Benchmarking industriel : l’efficacité des fonctions indirectes de production

Le cabinet Kepler a mené un benchmarking mondial sur l’efficacité des fonctions indirectes de production, à travers une quarantaine d’usines d’industries diverses (électronique, automobile, électroménager, etc). Pierre Rougier, associé fondateur de Kepler, explique les conclusions de cette étude ainsi que les initiatives mises en place pour adresser les problématiques constatées.

 

Le Quick Repricing ou comment générer des économies avec les petits fournisseurs

Les entreprises ont souvent un nombre important de fournisseurs, pour diverses raisons: acquisitions, achats décentralisés, portefeuilles de fournisseurs incontrôlés ou processus insuffisants. A cause de cette profusion de fournisseurs, mais également des processus achats parfois complexes et des contraintes de ressources, les Directions Achats passent à côté de potentiels d’économies significatifs.

Les équipes Achats se concentrent souvent sur les fournisseurs et les projets stratégiques à forte valeur ajoutée, tandis que les acheteurs Site gèrent les fournisseurs tactiques en même temps qu’ils émettent les commandes. Dans un contexte de pression accrue sur les coûts et de complexification de la Supply Chain, une partie importante des dépenses achats n’est pas adressée chaque année. Les acheteurs focalisant leurs efforts pour dynamiser l’innovation fournisseurs, générer des productivités croissantes tout en pilotant les risques, ils ne peuvent s’occuper de leurs petits fournisseurs et passent ainsi à côté d’un potentiel d’économies. C’est pourquoi Kepler a développé une offre « Quick Repricing » pour générer des économies avec ces fournisseurs non adressés et…

 

L’utilisation du Machine Learning pour générer des économies rapides et gagner en cohérence des prix

Le but de cet article est de partager notre expérience dans l’utilisation du Machine Learning afin de générer des opportunités d’économies rapides et d’homogénéiser les prix d’achats parmi les business units / régions de grands groupes.

  Contexte et défis au sein d’un groupe multi-BU

Il pourrait rapidement devenir lourd pour un grand groupe et son équipe Achats d’assurer la cohérence des prix dans une catégorie spécifique.


  • check

    Pourquoi payer 5,6 $ pour un tube extrudé de 10 cm de long et 2 mm de diamètre et 20 $ pour un tube de 20 cm et 2,5 mm de diamètre ?


  • check

    Ou un certain prix pour un produit rouge et un double, pour sa version bleue ?

Ces lacunes peuvent être normales mais doivent être contrôlées et comprises afin que les fournisseurs ou la R & D puissent être contestés.

Même avec une organisation et des systèmes corporate, les business units sont souvent indépendantes ou, pire, cloisonnées. Elles pourraient implicitement refuser de se coordonner globalement parce qu’elles doivent aller vite et rester indépendantes. Mais, au-delà des comportements organisationnels et culturels, les principaux obstacles sont d’ordre technique et informatique :


  • check

    Les produits ont des spécificités et des caractéristiques différentes rendant difficiles la comparaison des prix et l’alignement


  • check

    Il n’y a pas de référentiel commun combinant des informations techniques et économiques


  • check

    L’historique des prix est rarement revu


  • check

    Le système ERP n’alertant pas les écarts de prix


  • check

    Le prix des petits fournisseurs n’est pas contrôlé correctement


  • check

    Les routines de révision des prix peuvent varier d’un groupe à l’autre


  • check

    Multi-contrat avec des fournisseurs similaires


  • check

    Les fournisseurs appliquent un coût différent pour faire des affaires par BU / région

C’est avec certitude que l’approche traditionnelle devrait coûter et les solutions peuvent aider à résoudre ces problèmes.

Cependant, elles sont souvent complexes à mettre en œuvre à grande échelle, car elles nécessitent beaucoup d’informations sur les processus de fabrication, une forte expertise technique et une coopération longue et fastidieuse avec les fournisseurs (la politique du livre ouvert est obligatoire).

