Figure 1
et externe (mauvaises facturations fournisseurs, transporteurs…)
L’entrepôt, un moteur d’optimisation
au centre de la Supply Chain Aux bornes d’un écosystème complexe incluant fournisseurs, transporteurs et clients destinataires, la planifi cation des opérations de l’entrepôt est sou- vent complexe. La synchronisation des équipes de réception, de préparation et d’expédition, phasée avec les plans de réception et d’expédition en garantissant une dispo- nibilité produit élevée nécessite l’intégration de don- nées de sources multiples : plans de cadence fournis- seurs et clients, niveaux de stocks, disponibilité des ressources physiques et matérielles. La capacité des outils Big Data à agréger des données provenant des TMS, WMS, et Workforce Management tools permet de relever ce défi .
Au-delà des leviers d’optimisation des fl ux ou d’amélioration de la qualité, les outils Analytics permettent aussi l’identifi cation des principaux inducteurs de coûts de l’entrepôt : les profondeurs des assortiments commerciaux, la diversité des produits intégrés ainsi que les fréquences d’appro- visionnement et d’expédition, sont autant d’élé- ments qui pèsent sur la performance économique des entrepôts. Pour chacun, une analyse fi ne des impacts de ces facteurs sur la structure de coût de l’entrepôt permettra l’identifi cation de leviers d’optimisation plus globaux de la Supply Chain.
La démarche Analytics en entrepôt Pour tirer parti de ces différents cas d’usage, il ne faut pas se doter simplement d’un outillage. Il s’agit de mettre en œuvre une démarche complète
qui repose sur 4 piliers : Le socle technologique pour collecter les données notamment en provenance des WMS ou d’objets connectés (AGV, automates, etc.), stocker les données (entrepôt de données ou « Data Lake »), les structu- rer et les traiter. Une stratégie d’internalisation ou d’externalisation de l’infrastructure technologique devra être défi nie. Un écosystème existant, riche de fournisseurs de solution de stockage, de distribution
et d’application pourra être exploité. Des compétences spécifi ques pour être en capa- cité de traduire les cas métier en algorithmes (expert métier, Data Scientist), intégrer et structurer les don- nées adéquates (Data Analyst), créer les interfaces de reporting, etc. Cette question des compétences est clé car elles ne se trouvent généralement pas nativement dans les équipes logistiques opérationnelles ou même au sein des équipes centrales. Le choix stratégique à opérer consiste à :
- développer les ressources existantes et à les faire monter en compétence
- acquérir des compétences extérieures, avec la question de leur disponibilité sur le marché et du plan de carrière des experts recrutés - externaliser certaines compétences chez des parte- naires, avec le risque d’une perte de contrôle sur les
données qu’il faut bien mesurer. Un Datalab pour expérimenter et valider des hypothèses d’utilisation de la donnée, mais aussi supporter des démarches exploratoires de la don- née. Cette structure doit jouer le rôle d’incubateur d’initiatives et permettre d’assurer l’aspect prag-
matique et opérationnel des solutions envisagées. Un modèle de gouvernance adapté au contexte de l’entreprise et à son processus de décision habi- tuel. A qui faut-il déléguer le pouvoir de décision autour de la donnée : Directeur d’entrepôt, équipe logistique centrale, Directeur des Opérations ? De la même manière, un arbitrage clair est néces- saire autour de l’organisation de l’exécution des analyses : doit-on se doter d’une équipe d’experts métier/Data Scientists dans chaque entrepôt, ou bénéfi cier d’une équipe mutualisée pour tout ou partie des compétences nécessaires ? L’investissement nécessaire pour déployer l’Analytics doit être envisagé comme un véritable projet d’entre- prise, qui dépasse bien souvent les seules limites des entrepôts. Le Marketing, les prévisions, l’administra- tion des ventes, entre autres, sont traditionnellement de grands utilisateurs de données au sein de l’entre- prise et l’effort d’investissement dans l’Analytics a tout intérêt à être mutualisé. D’ailleurs, les entreprises ayant mis en place une structure Big Data & Ana- lytics centralisée obtiennent 2,5 fois plus de succès dans leur initiatives Analytics que les entreprises ayant opté pour des approches décentralisées ou non coordonnées (fi g.1, ci-dessus).
L’approche expérimentale et itérative : fail fast, succeed faster
Une fois cet environnement mis en place et ces choix structurants effectués, encore faut-il adop- ter la bonne approche pour tirer pleinement
DÉCEMBRE 2016 - SUPPLY CHAIN MAGAZINE N°110105
©2016 CAPGEMINI CONSULTING ALL RIGHTS RESERVED
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