8 aspects sources de croissance dans votre chaîne d'approvisionnement

Introduction

L’analytique n’est pas une solution miracle qui vous permettra de décharger un cargo coincé en mer, d’embaucher plus de chauffeurs pour vos expéditions ou de trouver une solution à toutes les perturbations engendrées par la pandémie.

Ce que l’analytique peut faire, c’est vous aider à vous concentrer sur vos clients et à améliorer vos performances financières, en vous permettant de vous adapter, en temps réel, à l’évolution de la demande et aux perturbations imprévues.

Grâce à l’analytique, vous pouvez enfin centrer votre chaîne d’approvisionnement sur le client, et surpasser vos concurrents. Selon Supply Chain Quarterly, ce type d’approche permet de générer croissance 13 % supérieure à celle des autres entreprises du secteur.

Mais pour cela, comprendre ce dont vos clients ont besoin, et cela passe par une analyse des données.

Et ce n’est pas chose facile.

Les besoins des clients évoluent constamment, ce qui influe sur la précision des prévisions de la demande. Les changements dans le comportement d’achat des clients ont souvent un effet dévastateur sur la gestion des stocks et des assortiments, deux aspects qui dépendent de la disponibilité et du bon fonctionnement des machines.

Ainsi, bien que l’analytique ne puisse pas vous aider à décharger des cargos, à embaucher des chauffeurs ou à mettre fin aux perturbations, elle peut vous aider à gérer certains aspects essentiels de votre chaîne d’approvisionnement.

Dans ce document, nous examinerons huit aspects clés sur lesquels vous concentrer pour améliorer votre chaîne d’approvisionnement, les obstacles que vous pourriez rencontrer et les mesures à prendre pour atteindre vos objectifs et surpasser vos concurrents :

Domaines d’intérêt

Prédiction de la demande

Objectifs

• Réagir face aux achats panique, aux changements de la demande et aux pénuries de matières premières
• Optimiser les données et processus d’analyse de la chaîne d’approvisionnement pour faciliter l’adaptation

Obstacles

• Absence de vision claire sur les comportements de consommation des clients
• Forte dépendance des prestataires en charge des processus de la chaîne d’approvisionnement

Actions possibles

• Rationalisation des processus, nouveaux et existants, pour améliorer l’exactitude et la ponctualité des prévisions
• Automatisation et centralisation des données et des processus analytiques pour améliorer la transparence et faciliter l’accès

Exemple

• 7-Eleven

Évaluation des performances

Objectifs

• Comprendre l’influence des tendances du marché sur le chiffre d’affaires, la marge et la croissance
• Collecter des métriques pour évaluer la qualité et l’efficacité des projets analytiques, notamment leur productivité, leur valeur métier et leur délai de rentabilité

Obstacles

• Manque d’accès aux informations sur la demande interne et externe
• Analyse supplémentaire nécessaire pour évaluer la productivité, la valeur métier et le délai de rentabilité

Actions possibles

• Centralisation des actifs et processus analytiques de l’entreprise et démocratisation des accès
• Collaboration avec les équipes afin de créer des processus automatisés et un reporting planifié pour les métriques clés

Exemple

• Amway

Déploiement de prévisions prescriptives

Objectifs

• Déterminer l’incidence des évolutions du marché et de la volatilité de l’approvisionnement sur la réputation de l’entreprise et la valeur de la marque
• Utiliser des données historiques et en temps réel pour les applications métier, le machine learning, la data science et la modélisation prédictive

Obstacles

• Regroupement et rapprochement chronophages des données issues de plusieurs services pour créer une analyse de la réputation et de la valeur
• Manque de budget, de personnel (spécialisé ou non) ou de ressources pour intégrer l’information en temps réel, la data science, le machine learning et la modélisation prédictive

Actions possibles

• Automatisation analytique avec Server pour centraliser et gérer les informations et l’analytique entre les différents services
• Développement des compétences du personnel et accélération des insights grâce au machine learning

Exemple

• Bridgestone

Optimisation de la visibilité dans l’organisation

Objectifs

• Accroître la visibilité de toutes les parties impliquées sur les performances des services (ventes, service client, opérations, etc.) et mesurer la façon dont chaque service réagit aux changements et à la volatilité du marché
• Évaluer le rendement des assortiments ainsi que le niveau des stocks et rationaliser la gestion des stocks, l’approvisionnement et la gestion des matériaux de fabrication

Obstacles

• Préparation et analyse chronophages des données, et nécessité d’intégrer et comprendre les facteurs découlant des fluctuations de la demande pour le reporting
• Multiplication des types de données et systèmes utilisés par les détaillants, fournisseurs et partenaires pour suivre le niveau des stocks, les matériaux et les assortiments

