« Data Science dans la Supply Chain : où en sommes-nous ? »

La première mutation à laquelle nous assistons est évidemment technologique. Les éditeurs de logiciels, ou les plateformes technologiques, poussent leurs solutions, exhibent leur potentiel et frappent à la porte des Directions Supply Chain (pour des applications métiers plus “smart”) ou des Directions Informatiques (Cloud, Data Lakes, etc.). Cette logique de l’offre est parfois naïve, arrogante, mal calibrée, mais elle porte ses fruits. Toute Direction Générale d’un groupe de retail, par exemple, a matière à se plaindre de sa Supply Chain ou de sa Direction Informatique dans leur rapport qualité/coût/agilité, et les coups de boutoir des consultants et des éditeurs bousculent l’existant.
Beaucoup d’entreprises lancent des Data Lakes, des démarches dites de “démocratisation de la donnée” (accès pour tous à une donnée riche et à forte granularité) et, a minima, on voit se déployer des relookings des outils de Business Intelligence traditionnels.

La seconde mutation est humaine. De nouveaux profils apparaissent dans les équipes Supply Chain, Pricing et Marketing. C’est une tendance lourde mais des Data Engineers ou des Data Scientists “couteau suisse” font leur apparition dans les équipes, bien souvent hors du périmètre de l’informatique traditionnelle. Le changement n’est pas anodin car si, par exemple, les prévisionnistes ont toujours existé en Supply Chain, ils n’avaient pas toujours les moyens de développer de nouveaux modèles, de tester des hypothèses liées à de nouvelles sources de données ou de s’adapter aux évolutions du marché. Les temps changent. Pour avoir mené à bien une bonne vingtaine d’audits de “processus prévision” dans les années 2010-2015, j’ai toujours été étonné de voir des modèles de prévision non mis à jour trois ou quatre ans après la création de l’outil ou la paramétrisation du progiciel.

On peut prendre l’exemple d’une usine de production agro-alimentaire qui, pour accompagner sa croissance – et ses fréquentes saturations de capacité – développe un nouveau modèle de prévision basé sur la nature et le timing des promotions en magasin. Une analyse fine du dispositif commercial en point de vente, du mode d’annonce, du contexte, une observation des premières réactions client, selon la typologie des boutiques, du produit promu et des ruissellements (négatifs ou positifs) peut considérablement anticiper les pics et les creux de demande. Un lissage de la production, entre le fond de rayon et les promotions, peut alors se mettre en place et faire gagner quelques pourcents de volume, tout en évitant les stop sales. 

La troisième ligne qui bouge est le processus lui-même, ainsi que l’organisation qui le soutient.

Pour poursuivre notre exemple de meilleure anticipation/planification des promotions, c’est le S&OP au complet qui peut être revisité et, en quelque sorte, dynamisé. Des choix commerciaux structurants, lors d’appels d’offre en B-to-B, par exemple, sont évalués et challengés au regard des capacités de production prévisionnelles. L’entreprise devient capable de faire un pricing conscient des capacités résiduelles, en simulant l’impact (le déplacement induit) qu’occasionne tel ou tel nouveau deal. Le Demand Planning passe alors d’un rôle de gestionnaire des capacités à un rôle de Revenue Manager de l’outil de production, en soutenant l’effort commercial. 

L’impact sur les marges de telles approches justifie alors une spécialisation des équipes et le processus “Forecast & Plan” vient se diffuser dans l’entreprise.

Par exemple, si certains produits ont besoin de significativement plus de main d’oeuvre que d’autres, un alignement entre les Ressources Humaines et le Plan de Production pourra être beaucoup plus réactif (passage en 6 jours sur 7, recrutement de saisonniers anticipé) jusqu’à faire évoluer les mix contractuels. Le Procurement sera également impacté. Si les constituants, voire les emballages des produits, ne sont pas tous homogènes, le Plan de Production viendra modifier les processus achat, et une optimisation (volumes, délais, terms and conditions) pourra être menée à bien. Ce n’est pas toujours révolutionnaire, mais cela change la donne. 

Chez les transporteurs aussi la chaîne de décision s’accélère. Le booking devient plus “online”, le pricing plus dynamique, la segmentation client plus chirurgicale et les offres mieux ciblées. Le lien entre vente et capacité est considérablement tendu par ces nouvelles possibilités, et une partie de plus en plus grande des décisions ne sont plus faites par l’homme mais uniquement monitorées en cas d’exception à la règle. Tout au long de cette nouvelle chaîne décisionnelle, la Data Science mord sur les processus existants, adapte les vieilles business rules et rend caduques des rôles de pilotage traditionnels. 

Plus généralement, la Data Science qui était au mieux utilisée en mode “froid” (on parle de “cold analytics”), manuellement et explicitement, bascule progressivement en mode chaud, au fil de l’eau. On parle moins de forecast que de rolling forecast, de reforecast ou de nowcast, et c’est tout un ensemble de décisions qui sont induites par ces forecast plus réactifs. Il y a encore des entreprises qui vivent avec des forecast calendaires, trimestriels, liés à des exigences financières, mais, là aussi, on sent que les lignes bougent. On ne cherche plus la meilleure planification, liée à des objectifs incantatoires en début d’année budgétaire, mais plutôt la “next best action” face à des objectifs par essence obsolètes, en constatant la réalité de la demande.

La dernière mutation, la plus lente de mon point de vue, est culturelle. Le management de l’entreprise et les fonctions supports changent petit à petit leur rapport à la Data. Elle devient précieuse (parfois même auréolée de pouvoirs magiques), elle se négocie avec les partenaires, on la nettoie et on la sauvegarde différemment puisque l’on sait qu’elle peut servir. On va même jusqu’à en faire une fonction “Head of Data” ou “Chief Data Officer”.

Si je suis un producteur de chaussures de trail et que je les vends à Intersport, les tickets de caisse d’Intersport à la maille jour/pos/sku/customer_segment ont une contribution significative à la qualité de mes prévisions. Les données agrégées des purchase order de mes fournisseurs n’offrent pas la granularité et la temporalité nécessaire à une prise de décision réactive. 

Le changement culturel impacte aussi la manière dont la Direction des Systèmes d’Information (DSI) perçoit et communique sa valeur ajoutée aux Métiers. Parfois simple passeur de plat entre les éditeurs et le Métier, faisant la part belle aux consultants pour modéliser les milliers de business rules à glisser dans les ERP ou les TMS, elle devient un acteur majeur de l’agilité décisionnelle. La Data Science, quant à elle, ne peut passer à l’échelle – au delà du POC (Proof Of Concept) ou du POV (Proof Of Value) – qu’avec un soutien en bonne intelligence de la DSI.

Cette évolution culturelle peut parfois être plus complexe à mener dans les petites structures, pour lesquelles embaucher ces nouveaux profils, et expérimenter de nouveaux partenariats, est plus difficile financièrement.

Pour autant, même la Supply Chain d’un vendeur de sushis avec 200 points de vente a considérablement à gagner en passant ses décisions au crible de la Data. Quel est le meilleur assortiment en vitrine à proposer aux boutiques ou aux stands, selon la saisonnalité, à la fin de la période de lancement ? 

Dans les structures plus petites, c’est au management de pousser et de donner l’exemple, en sollicitant l’aide d’éditeurs spécialisés (qui ont pu agréger la data de plusieurs clients), s’il le faut.