La Supply Chain est aux marchandises et matières premières ce que la Data Science est aux données. Il n’y a qu’à voir la définition d’une Supply Chain – chaîne d’approvisionnement – : on croirait lire la définition des Data Science.
Pourquoi ? La Supply Chain désigne la gestion, l’approvisionnement, le logement, l’exploitation et le transport de matières premières et marchandises par une entreprise. Les Data Science visent à faire exactement la même chose avec les données. Il est donc indéniable que les deux processus peuvent bénéficier l’un de l’autre.
Pourquoi a-t-on besoin de Data Science en matière de Supply Chain ?
La Supply Chain souffre de biens des problèmes de logistique. Les Supply Chain managers rêvent d’optimiser leurs chaînes d’approvisionnement en plusieurs points : que ce soit au niveau du volume de stockage, de la gestion des transports, du choix des fournisseurs… Vous l’aurez compris, la Supply Chain est souvent imparfaite, et l’optimiser est devenue une obsession pour réduire les coûts et simplifier la logistique dans les entreprises.
Les problèmes que doivent résoudre les Supply Chain Manager sont nombreux… D’abord, il faut faire en sorte que l’espace des entrepôts soit au maximum exploité, sans pour autant dépasser leur capacité de stockage.
Ensuite, il faut gérer les stocks : l’utilisation d’un logiciel de gestion d’entrepôt est obligatoire, et doit être alimenté en permanence par les données venant des fournisseurs et de la vente.
Un des plus grands problèmes en matière de Supply Chain est la coordination. Le Supply Chain Manager doit s’aligner avec les autres départements de l’entreprise pour remplir l’objectif premier de la Supply Chain : la commande doit arriver à temps et de la façon convenue chez le client. Pour cela, les données venant de tous les départements (département commercial, juridique, logistique) doivent être mises en parallèle pour contribuer à l’efficacité globale de la Supply Chain. Finalement, à l’ère du Big Data, les données massives collectées sur chaque maillon de la Supply Chain (fournisseurs, stockage, transports, clients) sont analysées dans le but de prendre du recul sur des Supply Chain parfois impressionnantes, et les optimiser au mieux.
Comment optimiser la Supply Chain grâce aux Data Science ?
Si certains choisissent les relocalisations, pour des raisons certes économiques et environnementales, mais aussi pour simplifier leurs chaînes de valeurs, d’autres misent sur la précision des Data Science pour optimiser leurs Supply Chain.
Effectivement, la data s’est invitée dans le monde très complexe des Supply Chain. La chaîne d’approvisionnement ordinaire est progressivement devenue la « Supply Chain 4.0 » ou « Supply Chain Connectée ». Plusieurs méthodes existent pour mettre la Data au service de l’efficacité des chaînes d’approvisionnement :
- Faire appel à un éditeur de solutions logistiques qui met à disposition des entreprises des Data Labs ouverts à leurs clients. Dans ces Labs se trouvent des ingénieurs Data spécialisés en Supply Chain que les entreprises peuvent missionner ponctuellement pour résoudre des problématiques logistiques.
- Employer des Supply Chain Data Scientists / Analysts. De plus en plus d’entreprises comptent parmi leurs employés des Data Scientists et Data Analysts spécialisés en chaînes logistiques. Ils viennent assurer la coordination entre les données des différents services.
Quels sont les résultats effectifs de la transformation digitale des entreprises sur leur Supply Chain ?
Le premier résultat est bien sûr technologique. Nombreuses sont les entreprises qui ont développé de nouvelles plateformes technologiques, faites sur mesure pour leurs propres Supply Chains, grâce aux Data Science et aux outils de l’Intelligence Artificielle.
Par exemple, IKEA a équipé ses entrepôts de tablettes destinées aux clients, qui leur servent à remplir des paniers virtuels en temps réel. Les tablettes sont directement liées au logiciel de stockage d’IKEA, et suggèrent d’autres produits si les produits sélectionnés ne sont plus disponibles, ou bien notifient le département commercial qu’il y a beaucoup de demande pour tel ou tel produit, grâce à des algorithmes de Machine Learning. C’est une manière d’optimiser les volumes de production, l’espace de stockage et le processus de vente.
La Data Science permet également d’améliorer la relation client. En matière de Supply Chain, il est primordial de segmenter la clientèle : c’est ce que le Machine Learning permet de faire, de manière précise et automatisée. En effet, cette technologie de l’intelligence artificielle a pour but d’adapter l’offre à la demande, et donc sert surtout à optimiser le dernier maillon de la Supply Chain : la vente. Le client se verra offrir des offres promotionnelles et des services, qui se basent sur ses précédents achats et goûts, et qui ont pour but de rendre l’expérience client meilleure.
Quels sont les algorithmes utilisés pour l’optimisation des Supply Chains ?
Les 3 types d’algorithmes utilisés en Machine Learning peuvent servir pour l’amélioration des chaînes d’approvisionnement.
L’apprentissage non supervisé :
- Il se base sur des séries de données pour « créer des clusters », ou autrement dit, grouper les clients aux modes de consommation similaires. Ensuite, le Data Scientist peut analyser ces données et proposer d’appliquer certaines techniques commerciales sur ces clients, en se basant sur leur historique commercial.
- Il identifie les données qui ont des conséquences importantes sur l’efficacité de la chaîne logistique. Encore une fois, le Data Scientist prend la décision d’agir de telle ou telle manière en vue du diagnostic établi par le Machine Learning.
L’apprentissage supervisé :
C’est l’homme, et plus spécifiquement le Data Engineer, qui sélectionne les données qui vont être analysées par cet algorithme. Par exemple : une entreprise qui vend des glaces va vouloir analyser la conséquence de la variation des températures sur les ventes selon les zones géographiques. L’algorithme ne diagnostique pas l’impact de la donnée dans ce cas : il analyse son impact diagnostiqué par l’homme. L’algorithme supervisé est donc utilisé pour ses capacités de calculs à partir de volumes de données massifs.
L’apprentissage par renforcement :
Ce mécanisme de Deep Learning correspond au processus d’auto-amélioration d’un algorithme. Se basant sur son expérience et ses performances passées, l’algorithme s’améliore lui-même à chaque itération.
Tous ces algorithmes d’intelligence artificielle sont évidemment mis en place par l’intelligence humaine.
Que fait le Supply Chain Data Scientist ?
Face à ces nouvelles problématiques data qu’a posé la Supply Chain, un nouveau métier a émergé : le Supply Chain Data Analyst.
Généralement intégré au sein du service « Supply Chain Management » (direction des Supply Chains), ses tâches sont par exemple :
- Étudier les différents logiciels de comptabilisation des articles, établir un benchmark des différents logiciels existants, et choisir le plus adapté à l’entreprise.
- S’aider de Microsoft power BI[lien page formation power BI] pour analyser puis optimiser la chaîne de valeurs : par exemple en étudiant le succès de chaque article par pays pour optimiser la répartition et le stockage des articles…
- Procéder à une segmentation très précise du marché grâce à l’analyse des données venant des maillons de la Supply Chain
Et toutes les missions qui touchent aux aspects digitaux de la Supply Chain…
Les données s’accumulent de manière illimitée dans tous les secteurs d’activités. La Supply Chain ne fait pas exception : le Big Data c’est la pièce manquante à la gestion des chaînes d’approvisionnement, et la clé de réussite des grandes entreprises qui les déploient.
Vous êtes une entreprise en quête d’optimisation de vos chaînes de valeurs ? Formez vos responsables Supply Chain aux métiers de la Data Science et gagnez en efficacité !
