ENQUÊTE Nouvelles technos
Big Data
De la compil de données à l’automatisation des décisions
Le suivi précis du parcours client sur Internet, et plus récemment dans le supermarché d’Amazon, est la partie la plus connue des Big Data : capter tous les signaux pour connaître les moindres désirs des consommateurs et mieux les anticiper. En matière de SC, le Big Data n’en est qu’à ses débuts mais offre de grandes perspectives d’automatisation des décisions.
A
Matrice de maturité Big Data
vec l’avènement du e-commerce, la masse d’informations collectées sur les parcours clients s’est démultipliée. Et le Retail est sans doute un des sec- teurs les plus enclins à travailler sur ces sujets. Ce n’est donc pas un hasard si les édi- teurs de logiciels qui abordent le plus ce thème au niveau de la Supply Chain, comme IBM, JDA Software, Sas, Vekia… , travaillent majoritaire-
ment pour la distribution. Le but est clairement d’améliorer la justesse des prévisions de ventes pour obtenir une meilleure disponibilité produits.
3 domaines privilégiés
Mikaël Pichavant, Associé chez Mews Partners, a identifi é 3 domaines majeurs dans lesquels le Big Data trouve d’ores et déjà des applications
Chronopost modélise le risque climatique
Chronopost a mis en place en avril 2016 un échantillon de 80.000 colis qui, pendant un an, vont remonter des données sur leur température, prise toutes les 15 min, via un boîtier doté d’une puce RFID développée par la start-up Innovmobile. Dans ce projet « Colis Météo », l’expressiste s’est associé à Météo-France pour établir la corrélation entre ces mesures et ses propres analyses. « Les 1ers
résultats démontrent une corrélation forte entre les varia-
tions de températures extérieures et celles des colis. La prochaine phase du projet nous permettra d’établir un modèle statistique et d’alerte à destination de nos donneurs d’ordre. L’objectif étant de proposer à nos clients un plan de prévention », précise Géraldine Devillers, Responsable du marché Santé chez Chronopost. MR
70 N°110 SUPPLY CHAIN MAGAZINE - DÉCEMBRE 2016
concrètes en Supply Chain : les prévisions pré- dictives, le suivi de performance et le suivi et l’optimisation du transport. « La nouveauté est que des outils permettent de se brancher sur des bases hétérogènes », souligne-t-il. Les outils de B.I., entre autres, comme ceux de Qlik ou Tableau, sont en effet en mesure de collecter des informations de formats différents et de les mettre en forme de manière lisible (graphes) et dynamique (modifi cations en temps réel). En termes d’application SC, cette aptitude permet d’intégrer des variables exogènes (données clients/fournisseurs, panels, météorologiques, réseaux sociaux…), pour compléter les données internes (sorties entrepôts, de caisses…), et ainsi mieux appréhender la demande. « Chez Otto, le système de prévision statistique et prédictive a fait passer de 63 % à 11 % les produits dont l’erreur de prévision était supérieure à 20 % », illustre Mikaël Pichavant. De même, Ama- zon travaille sur sa capacité à pousser les bons produits sur ses plates-formes logistiques pour devancer la demande de ses internautes.
Le plus du temps réel
Se développent aussi les tours de contrôle (Cf. Daher, Geodis…), qui suivent les événements d’exécution en temps réel et alertent l’utilisateur en cas de franchissement de seuils pré-défi nis (ex : retard par rapport à une date théorique), qu’elles sont à présent capables de remonter d’autres systèmes. De même, Transvoyant inté- gré aux solutions de JDA Software peut suivre en temps réel la progression de véhicules tous modes confondus (navires, camions, avions…) au niveau mondial, ainsi que les données météo (ex : tempête) et les événements (ex : grève, incen- die dans un port) associés à leur trajets. Ainsi en cas d’aléa détecté (ex : cyclone), le responsable peut dérouter les navires concernés et éviter de prendre des risques et du retard dans ses livrai- sons. De son côté, DHL suit son plan de transport en temps réel (trafi c, vitesse camion, météo…), et en cas d’aléa (accident, embouteillage, manifes-
©MEWS PARTNERS
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