Beaucoup de points de vue et de commentaires sur la première partie, alors merci pour cela. En réponse à certains commentaires, j'ai mis à jour le titre des messages.

Dans la première partie, j'ai discuté de deux des lacunes les plus courantes que nous constatons aujourd'hui dans les stratégies d'analyse de la chaîne d'approvisionnement. Notamment, avoir une visibilité limitée, voire nulle, sur vos opérations et/ou avoir un ensemble de données beaucoup trop important et complexe pour produire des résultats significatifs. Il peut être intimidant de ne pas savoir par où commencer. Il peut aussi être frustrant de trouver comment surmonter les obstacles communs, en particulier lorsque votre expert en exploitation sait « que c'est comme ça que ça marche », parce qu'il est là depuis si longtemps, ou que vous essayez de comprendre comment les conditions météorologiques et les événements géopolitiques vont vous aider : construire une commande parfaite, livrer les commandes à temps ou s'assurer que votre équipe à l'entrepôt suit les attentes... Eh bien! ce matin il pleuvait des cordes pendant que je regardais un message météorologique nous annonçant du soleil toute la journée et nous avons Waze qui optimise en temps réel la circulation. Si vous êtes comme moi, vous vous demandez comment ces données m'aident à résoudre les problèmes de ma chaîne d'approvisionnement ? Concentrons-nous sur les données qui nous aident réellement.

Voici deux nouveaux concepts qui vous aideront à démarrer.

Conseil #1 : Concentrez-vous sur le Smart Data

Regrouper toutes vos données à l'échelle de l'entreprise dans une seule solution est la meilleure façon de gérer les analyses, n'est-ce pas? Après tout, plus de données ne signifie-t-il pas plus de connaissances? À peine. La clé d'une stratégie d'analyse réussie dans n'importe quel secteur d'activité est la concentration des efforts.

Que vous utilisiez déjà une solution d'analyse ou que vous commenciez à peine à élaborer votre stratégie, pour l'implanter avec succès, vous devez déterminer ce que vous essayez de résoudre en particulier et quels paramètres ou indicateurs de rendement clés (IRC) vous cherchez à améliorer. En déterminant vos objectifs à l'avance, vous pouvez réduire le nombre de données dont vous avez besoin pour y arriver. Ces données sont ce que nous appelons « Smart Data » ou les données pertinentes nécessaires pour obtenir des résultats.

Ce qui constitue un Smart Data varie selon l'industrie, car différents types d'informations sont pertinents pour chacun d'entre eux. Par exemple, pouvez-vous vous imaginer si la comptabilité et le marketing essayaient d'utiliser les mêmes ensembles de données pour obtenir des résultats? Ni l'un ni l'autre ne serait en mesure de créer efficacement les mesures dont il a besoin, ou pire encore, ils pourraient confondre ce qu'ils essaient de résoudre avec des données supplémentaires qui les distraient. « À bien des égards, c'est comme l'un de ces ennuyeux problèmes de mots que tu détestais à l'école, avec des données supplémentaires qui tentaient de te piéger par rapport à ce que tu essayais vraiment de résoudre. »

Smart Data dans la chaîne d'approvisionnement

Pour l'analyse de la chaîne d'approvisionnement, vous devez vous concentrer uniquement sur les données dont vous avez besoin pour améliorer vos IRC. Qu'est-ce que cela signifie? Eh bien, cela pourrait inclure des données provenant de n'importe lequel de vos systèmes d'exécution de la chaîne d'approvisionnement - système de gestion d'entrepôt (SGE), système de gestion du transport (SGT), logiciel de gestion des inventaires, système de gestion de la main d'œuvre (SGM), etc.

Le nombre de systèmes que vous avez en place déterminera la quantité de données dont vous disposez et les types d'informations disponibles. Si vous utilisez actuellement plusieurs systèmes d'exécution, le regroupement des données dans une seule solution d'analyse peut rendre possible des IRC inter-fonctionnels.

Conseil #2: Évitez le Data Creep

Pour souligner l'importance de se concentrer sur le bon ensemble de données, ou Smart Data, il est important de comprendre l'inverse. Pour ceux d'entre vous qui ont dirigé des projets, qui ont reçu une formation en gestion de projet ou qui ont été exposés à des projets, vous savez que le « scope creep » est la première raison de l'échec des projets. Il en va de même pour la façon dont vous gérez vos données lorsque vous créez vos solutions analytiques et décisionnelles.

Nous introduisons un nouveau terme dans cet article : « Data Creep ». Les projets échouent lorsque les exigences, les objectifs et les produits livrables sont modifiés après le lancement du projet. Cela se produit parce que la gouvernance du projet fait défaut et que le chargé de projet permet aux dirigeants, aux clients ou à tout autre partie constituante d'insérer leurs « incontournables » au beau milieu d'un projet. Mauvaise décision! Lorsque les entreprises abordent la gestion des données, elles doivent penser en ces termes. Trop souvent, je vois des entreprises qui veulent apporter de plus en plus de données dans la plate-forme d'analyse, et elles perdent de vue ce qu'elles essaient de réaliser.

Vous devriez essayer d'atteindre des objectifs commerciaux très spécifiques avec votre plate-forme d'analyse. Définissez ce que vous voulez résoudre ou améliorer, déterminez les Smart Data nécessaires pour atteindre vos objectifs, puis gérez avec diligence le Data Creep. Une fois que vous avez un succès à votre actif, définissez un nouvel ensemble d'objectifs, mettez à jour votre ensemble de Smart Data, et gérez le Data Creep. Votre vie, et votre solution d'analyse, s'en portera beaucoup mieux.

Exigez plus de vos données!

Continue de lire

Hébergement ou non

Kevin Light
avril 14, 2014

Lire la suite show link

Configuration de votre système SGE JDA/RedPrairie : Une astuce pour gagner du temps

Abdullah Alkeilani
janvier 15, 2014

Lire la suite show link

« Le changement c’est bien, Âne » – Si vous gérez correctement le changement

Albert Furtado
juin 27, 2013

Lire la suite show link