Les problèmes de la chaîne d'approvisionnement continuent d'affliger les organisations du monde entier et dans pratiquement tous les secteurs. Pour certains, tirer parti des outils de données et d'analyse s'avère être un moyen efficace de relever les défis.
Les perturbations des chaînes d'approvisionnement mondiales dues à la pandémie de COVID-19 ont été importantes. Comme le note le cabinet de conseil Deloitte, la libre circulation et le fonctionnement des personnes, des matières premières, des produits finis et des opérations d'usine ont été entravés. «Les chaînes d'approvisionnement directes ont rencontré des difficultés, tout comme les partenaires de la chaîne d'approvisionnement étendus tels que les fournisseurs tiers et quatrième partie – les fournisseurs des fournisseurs», explique la société.
Selon Deloitte, les entreprises sont confrontées à de multiples risques tout au long de leurs chaînes d'approvisionnement, notamment des cycles de vie des produits raccourcis et des préférences des consommateurs en évolution rapide ; l'augmentation de la volatilité et de la disponibilité des ressources ; renforcement de l'application de la réglementation et sanctions en cas de non-conformité ; et l'évolution des paysages économiques avec une importante consolidation des fournisseurs.
La technologie ne peut pas résoudre tous les problèmes de la chaîne d'approvisionnement. Les marchandises doivent être produites et déplacées d'un point à un autre. Mais les derniers outils d'analyse, alimentés par des algorithmes d'apprentissage automatique, peuvent aider les entreprises à prévoir la demande plus efficacement, leur permettant d'ajuster les opérations de production et d'expédition.
Voici comment trois organisations réussissent à utiliser l'analyse de données pour améliorer les opérations de la chaîne d'approvisionnement.
Améliorer les opérations et les relations avec les fournisseurs
Optimas Solutions, un fabricant et distributeur de fixations, utilise l'analyse de données dans trois domaines critiques pour améliorer les opérations et les relations avec ses fournisseurs et ses clients, déclare Mark Korba, vice-président de la chaîne d'approvisionnement et de l'informatique décisionnelle de l'entreprise.
Premièrement, Optimas utilise l'analyse de données en interne pour un certain nombre de fonctions, notamment l'acquisition de matériaux pour la fabrication ; prévision de la production et de la demande des clients ; améliorer l'efficacité et la précision des commandes auprès des fournisseurs ; et la gestion de son inventaire.
Tout cela a aidé Optimas à gérer et à réduire les coûts globaux en lui permettant de prendre des décisions plus intelligentes, "rendant nos chaînes d'approvisionnement plus efficaces et améliorant la gestion globale de la trésorerie", déclare Korba.
Deuxièmement, Optimas utilise l'analyse de données pour mieux collaborer avec ses clients commerciaux afin de réduire les coûts et de mieux gérer leurs stocks. Analytics aide également l'entreprise à mieux prévoir la demande et la consommation. « En étant capable d'effectuer ces types d'analyses, cela contribue constamment à réduire les coûts », déclare Korba.
Enfin, Optimas utilise l'analyse pour mieux collaborer avec les fournisseurs. "En comprenant et en gérant la demande, en particulier la demande des clients individuels, nous fournissons des données de prévision plus précises aux fournisseurs et gérons mieux nos commandes afin qu'ils puissent travailler plus efficacement pour nous", déclare Korba.
La société utilise une plate-forme appelée Service Optimizer 99+ de ToolsGroup pour la planification de la demande, l'optimisation des stocks et la planification des réapprovisionnements. La plate-forme s'intègre bien à la suite de planification des ressources d'entreprise (ERP) NetSuite d'Optimas pour exploiter les données de la chaîne d'approvisionnement, explique Korba.
"Souvent, les gens pensent que la chaîne d'approvisionnement est une chose et ce n'est pas le cas", déclare Korba. "Nous considérons la chaîne d'approvisionnement comme la somme de plusieurs parties de l'ensemble des opérations commerciales – de la compréhension de la demande des clients à la gestion des matériaux et à la fabrication ou à l'approvisionnement et aux achats, à la logistique et au transport, à la gestion des stocks et aux commandes de réapprovisionnement automatisées chez Optimas et à notre emplacements des clients.
