Beaucoup de points de vue et de commentaires sur la partie 1, 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. À savoir, avoir une visibilité limitée ou inexistante sur vos opérations et/ou avoir un ensemble de données beaucoup trop volumineux et complexe pour donner des résultats significatifs. Il peut être intimidant de savoir par où commencer. Il peut également être frustrant de trouver comment surmonter les obstacles courants, en particulier lorsque votre expert en opérations sait simplement « 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, expédier les expéditions à temps, ou vous assurer que votre équipe d’entrepôt suit le rythme des attentes… Bon sang, il pleuvait ce matin alors que je regardais un bulletin météo qui annonçait du soleil toute la journée, et nous avons Waze pour l’optimisation du trafic en temps réel. Si vous êtes comme moi, vous demandez comment ces données m’aident-elles à résoudre mes problèmes de chaîne d’approvisionnement ? Concentrons-nous sur les données qui nous aident réellement.
Voici deux nouveaux concepts qui vous aideront à démarrer.
Conseil n°1 : concentrez-vous sur les données intelligentes
Rassembler toutes les données de votre entreprise dans une seule solution est le meilleur moyen de gérer les analyses, n’est-ce pas ? Après tout, plus de données ne signifie-t-il pas plus d’informations ? À peine. La clé d’une stratégie d’analyse réussie dans n’importe quelle industrie est la concentration.
Que vous utilisiez déjà une solution d’analyse ou que vous commenciez tout juste à comprendre votre stratégie, pour en mettre une en œuvre avec succès, vous devez déterminer ce que vous essayez spécifiquement de résoudre et quelles métriques ou indicateurs de performance clés (KPI) vous essayez de améliorer. En déterminant vos objectifs à l’avance, vous pouvez affiner les données dont vous avez besoin pour y parvenir. Ces données sont ce que nous appelons les « Smart Data » ou les données pertinentes nécessaires pour obtenir des résultats.
Ce qui constitue les Smart Data varie selon les secteurs, car différents types d’informations sont pertinents pour chacun. Par exemple, pouvez-vous imaginer si la comptabilité et le marketing essayaient d’utiliser les mêmes ensembles de données pour générer des résultats ? Ni l’un ni l’autre ne serait en mesure de créer efficacement les métriques dont ils ont besoin, ou pire, ils peuvent confondre ce qu’ils essaient de résoudre avec les données supplémentaires qui les distraient. À bien des égards, c’est comme l’un de ces problèmes de mots embêtants que vous détestiez à l’école avec des données supplémentaires persistantes essayant de vous tromper sur ce à quoi vous essayiez vraiment de répondre.
Les données intelligentes 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 KPI définis. Qu’est-ce que ça veut dire? Eh bien, cela pourrait inclure des données de n’importe lequel de vos systèmes d’exécution de la chaîne d’approvisionnement – système de gestion d’entrepôt (WMS), système de gestion des transports (TMS), logiciel de gestion des stocks, système de gestion du travail (LMS), 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 KPI interfonctionnels.
Conseil n°2 : évitez le fluage des données
Pour mettre un point plus précis sur 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, ont été formés à la gestion de projet ou ont été exposés à des projets, vous savez que le « fluage de la portée » est la principale raison pour laquelle les projets échouent. Eh bien, il en va de même pour la façon dont vous gérez vos données lorsque vous créez vos solutions d’analyse et de BI.
Nous introduisons un nouveau terme dans cet article – « Data Creep ». Les projets échouent lorsque la portée : les exigences, les objectifs et les livrables sont modifiés après le lancement du projet. Cela se produit parce que la gouvernance du projet fait défaut et que le chef de projet permet aux dirigeants, aux clients et à tout autre constituant d’insérer leurs « must have » au milieu d’un projet. Mauvais mouvement. Lorsque les entreprises abordent la gestion des données, elles doivent penser dans les mêmes termes. Bien trop souvent, je vois des entreprises vouloir introduire de plus en plus de données dans la plate-forme d’analyse, et elles perdent de vue ce qu’elles essaient d’accomplir.
Vous devriez essayer d’atteindre des objectifs commerciaux très spécifiques avec votre plateforme d’analyse. Définissez ce que vous souhaitez 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 données intelligentes et gérez le Data Creep. Votre vie et votre solution d’analyse en seront bien meilleures.
Exigez plus de vos données !
Keep Reading
