Planification & prévisions : la supply chain voit toujours plus loin

Pour affiner les prévisions, que ce soit des ventes ou de la demande, les logiciels emploient des variables endogènes, c’est-à-dire des valeurs évolutives internes au modèle statistique (des données issues de l’ERP par exemple, que l’entreprise possède) et maîtrisables. Ils agrègent aussi des variables dites exogènes, extérieures au modèle statistique et qui vont influer sur les variables endogènes. Les acteurs de la supply chain intègrent de plus en plus de données issues de sources externes. C’est le cas de Futurmaster, éditeur de solutions de prévisions de la demande et de planification de la production capables de compiler des informations émanant de multiples endroits.

« Dans les données externes que nous pouvons utiliser se trouvent les sorties de caisse des clients, très importantes pour gérer les promotions et les lancements, ainsi que les données de la concurrence, commence à lister Stéphanie Duvault-Alexandre, senior business consultant chez Futurmaster. Il y a aussi, à terme, l’intégration de tout ce qui concerne les réseaux sociaux et les données des sites web lorsque le client fait du e-commerce. Nous exploitons également des données météo passées et futures, pour ceux présents dans l’ultra-frais et dans la bière notamment. Selon les clients, ces données externes sont utilisées pour mettre à jour automatiquement la prévision ou fournies à titre informatif pour que l’utilisateur prenne ensuite la décision de la modifier ou non. En fonction du pourcentage de risques, les entreprises préfèrent que quelqu’un prenne la main sur la décision finale pour éviter qu’elle ne bouge tout le temps. Ces données externes sont plus ou moins fiables mais il faut faire attention qu’il y ait toujours un humain qui puisse trancher. »

Certaines informations externes peuvent être mises à disposition gratuitement. L’Insee propose gracieusement des données démographiques sur la population française et les entreprises, de même qu’Eurostat, qui partage une immense base de données sur les États membres de l’Union européenne avec des informations relatives à l’économie, le transport, l’industrie, le commerce, les services, la qualité de l’emploi… D’autres données stratégiques se monnaient, parfois très cher. Les instituts privés IRI et Nielsen vendent ainsi des informations très utiles à la grande distribution, comme la mesure des comportements des consommateurs et l’impact des promotions avec les sorties de caisses qu’ils collectent.

Des informations plus ou moins précises

Des bases de données peuvent de même être achetées dans n’importe quel secteur d’activité. « Nous intégrons aujourd’hui, en fonction des problématiques métiers, des informations exogènes telles que les données GERS (voir encadré ci-dessous) dans la pharmacie, indique Pascal Garsmeur, chef de produits chez DynaSys. Ces données exogènes sont plus ou moins sophistiquées et aident le planificateur de manière significative. Nous les intégrons déjà pour plusieurs de nos clients dans la pharmacie et l’automobile entre autres. » D’autres données, comme celles fournies par les réseaux sociaux, n’ont pour les entreprises du secteur logistique qu’un intérêt pour l’instant limité. À l’inverse des publicitaires prêts à dégager des tendances vagues pour cibler une catégorie, les logisticiens ont besoin d’une grande précision pour approvisionner les bonnes références et limiter les stocks inutiles.

« L’exploitation des données des réseaux sociaux ou des visites des sites web est encore un peu sujette à caution, évoque Cédric Hutt, directeur général adjoint d'Azap, éditeur de logiciels de planification de la supply chain et de prévision de la demande. Avec Facebook et Twitter, vous avez rarement une information détaillée au code produit. C’est une aide indirecte, qui va plutôt permettre d’anticiper des effets de mode. Lors des lancements de nouveautés, les entreprises faisaient auparavant du benchmarking, des tests, des sondages. Ces campagnes, longues et coûteuses, sont de plus en plus remplacées par de la communication et de la mesure d’audience sur les réseaux sociaux. Ce sont aujourd’hui des outils de choix pour les prévisions de lancement. Malgré tout, il est très difficile de les automatiser car nous n’avons jamais toutes les informations sur un lancement. Je ne suis pas certain qu’aujourd’hui il y ait un acteur capable de dire, en regardant simplement la photo d’un produit, combien il faut en commander et combien il va s’en vendre. Nous n’en sommes pas encore là. »

L’interprétation des signaux des réseaux sociaux pour optimiser la planification n’est pas une science exacte, de même que celle consistant à analyser les visites des pages des sites ecommerce et à calculer les nombres de clics pour essayer de repérer les articles susceptibles d’être les plus commandés. Mais compilées ensemble avec d’autres variables exogènes, elles apportent parfois suffisamment d’éléments pour délimiter des modèles de comportement et améliorer la portée de campagnes promotionnelles et de lancement, et donc avoir un impact sur l’approvisionnement et les stocks. Viseo, société de conseil et de services numériques et partenaire-intégrateur de solutions dites « full-APS » comme DynaSys DSCP et TXT pour l’industrie du textile et du retail principalement, utilise un nombre croissant de ces variables.

« Nous avons de plus en plus de demandes portant sur l’acquisition de données externes, témoigne Gilles Perez, directeur d'activité supply chain optimisation de Viseo. C’est une démarche que nous essayons de mettre en avant chez Viseo, au sein de notre activité big data. Nous travaillons de plus en plus en amont sur la détermination du comportement des utilisateurs, dans la modélisation des processus d’achat pour pouvoir les utiliser dans des outils de retail et d’achats de grande consommation. Nous utilisons pour cela des données provenant des clients, du net, des réseaux sociaux et de l’IRI pour les sorties de caisse. » L’éditeur et intégrateur travaille sur des projets avec des sociétés dans les télécoms, le transport et l’agroalimentaire pour développer des modèles de comportement qui pourraient être utilisés prochainement dans les outils de gestion de la prévision.