La clé du succès réside dans la capacité de tous les outils de la chaîne d'approvisionnement utilisés par l'entreprise à fonctionner ensemble de manière transparente, pour aider à garder les clients correctement approvisionnés et à mieux gérer les coûts, la demande, les stocks, la production et les fournisseurs. Les informations fournies par l'analyse doivent résoudre des problèmes financiers tels que les flux de trésorerie et les prix du côté de l'offre et de la demande.
"Dans l'ensemble, les problèmes de chaîne d'approvisionnement que tous les outils traitent – qu'ils travaillent ensemble ou individuellement – améliorent l'efficacité, la précision de la gestion des stocks des clients, les relations avec les fournisseurs, les économies de coûts et la capacité de prévoir plus précisément et plus rapidement", déclare Korba. "L'analyse des données nous a aidés à gagner en visibilité dans toute l'organisation, même dans des endroits que nous n'aurions jamais imaginés, comme une meilleure précision avec notre cycle de conversion de trésorerie, le classement de la réactivité des fournisseurs, l'analyse du temps de réalisation des tâches ou l'évaluation de la capacité de nos clients et d'Optimas."
Les données de la chaîne d'approvisionnement ne doivent pas nécessairement résider à un seul endroit, dit Korba. « Il est important de comprendre quels systèmes ou services externes peuvent vous aider à collecter et à analyser les données dont vous avez besoin, afin qu'elles puissent devenir des informations utiles pour la prise de décision », dit-il.
Par exemple, l'utilisation d'indices de prix pour des matériaux tels que l'acier et l'emballage ou les coûts de main-d'œuvre et de transport est utile pour déterminer quand des augmentations de prix sont nécessaires. "Un meilleur accès à l'information, à l'intérieur ou à l'extérieur de l'organisation, permet une meilleure prise de décision pour Optimas et nos clients et fournisseurs", déclare Korba.
Alors qu'Optimas est devenu plus diligent en matière d'analyse de données, "nos clients et fournisseurs bénéficient d'améliorations marquées dans un certain nombre de domaines, y compris une meilleure visibilité sur l'ensemble de la chaîne d'approvisionnement", déclare Korba.
Prévoir plus efficacement la demande de produits et les besoins en stocks
CarParts.com, qui vend des pièces automobiles en ligne, utilise des outils avancés d'analyse de données et des algorithmes d'apprentissage automatique pour mieux prévoir la demande de produits et les besoins en stocks.
"Les nouvelles capacités d'analyse de données nous permettent d'être plus précis lors de la prévision de la demande pour chaque ville[and]région du pays », explique Stanislav Tatarzuk, vice-président de la planification et des prévisions des stocks.
L'entreprise utilise des modèles dérivés de l'apprentissage automatique pour déterminer où placer les stocks dans son réseau de centres de distribution, ce qui lui permet de rapprocher les produits des clients qui les souhaitent et de pouvoir livrer les pièces plus rapidement tout en économisant sur les frais d'expédition.
CarParts a déployé une plate-forme de Databricks qui lui permet de centraliser toutes les données relatives aux commandes de produits et aux stocks et d'appliquer des analyses aux données. Il exploite également des bibliothèques open source telles que XGBoost et Prophet ; une variété d'outils d'analyse ; et Apache Airflow, une plate-forme de gestion de flux de travail open source, pour l'ingénierie des données et l'automatisation des rapports.
L'optimisation des expéditions est l'un des avantages de l'utilisation de l'analyse pour mieux gérer la chaîne d'approvisionnement. "Les questions de savoir d'où expédier et comment regrouper dans une seule boîte sont complexes", déclare Tatarzuk. "L'utilisation des données en direct de nos partenaires d'expédition ainsi que de nos entrepôts nous permet d'être aussi efficaces que possible tout en utilisant des analyses avancées pour optimiser l'expédition des commandes multi-articles."