Actions possibles

• Autonomisation de chaque service afin d’automatiser les processus de génération de rapports et d’envoyer les résultats vers un tableau de bord centralisé
• Identification des plateformes analytiques capables d’importer plusieurs types de données et d’automatiser facilement leur traitement et leur analyse en vue du reporting

Exemple

• Coca-Cola

Exactitude des prévisions et optimisation des stocks

Objectifs

• Optimiser sur le long terme les stocks de matières premières pour répondre à la demande
• Évaluer l’exactitude des prévisions en fonction des commandes de détail et des expéditions d’approvisionnement

Obstacles

• Difficulté à prédire les variations de la demande, pouvant entraîner des problèmes d’approvisionnement des stocks et de satisfaction client
• Nécessité de modifier les processus en permanence et d’effectuer des modélisations prédictives pour générer des prévisions et les adapter

Actions possibles

• Accélération de la génération d’insights pour signaler les problèmes de stock et suivre le niveau des inventaires
• Automatisation de la modélisation en machine learning pour mettre au diapason les équipes gérant la demande et l’approvisionnement

Exemple

• Ingersoll Rand

Réduction des démarques, des ruptures de stock et des retours

Objectifs

• S’adapter aux changements soudains dans les habitudes d’achat des clients
• Augmenter la fréquence d’analyse des ventes afin de limiter les démarques, les ruptures de stock et les retours

Obstacles

• Décalage entre les besoins des sites et les livraisons de produits
• Processus analytiques actuels se basant sur un échantillon réduit des stocks pour la génération d’insights et la modélisation prescriptive pour l’ensemble des références

Actions possibles

• Augmentation de la fréquence d’analyse des ventes pour comprendre ce que les clients achètent en temps réel
• Développement de la capacité d’analyse et automatisation des processus clés pour utiliser les données de 100 % des références afin de créer des rapports précis sur les stocks

Exemple

• The Home Depot

Identification des besoins en maintenance

Objectifs

• Surveiller et gérer les tâches de maintenance afin d’améliorer la fiabilité des actifs et la planification de l’entretien des machines et des pièces
• Mesurer l’impact du service machines sur les ventes, le service client et la satisfaction des consommateurs, ainsi que sur le service et la qualité des produits

Obstacles

• Processus analytiques complexes, manuels et fragmentés sur plusieurs sites, avec individualisation des rapports et des résultats
• Capacités de modélisation de la maintenance prédictive médiocres en raison d’un manque de budget et/ou de processus de reporting inefficaces entravant l’analyse prescriptive
• Temps d’arrêt des machines entraînant des retards de production coûteux

Actions possibles

• Automatisation des processus de reporting sur plusieurs sites afin d’améliorer la fiabilité des actifs et la satisfaction des clients
• Développement de processus de modélisation prescriptive grâce à une accélération du reporting et des analyses pour renforcer l’exactitude des prédictions

Exemple

• Cargill

Intégration des données sur machine

Objectifs

• Intégrer des métriques issues de sources et technologies multiples pour combler les lacunes de maintenance des machines et des actifs qui impactaient le fonctionnement
• Rationaliser l’approche technique et analytique des processus de maintenance des machines et des actifs

Obstacles

• Volume de données issues de capteurs et de machines trop important et reporting manuel des enquêtes et inspections
• Multiplicité des systèmes de stockage de données et de types de données, avec des documents parfois manuscrits et numérisés

Actions possibles

• Renforcement de la capacité à intégrer des données de types, sources et volumes différents et à numériser les informations en images et texte
• Analyse des données et exploitation des insights pour combler les lacunes en matière d’entretien et de maintenance des machines, afin de rentabiliser le fonctionnement et de satisfaire les clients

Exemple

• Systèmes pour véhicules commerciaux Bendix

Exemples de clients

7-Eleven

En savoir plus

Objectif de 7-Eleven
Tester et valider le fonctionnement d’un modèle de prévision de l’IA par rapport aux objectifs de disponibilité en rayon, avant le déploiement dans des milliers de magasins

Problématique
Le processus existant prend deux jours

Action mise en place
Automatisation des processus clés avec Alteryx

Retour sur investissement
Temps de traitement passé de 2 jours à 1 heure. Ce gain de temps permet de se concentrer sur les cas d’usage critiques pour le chiffre d’affaire

Amway

En savoir plus

Objectif d’Amway
Limiter les effets de la variation de l’offre et de la demande pour atteindre les objectifs de niveau de service et réduire les coûts

Problématique
Le modèle d’application des prévisions impliquait une préparation longue et complexe des données

Action mise en place
Automatisation du processus et développement de macros dans Alteryx pour atteindre les objectifs

Retour sur investissement
Économie de plusieurs millions de dollars sur les coûts d’inventaire des stocks de sécurité de 325 sites, tout en répondant aux objectifs liés à la demande des clients.

