Big Data & Analytics
Une réponse pertinente aux enjeux des performances des entrepôts
Selon une étude récente menée par Capgemini Consulting, 90% des dirigeants d’entreprise considèrent les outils du Big Data & Analytics comme des éléments clés de leur transformation digitale. En revanche, seuls 23% de ces mêmes dirigeants estiment que les données issues de leur Supply Chain sont correctement analysées et valorisées pour améliorer la performance de l’entreprise. Au sein de la Supply Chain, l’entrepôt occupe une place centrale dans l’exécution des opérations logistiques. Les coûts engendrés par la complexité des processus et le poids des infrastructures représentent jusqu’à 50% à 60% des coûts totaux d’une Supply Chain. Est-ce que l’Analytics appliqué à l’entrepôt permet de franchir un palier supplémentaire dans la réduc- tion des coûts et l’augmentation du niveau de service, en complétant les démarches classiques d’amélioration de la performance ?
Q u’est-ce que l’Analytics ? C’est la
recherche, l’interprétation et la mise en forme de signaux exploitables par les opérationnels dans un jeu de données à fort volume, forte variété et en temps réel. L’Ana- lytics se situe à la frontière de la statistique, de la programmation et de la recherche opération- nelle. Les cas d’usage en entrepôt sont nombreux et couvrent l’ensemble du périmètre fonctionnel de l’entrepôt : de la planifi cation des ressources physiques et matérielles à l’exécution de la pré- paration des commandes, en passant par les contrôles qualités et l’ingénierie d’implantation.
Un large panel d’opportunités couvert par les outils Analytics
Les données de production issues du WMS sont une source importante d’informations pour la compréhension du fonctionnement des proces- sus opérationnels et la détection des causes de sous-performance. La puissance exploratoire des outils Analytics peut permettre l’identifi ca- tion de causes de non performance au sein de la masse de données constituée par l’ensemble des systèmes de captation de l’entrepôt (balises de process, identifi cation physique, …). Ainsi, la détection des causes racines de non productivité effectuée à travers le croisement des données issues des enregistrements de préparation et de d’approvisionnement picking a permis d’amé-
liorer la productivité des équipes de préparation de plus de 12 % d’un acteur logistique référent en France. L’implantation des produits dans les pickings et dans les zones de stockage est aussi un élément clé de la productivité de préparation de l’en- trepôt. Là où les outils traditionnels sont rapi- dement contraints par leur capacité à intégrer un nombre multiple de paramètres, les outils Analytics permettent d’identifi er la localisa- tion optimale en intégrant les contraintes de trafi c, de disponibilité des volumes de stockage et d’assortiment. Une rationalisation de circuits de picking effectuée à travers la modélisation des contraintes d’implantation a amélioré de 6% à 8% la productivité de préparation pour un acteur majeur du Retail, sur ses plates-formes de préparation de commandes. L’amélioration de la productivité n’est pas le seul cas d’usage en entrepôt : l’Analytics permet l’identifi cation des conditions qui génèrent des défauts de qualité le long de la chaîne de valeur de l’entrepôt, qui sont autant de sources d’in- satisfaction client en aval de l’entrepôt et par- fois de coûts annexes importants (re-livraisons, avoirs, litiges…). On peut citer par exemple la recherche des causes d’erreurs de réapprovision- nement picking (faibles quantités, stock à 0, …), d’erreurs dans la préparation de commandes ou lors de l’expédition, mais aussi de fraude interne
Gérald Murat Directeur Excellence Opérationnelle Capgemini Consulting
Gerald.murat@
capgemini.com
104 N°110 SUPPLY CHAIN MAGAZINE - DÉCEMBRE 2016
Sébastien Neyme Managing Consultant Excellence Opérationnelle Capgemini Consulting
Sebastien.neyme@
capgemini.com
©CAPGEMINI CONSULTING
©CAPGEMINI CONSULTING
Page 1 |
Page 2 |
Page 3 |
Page 4 |
Page 5 |
Page 6 |
Page 7 |
Page 8 |
Page 9 |
Page 10 |
Page 11 |
Page 12 |
Page 13 |
Page 14 |
Page 15 |
Page 16 |
Page 17 |
Page 18 |
Page 19 |
Page 20 |
Page 21 |
Page 22 |
Page 23 |
Page 24 |
Page 25 |
Page 26 |
Page 27 |
Page 28 |
Page 29 |
Page 30 |
Page 31 |
Page 32 |
Page 33 |
Page 34 |
Page 35 |
Page 36 |
Page 37 |
Page 38 |
Page 39 |
Page 40 |
Page 41 |
Page 42 |
Page 43 |
Page 44 |
Page 45 |
Page 46 |
Page 47 |
Page 48 |
Page 49 |
Page 50 |
Page 51 |
Page 52 |
Page 53 |
Page 54 |
Page 55 |
Page 56 |
Page 57 |
Page 58 |
Page 59 |
Page 60 |
Page 61 |
Page 62 |
Page 63 |
Page 64 |
Page 65 |
Page 66 |
Page 67 |
Page 68 |
Page 69 |
Page 70 |
Page 71 |
Page 72 |
Page 73 |
Page 74 |
Page 75 |
Page 76 |
Page 77 |
Page 78 |
Page 79 |
Page 80 |
Page 81 |
Page 82 |
Page 83 |
Page 84 |
Page 85 |
Page 86 |
Page 87 |
Page 88 |
Page 89 |
Page 90 |
Page 91 |
Page 92 |
Page 93 |
Page 94 |
Page 95 |
Page 96 |
Page 97 |
Page 98 |
Page 99 |
Page 100 |
Page 101 |
Page 102 |
Page 103 |
Page 104 |
Page 105 |
Page 106 |
Page 107 |
Page 108 |
Page 109 |
Page 110