Cela permet à l'entreprise d'acheminer les articles aux clients plus rapidement, tout en réduisant les frais d'expédition. L'utilisation de ce processus a permis à CarParts de réaliser des économies importantes, dit Tatarzuk, bien qu'il n'ait pas fourni de détails.
Un autre avantage est l'optimisation de l'entrepôt. « Pouvoir réduire les dépenses de main-d'œuvre et le temps d'expédition est un must absolu dans l'environnement d'augmentation des salaires d'aujourd'hui », déclare Tatarzuk. "Nous créons des modèles pour placer correctement les stocks dans nos centres de distribution, afin de réduire le temps de prélèvement et de stockage tout en créant des grappes à haute densité qui raccourcissent les vitesses de prélèvement."
L'analyse des données a aidé l'entreprise à faire face aux perturbations des chaînes d'approvisionnement causées par la pandémie, en lui permettant de voir les changements de la demande et l'augmentation des délais d'exécution dans les premiers stades de la crise de la chaîne d'approvisionnement, et de réagir plus rapidement que ses concurrents.
Soutenir une chaîne d'approvisionnement de plus en plus complexe
Le fournisseur mondial de technologie Lenovo a relevé les défis de sa chaîne d'approvisionnement mondiale en raison de la pandémie en tirant parti de la technologie de prévision avancée et de l'analyse des données, déclare Arthur Hu, vice-président senior et CIO.
La chaîne d'approvisionnement de Lenovo se concentrait autrefois principalement sur la logistique, les flux d'informations et les flux commerciaux, explique Hu. Mais la transformation de l'entreprise en un fournisseur de technologie à service complet "a signifié que notre chaîne d'approvisionnement, autrefois axée principalement sur les appareils, est devenue de plus en plus complexe, avec des demandes de clients plus diversifiées, des produits plus complexes et le besoin d'opérations plus efficaces et agiles et services », dit-il.
Au cours de l'année écoulée, l'équipe de la chaîne d'approvisionnement a travaillé avec 2 000 fournisseurs pour livrer plus de 130 millions d'appareils Lenovo.
Compte tenu de ce changement, l'équipe de la chaîne d'approvisionnement de l'entreprise a décidé de réorganiser ses opérations, en adoptant une approche de « transformation intelligente ». « Une équipe interfonctionnelle a travaillé pour transformer les opérations de la chaîne d'approvisionnement de Lenovo en un écosystème intelligent et axé sur les données », déclare Hu. "Le nouveau système fournit des données en temps réel, une analyse intelligente et une aide à la prise de décision qui permettent à nos entreprises de tenir leurs promesses envers les clients de manière plus efficace et efficiente que jamais."
L'entreprise a construit un système de moteur de prévision des coûts (CFE) pour fournir des prévisions plus rapides et plus précises des coûts d'approvisionnement, de fabrication et de vente tout au long de ses opérations de chaîne d'approvisionnement.
En utilisant le système en combinaison avec la régression linéaire et XGBoost (eXtreme Gradient Boosting), une bibliothèque de logiciels open source qui agit comme un algorithme d'apprentissage automatique, les responsables de Lenovo peuvent établir le seuil maximum et minimum pour éviter les extrêmes qui affectent la précision des coûts.
La technologie peut effectuer des comparaisons de coûts pour réduire l'impact des fluctuations mensuelles des coûts des composants matériels et fournir une base aux responsables pour prendre des décisions stratégiques, a déclaré M. Hu.
Le CFE prend désormais en charge la prévision des coûts d'approvisionnement et de production pour plus de 70 % de l'ensemble de la chaîne d'approvisionnement mondiale de Lenovo, a déclaré M. Hu, et la prévision des coûts de vente pour plus de 90 % de la chaîne d'approvisionnement. Par rapport à la maintenance manuelle des coûts, l'efficacité de la prévision des coûts de cycle s'est améliorée d'environ 12 %. Le taux de précision des coûts reste d'environ 95%, dit-il.
Source link