle changer la donne en répondre à une myriade de questions instantanément.
4. Aller plus loin grâce à l’intelligence artificielle et au machine learning
Souvent, on ne sait pas quelle est la bonne question à poser. Même si une approche classique permet de trouver des réponses, il peut être long et fastidieux d’obtenir un résultat si la réponse recherchée est cachée dans une montagne de données.
Au delà d’apporter des réponses, l’intelligence artificielle et le machine learning peuvent aider à trouver les bonnes questions que l’on doit se poser. Au lieu de demander à un analyste d'exécuter 20 000 calculs pour obtenir un seul résultat, une plateforme d’analyse, si elle en est technologiquement capable, peut permettre d’explorer les données en quelques secondes.
C'est une période difficile pour la plupart des entreprises. Celles qui réussiront à trouver les insights enfouis dans leurs données grâce à une méthodologie d’analyse renforcée par l’intelligence artificielle et le machine learning en ressortiront plus fortes.