Les organisations disposent aujourd’hui de plus de données que jamais auparavant, et les architectes de données, les analystes et les spécialistes des données deviennent de plus en plus répandus dans toutes les fonctions de l’entreprise. Pourtant, alors que les entreprises se battent pour des rôles d’analystes qualifiés afin d’utiliser les données pour prendre de meilleures décisions, ils échouent souvent à améliorer la chaîne d’approvisionnement des données et la qualité des données qui en résulte. Sans solides pratiques de gestion de la chaîne d’approvisionnement des données, la qualité des données en pâtit souvent.
La mauvaise qualité des données est citée comme la principale raison pour laquelle les initiatives n’atteignent pas la valeur attendue – jusqu’à 60 % des initiatives commerciales échouent en raison de problèmes de qualité des données. La qualité des données devient un problème encore plus urgent à mesure que les organisations évoluent vers une prise de décision basée sur l’IA/ML. Si les données utilisées pour alimenter les modèles d’IA/ML sont inexactes, incomplètes ou obsolètes, les modèles ne fourniront pas les résultats souhaités.
Les données sont la matière première essentielle pour l’analyse et la prise de décision. Tout chef d’entreprise efficace demande : « Comment pouvons-nous améliorer la qualité des données afin que les décisions que nous prenons soient les meilleures possibles ?« La réponse est d’améliorer les résultats de la chaîne d’approvisionnement en données d’une entreprise pour s’assurer qu’elle n’est pas un handicap pour les capacités d’analyse.
Comment pourrions-nous améliorer les résultats de notre chaîne d’approvisionnement en données ?
- Comprendre les impacts sur les données du premier et du dernier kilomètre
- Réduire la complexité / les coûts de la chaîne d’approvisionnement
- Améliorer le suivi et le reporting de la qualité des données
Les chaînes d’approvisionnement sont composées de trois éléments principaux :
David Angelow
Impacts du premier kilomètre/dernier kilomètre
La défi premier kilomètre / dernier kilomètre nécessite d’aborder l’ensemble de la chaîne d’approvisionnement en commençant par l’approvisionnement des données (en amont). L’urgence de disposer de données pour l’analyse et la prise de décision pousse les entreprises à investir davantage d’efforts dans le « dernier kilomètre » – acheminer les données vers le client, en aval. Dans le cas de la chaîne d’approvisionnement des données, le client est bien sûr un service ou une équipe interne ayant besoin des données pour l’analyse, le reporting, etc. Le défi consiste à capturer correctement la source des données dès le départ et à s’assurer que la qualité des données ne se dégrade pas lors du déplacement. tout au long de la chaîne d’approvisionnement des données.
Un indicateur clé de la gestion de la chaîne d’approvisionnement utilisé pour évaluer les performances des chaînes d’approvisionnement physiques est l’OTIF – On-Time-In-Full. Bien qu’il s’agisse d’un acronyme étrange, l’amélioration de la valeur a des résultats spectaculaires car elle est directement liée au client final et à sa capacité à effectuer son travail. Par exemple, si vous avez besoin de 10 attributs pour générer un score de satisfaction client alors que seuls 9 sont disponibles, le calcul ne peut pas être effectué. L’utilisation d’une métrique qui se concentre sur l’impact de la qualité et de la disponibilité des données sur les processus en aval peut aider à affiner la prise de conscience de l’organisation.
- Plan d’action recommandé : Créez une carte de votre chaîne d’approvisionnement en données. Le concept de visibilité et d’approvisionnement de la chaîne d’approvisionnement s’applique aux chaînes d’approvisionnement de données ainsi qu’à la gestion de la chaîne d’approvisionnement physique. Comprendre les sources de données, toutes les activités de transformation qui ont lieu ainsi que le « délai client » aide les organisations à identifier et à atténuer les risques. La mise en œuvre d’indicateurs pour évaluer dans quelle mesure l’organisation répond aux besoins des clients aide à mieux cibler l’amélioration.
Complexité de la chaîne d’approvisionnement
La complexité de la chaîne d’approvisionnement est le terme utilisé pour décrire le réseau de capacités nécessaires pour répondre aux besoins en aval. Plus le nombre de fournisseurs, de fonctions commerciales et de distributeurs nécessaires est élevé, plus la complexité est grande.
Chaque élément supplémentaire de la chaîne d’approvisionnement augmente la complexité, et une plus grande complexité contribue à une variabilité accrue. La variabilité est un enjeu majeur de la qualité. Dans les chaînes d’approvisionnement physiques, les organisations cherchent à réduire la complexité en amont. Dans la chaîne d’approvisionnement des données, il existe une variété de sources de données internes et externes (des courtiers en données, des médias sociaux/analyse des sentiments, etc.) et tout comme une chaîne d’approvisionnement physique, la réduction de la complexité de la chaîne d’approvisionnement des données contribue à améliorer la qualité globale .
Comment la réduction de la complexité peut-elle améliorer la qualité ? Moins de systèmes signifie moins de transformations de données, ce qui augmente la disponibilité et la précision des données.
- Plan d’action recommandé : Inventorier les données disponibles pour une utilisation en aval et les mapper au système source (interne vs externe). Souvent, des attributs communs sont créés dans plusieurs systèmes, ce qui augmente la complexité. Pour chaque élément de données, identifiez/sélectionnez un système unique pour la consommation en aval et établissez un « système d’enregistrement » (SOR) dans le but d’obtenir des données à partir du moins de systèmes possible.
Suivi et reporting des données
La qualité des données devrait être un indicateur de performance clé (KPI) pour la plupart des entreprises aujourd’hui. La qualité des sorties dépend de la qualité de l’entrée. Pensez à tous les bons repas que vous avez mangés et à ce qui les a rendus formidables ; certes, la compagnie et l’ambiance du cadre comptent, mais la qualité des ingrédients a un impact direct sur le résultat – les fruits de mer fraîchement pêchés battent toujours les fruits surgelés.
Les méthodes et la fréquence d’évaluation de la qualité des données varient souvent au sein d’une entreprise. Différentes fonctions dans une organisation peuvent utiliser différentes méthodes pour évaluer la qualité ; la comptabilité peut être plus stricte que le marketing, par exemple. Mais pourquoi des fonctions différentes devraient-elles être évaluées différemment ? Une bonne prise de décision repose sur des données de qualité, et chaque fonction ne devrait-elle pas prendre la meilleure décision possible ?
- Plan d’action recommandé : Établir une formule commune pour mesurer la qualité des données et utiliser la mesure de manière cohérente dans toutes les fonctions (score de qualité des données). Le volume de données à évaluer nécessite un échantillonnage et une estimation, et l’approche doit être cohérente. Une approche peut consister à échantillonner 100 enregistrements, à les examiner et à identifier les erreurs, puis à compter les enregistrements sans erreur pour comprendre le pourcentage de données créées correctement.
La chaîne d’approvisionnement des données est un concept émergent et évolutif pour de nombreuses organisations. Trouver et retenir des talents pour aider à améliorer les résultats de la chaîne d’approvisionnement de données est essentiel pour l’avantage concurrentiel d’une entreprise. Certes, il existe des différences entre les produits tangibles et intangibles, mais de nombreux concepts et outils du monde physique peuvent être appliqués aux données, et le résultat aura autant d’impact que l’amélioration des chaînes d’approvisionnement physiques.
N’attendez pas pour commencer.
Source link