Michel Bruley, Teradata
Une bonne gestion de la chaîne d'approvisionnement est une exigence critique pour répondre à la demande de produits des clients. Les approches habituelles de gestion de la chaîne d'approvisionnement impliquent des analyses locales notamment en matière de stocks ou de cycle de réapprovisionnement. Malheureusement, ces approches cloisonnées tendent à augmenter les niveaux de stocks dans toute la chaîne d'approvisionnement sans améliorer de manière significative le service à la clientèle. Les nouvelles possibilités d'entreposage de données fournissent la capacité de stocker toutes les informations détaillées, de tous les événements, de toutes les étapes de la chaîne d'approvisionnement, et une analyse correcte de ces données, peut permettre d’améliorer le service à la clientèle sans accroître ni les stocks, ni globalement les coûts d’approvisionnement.
Il y a peu de techniques disponibles pour analyser quelque chose d’aussi complexe que la chaîne d'approvisionnement d'une entreprise, mais en divisant la chaîne d'approvisionnement en unités fonctionnelles discrètes, on crée des objets de gestion appelés « segments », qui peuvent être individuellement analysés. Il convient donc de distinguer différents segments, par exemple : fournisseur/usine, usine/entrepôt, entrepôt/magasin mais aussi usine/client, etc. Avec une telle approche, il est possible de modéliser n'importe quelle chaîne d'approvisionnement, du relativement simple à l’extrêmement complexe.
Le découpage de la chaîne d'approvisionnement en segments, fournit une méthode très adaptée pour analyser un produit dans toute la chaîne, des matières premières au client final. La segmentation permet ainsi de prévoir et d’éliminer de façon proactive les situations de rupture de stocks ; d’évaluer les niveaux réels et projetés de service à la clientèle ; de modéliser dynamiquement les durées de cycle ; d’identifier et d’agir de façon proactive sur les expéditions potentiellement en retard ; d’analyser les conditions à remplir par la chaîne d'approvisionnement pour répondre à la demande des clients ; d’identifier les taches critiques et les goulots d'étranglement de la chaîne d'approvisionnement ; de planifier et de mettre en place les bons niveaux et les bonnes allocations en matière de stock de sécurité ; d’analyser en détail les meilleurs et les pires performances réelles.
Une des incertitudes les plus problématiques dans l’analyse de la chaîne d'approvisionnement est la variabilité de la demande client. En plus des questions standard telles que le caractère saisonnier, la fidélité client, et diverses considérations économiques, les programmes traditionnels de gestion des stocks, tendent à créer des variations-parfois artificielles de demande, désignées sous le nom d’effet accordéon. Ce type d’effet surgit quand la variabilité de la demande est appréhendée au travers des ordres locaux. En effet la prise en compte pour fixer un ordre de la notion de quantité économique, se traduit à certaines occasions, par la fixation d’un ordre d’un montant supérieur qui couvre plusieurs jours ou valeur de semaines de la demande. Naturellement ces ordres plus importants, même peu fréquents, sont pris en compte par les fournisseurs, dans leur approche de la variabilité de la demande, créant une exigence supérieure de niveau pour assurer la sécurité de leur activité.
Pour relever les défis cités plus haut, il convient de s’appuyer sur une solution qui tire profit des technologies de l'entreposage et de l’analyse de données, pour optimiser la gestion de la chaîne d'approvisionnement. Il s’agit de pouvoir analyser les données détaillées de l'écoulement des produits dans la chaîne, et de les transformer en information métiers adéquates, pour surveiller et maîtriser entièrement tous les aspects de la fonction logistique, par une approche globale qui permet d’harmoniser, de synchroniser et d'accélérer les flux physiques. Concrètement il faut une solution qui intègre une capacité de modélisation prédictive, qui permet une gestion plus efficace des principaux vecteurs analytiques de la demande et de la durée du cycle, qui propose également une cartographie visuelle, des tableaux de bord exécutifs, des tableaux de bord prédictifs ou «balanced scorecards», un analyseur de scénarios et des fonctions d'alerte.
Il s’agit de permettre aux responsables, de mieux utiliser leurs systèmes existants, et d’assurer via l’entrepôt de données une visibilité totale à tous les niveaux, des canaux commerciaux et de l'entreprise étendue. Cette approche utilise les données détaillées, afin d'assurer une prise en charge précise des environnements logistiques complexes, et par exemple d’assumer des tâches comme recalculer en permanence au niveau de l'article individuel l'intégralité de la chaîne d'approvisionnement, dans le cadre de réseaux logistiques simples ou complexes. Grâce à un entrepôt de données d’entreprise, l’intégration de données issues des différentes fonctions, offre une base remarquable pour l'analyse et l'optimisation de la chaîne d'approvisionnement.
