search.noResults

search.searching

note.createNoteMessage

search.noResults

search.searching

orderForm.title

orderForm.productCode
orderForm.description
orderForm.quantity
orderForm.itemPrice
orderForm.price
orderForm.totalPrice
orderForm.deliveryDetails.billingAddress
orderForm.deliveryDetails.deliveryAddress
orderForm.noItems
vont-ils transformer le rôle de la fonction SC et accroître son infl uence dans l’entreprise ?


La Supply Chain a toujours su tirer profi t des nouvelles technologies pour améliorer l’impact et la performance de ses activités et les innovations digitales liées aux modèles prédictifs vont lui permettre d’aller encore plus loin dans l’évolution de ses processus et de ses méthodes : faire des prévisions de vente différemment, planifi er plus localement et plus fréquemment, capter les besoins clients et contribuer plus précisément à la défi nition des offres de service ou encore mieux anticiper les besoins de maintenance…


L


es révolutions digitales sont mainte- nant concrètes dans les entre- prises. Certaines investissent des montants importants dans la conduite de POC (Proof Of Concept) pour tirer profi t des nouvelles technologies et faire évoluer leur proces- sus métiers, d’autres ont déjà changé leur « business model », leur processus et leur organisation avec des résultats fl agrants sur leur performance et un avan- tage concurrentiel certain.


Les modèles prédictifs : une révolution dans la façon de prévoir les ventes, les besoins clients ou encore la maintenance d’infrastructures et de matériels ?


Les modèles prédictifs qui exploitent de grandes quantités de données pour identifi er et prévoir des risques et des opportunités de ventes liées à des comportements ou des événements, déjà très répandus dans les services fi nanciers et assurantiels, sont de plus en plus utilisés dans l’industrie.


Dans le cadre de la réalisation de prévisions de ventes, les modèles prédictifs se basent sur des algorithmes qui analysent des données de ventes


historiques et transactionnelles, intégrant également des don- nées exogènes aux mar- chés (ex. climat, événe- ments…), et fournissent des tendances sur les ventes prévision- nelles que les com- merciaux peuvent alors exploiter. Ces modèles tendent à optimiser


le temps


passé par les équipes de vente à réaliser des prévisions selon les méthodes existantes, souvent complexes et lourdes à administrer, et les focaliser ainsi sur leurs actions de promotion, de dimen- sionnement de stocks et de gestion de la relation clients.


Dans le secteur de l’agroalimentaire par exemple, la fi nesse des prévisions et l’adaptation de la planifi cation des chaînes de production infl uent directement sur les coûts de revient et, au fi nal, sur les marges et la profi tabilité. Des solutions d’analyse prédictive se déploient dans ce secteur pour analyser la consommation au plus près des segments de marché et assurer une planifi ca- tion en temps réel de la production ainsi qu’une adaptation des assortiments et des plans promos plus fréquente. Ces pratiques décentralisent le processus de prévisions de vente vers les com- merciaux et on constate qu’une fois déployées, elles peuvent avoir un impact très fort sur la fi abilité des prévisions de stocks (+20 % dans certains cas analysés en France).


Flavien Lamarque Associé de Mews Partners en charge de la practice Operations fl avien.lamarque@mews-partners.com


88


Dans cet autre cas d’une chaîne de restaurants, les données de ventes sont consolidées dans un datawarehouse avec les données propres à chaque


N°114  SUPPLY CHAIN MAGAZINE - MAI 2017


Supply Chain ou Digital Chain, comment les modèles prédictifs


©MEWS PARTNERS


©BILLIONPHOTOS.COM-FOTOLIA


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