Bridgestone

Objectif de Bridgestone
Créer des prévisions précises, à long terme

Problématique
De nombreux types et sources de données différents étaient utilisés pour les analyses

Action mise en place
Utilisation d’Alteryx pour combiner les données sur les ventes, l’immatriculation des véhicules vendus, les concessions et les données démographiques afin de prévoir la demande sur 3 ans pour chaque groupe de magasins

Retour sur investissement
Augmentation moyenne des ventes de 3 millions de dollars par magasin et réduction des coûts liés aux commandes spéciales grâce à des prévisions plus précises

Coca Cola

En savoir plus

Objectif de Coca-Cola
Aider l’un de ses principaux partenaires à résoudre ses problématiques de stocks et développer sa catégorie Boissons avec de nouvelles idées pour les promotions, assortiments et lancements de produits

Problématique
Les employés scannaient les rayons pour les inventorier plusieurs fois par jour et fournissaient ces données aux fournisseurs manuellement, ce qui impactait la disponibilité des produits

Action mise en place
Utilisation d’Alteryx pour automatiser le processus et gérer le réapprovisionnement tout en fournissant des insights aux représentants sur le terrain afin de mettre en avant les produits les plus performants, les nouveaux produits et les promotions

Retour sur investissement 
Les ventes ont augmenté de 5 % et les ruptures de stock ont diminué de 39 %.

Ingersoll Rand

En savoir plus

Objectif d’Ingersoll Rand
Répondre rapidement aux questions relatives au niveau de stock pour un inventaire de 60 millions de dollars

Problématique
Les processus manuels empêchaient d’obtenir des réponses en temps opportun, ce qui désynchronisait l’approvisionnement et la demande, et l’approvisionnement en produits demandés n’était pas garanti

Action mise en place
Utilisation d’Alteryx pour automatiser les processus manuels et traiter les causes premières des commandes en excès ou insuffisantes

Retour sur investissement
Tous les stocks peuvent désormais être détaillés jusqu’au niveau de l’article en moins de trois minutes, facilitant une visibilité sur les facteurs impactant les stocks et sur les mesures possibles

The Home Depot

Objectif de The Home Depot
Limiter les remises, les ruptures de stock et les retours tout en augmentant la fréquence d’analyse des ventes pour 160 000 références sur 2 500 sites

Problématique
Les processus actuels utilisent des métriques pour seulement 5 % du total des marchandises toutes les deux semaines

Action mise en place
Utilisation d’Alteryx pour automatiser ses analyses et mettre à jour les métriques 10 fois par jour pour 100 % des références

Retour sur investissement
Augmentation de 4 % (3 milliards de dollars) des ventes, augmentation du résultat de plusieurs millions et doublement des marges pour chaque magasin

Cargill

En savoir plus

Objectif de Cargill

Identifier systématiquement les machines nécessitant un entretien sur les différents sites

Problématique
Les responsables de la maintenance des équipements de production de sel s’appuyaient sur un processus analytique complexe, manuel et fragmenté, dans lequel chaque site collectait, signalait et partageait les résultats manuellement, donnant lieu à un modèle de maintenance prédictive médiocre

Action mise en place
Utilisation d’Alteryx pour automatiser le processus de reporting dans son ensemble

Retour sur investissement
Accélération du délai de prévision des tâches de maintenance de 75 %, résolution proactive des problèmes avant les temps d’arrêt, réduction des retards de production et des pertes de ventes, amélioration de la fiabilité des actifs, de la planification et de l’établissement des priorités, pour permettre au personnel de gestion de la maintenance de se concentrer sur les mesures préventives

Bendix

En savoir plus

Objectif de Bendix
Améliorer la compréhension de l’important volume de données visuelles capturé par Bendix à partir des véhicules utilitaires équipés du système SafetyDirect

Problématique
Les clients utilisant ce système devaient regarder la vidéo de chaque événement survenu pendant le trajet et indiquer manuellement sa gravité

Action mise en place
Automatisation du processus et partage des workflows en interne pour classer les événements en fonction de modèles analytiques, afin de fournir immédiatement des insights aux gestionnaires des flottes de véhicules utilitaires, pour améliorer la sécurité et les performances des chauffeurs, ainsi que les programmes de maintenance préventive

Retour sur investissement
Réduction de moitié du temps de traitement et intégration de Python pour des avantages supplémentaires : désormais, tous les membres de l’équipe peuvent contribuer au développement des projets analytiques, quel que soit leur niveau de compétence ou de formation

Pour en savoir plus, consultez notre série de webinaires : Accélérer votre chaîne d’approvisionnement centrée sur le client

Télécharger le PDF