Teradata a une très grande expérience de la mise en œuvre d’entrepôts de données en général, et dans ce domaine de la chaîne d’approvisionnement des références comme Ford, GM Vector ou Anheuser – Busch’s sont particulièrement remarquables. Pour aller plus loin sur ce sujet, vous pouvez utilement consulter le lien ci-dessous :
http://www.teradata.com/supply-chain-management
Il y a peu de techniques disponibles pour analyser quelque chose d’aussi complexe que la chaîne d'approvisionnement d'une entreprise, mais en divisant la chaîne d'approvisionnement en unités fonctionnelles discrètes, on crée des objets de gestion appelés « segments », qui peuvent être individuellement analysés. Il convient donc de distinguer différents segments, par exemple : fournisseur/usine, usine/entrepôt, entrepôt/magasin mais aussi usine/client, etc. Avec une telle approche, il est possible de modéliser n'importe quelle chaîne d'approvisionnement, du relativement simple à l’extrêmement complexe.
Le découpage de la chaîne d'approvisionnement en segments, fournit une méthode très adaptée pour analyser un produit dans toute la chaîne, des matières premières au client final. La segmentation permet ainsi de prévoir et d’éliminer de façon proactive les situations de rupture de stocks ; d’évaluer les niveaux réels et projetés de service à la clientèle ; de modéliser dynamiquement les durées de cycle ; d’identifier et d’agir de façon proactive sur les expéditions potentiellement en retard ; d’analyser les conditions à remplir par la chaîne d'approvisionnement pour répondre à la demande des clients ; d’identifier les taches critiques et les goulots d'étranglement de la chaîne d'approvisionnement ; de planifier et de mettre en place les bons niveaux et les bonnes allocations en matière de stock de sécurité ; d’analyser en détail les meilleurs et les pires performances réelles.
Une des incertitudes les plus problématiques dans l’analyse de la chaîne d'approvisionnement est la variabilité de la demande client. En plus des questions standard telles que le caractère saisonnier, la fidélité client, et diverses considérations économiques, les programmes traditionnels de gestion des stocks, tendent à créer des variations-parfois artificielles de demande, désignées sous le nom d’effet accordéon. Ce type d’effet surgit quand la variabilité de la demande est appréhendée au travers des ordres locaux. En effet la prise en compte pour fixer un ordre de la notion de quantité économique, se traduit à certaines occasions, par la fixation d’un ordre d’un montant supérieur qui couvre plusieurs jours ou valeur de semaines de la demande. Naturellement ces ordres plus importants, même peu fréquents, sont pris en compte par les fournisseurs, dans leur approche de la variabilité de la demande, créant une exigence supérieure de niveau pour assurer la sécurité de leur activité.
Pour relever les défis cités plus haut, il convient de s’appuyer sur une solution qui tire profit des technologies de l'entreposage et de l’analyse de données, pour optimiser la gestion de la chaîne d'approvisionnement. Il s’agit de pouvoir analyser les données détaillées de l'écoulement des produits dans la chaîne, et de les transformer en information métiers adéquates, pour surveiller et maîtriser entièrement tous les aspects de la fonction logistique, par une approche globale qui permet d’harmoniser, de synchroniser et d'accélérer les flux physiques. Concrètement il faut une solution qui intègre une capacité de modélisation prédictive, qui permet une gestion plus efficace des principaux vecteurs analytiques de la demande et de la durée du cycle, qui propose également une cartographie visuelle, des tableaux de bord exécutifs, des tableaux de bord prédictifs ou «balanced scorecards», un analyseur de scénarios et des fonctions d'alerte.
Il s’agit de permettre aux responsables, de mieux utiliser leurs systèmes existants, et d’assurer via l’entrepôt de données une visibilité totale à tous les niveaux, des canaux commerciaux et de l'entreprise étendue. Cette approche utilise les données détaillées, afin d'assurer une prise en charge précise des environnements logistiques complexes, et par exemple d’assumer des tâches comme recalculer en permanence au niveau de l'article individuel l'intégralité de la chaîne d'approvisionnement, dans le cadre de réseaux logistiques simples ou complexes. Grâce à un entrepôt de données d’entreprise, l’intégration de données issues des différentes fonctions, offre une base remarquable pour l'analyse et l'optimisation de la chaîne d'approvisionnement.
Teradata a une très grande expérience de la mise en œuvre d’entrepôts de données en général, et dans ce domaine de la chaîne d’approvisionnement des références comme Ford, GM Vector ou Anheuser – Busch’s sont particulièrement remarquables. Pour aller plus loin sur ce sujet, vous pouvez utilement consulter le lien ci-dessous :
http://www.teradata.com/supply-chain-management