Consultez notre article « Optimisation de la Supply Chain : les pistes pour une approche en coût complet« 

  Proposition de valeur

De nombreuses entreprises ont développé une approche innovante et efficace combinant des analyses avancées et des algorithmes prédictifs (dérivés de l’intelligence artificielle) pour générer des opportunités d’économies rapides, uniquement en traitant vos données existantes.

La méthodologie est basée sur 5 piliers :


  • check

    Créer un modèle de coûts basé sur des facteurs de coûts partagés tenant compte des spécificités BU / région


  • check

    Utiliser l’analyse comparative pour identifier les lacunes dans les BU / régions et les stratégies d’approvisionnement optimisées


  • check

    Identifier les produits surévalués et quantifier les opportunités d’économies


  • check

    Utiliser l’exploration de données pour déterminer les leviers d’optimisation et préparer des arguments pour les négociations avec les fournisseurs


  • check

    Spécifier les systèmes de management et les besoins requis pour soutenir le processus

Les avantages suivants ont été observés :


  • check

    Identifier les opportunités d’économies (négociation, VAVE, resourcing)


  • check

    Générer des gains rapides grâce à des négociations « basées sur l’analyse » avec les fournisseurs


  • check

    Contrôler les devis des fournisseurs sur les nouveaux projets


  • check

    Améliorer les stratégies d’approvisionnement grâce à l’allocation optimisée des fournisseurs par cluster


  • check

    Favoriser l’amélioration continue grâce à un modèle de coûts robuste, à des compétences accrues et à une collaboration inter-fonctionnelle améliorée

  Des solutions d’évaluation basées sur le Machine Learning

Solution d’évaluation basée sur le Machine Learning qui estime le prix d’un nouveau produit ou service en traitant les données actuelles / historiques à l’aide d’un algorithme sophistiqué, tel que les forêts aléatoires. Les forêts aléatoires sont une méthode statistique non paramétrique qui permet l’apprentissage sur plusieurs arbres de décision basés sur des sous-ensembles de données légèrement différents générés par les techniques Bootstrap (voir Breiman, L., Random Forests, Machine Learning, 45, 5-32 (2001)).

Ce type de méthodes permet d’estimer le prix d’un produit / service sur la base de paramètres pré-identifiés appelés «cost-drivers». L’estimation est très rapide et précise (30% de précision accrue par rapport aux méthodes statistiques traditionnelles).

En comparaison avec les méthodes traditionnelles, les principaux avantages du costing basé sur le Machine Learning sont les suivants :


  • check

    L’utilisateur ne doit pas être un expert du process de production du produit. L’estimation est exclusivement basée sur les caractéristiques du produit (« cost drivers ») qui sont des informations auxquelles il peut accéder en interne (Vs interroger son fournisseur).


  • check

    Il peut mélanger un nombre infini de cost drivers, ces derniers pouvant être continus ou discrets, techniques (poids, fonction couleur, matière première, …) ou commerciaux (pays, volume, fournisseur, …).


  • check

    Capacité à traiter des bases de données pour lesquelles le nombre de variables dépasse largement le nombre d’observations


  • check

    Capacité à identifier et pondérer automatiquement les paramètres les plus importants, et donc les facteurs de coûts qui ont le plus d’impact


  • check

    Capacité à interpréter les résultats


  • check

    Capacité à gérer les valeurs manquantes / base de données incomplète

Pour toutes ces raisons, les logiciels basés sur le Machine Learning aident à créer un modèle de calcul des coûts très robuste et prêt à l’emploi.

Au-delà de ce qui précède, la solution d’évaluation des coûts basée sur le Machine Learning traite tous les prix d’achat actuels et identifie les incohérences / écarts par rapport aux estimations, ce qui facilite l’identification des opportunités d’économies, y compris les négociations avec les fournisseurs.

Enfin, certaines solutions intègrent des fonctionnalités de benchmark qui permettent de comparer chaque BU / Région pour une catégorie spécifique (même à travers des produits de conception et de caractéristiques différentes). Elles sont de plus en plus utilisées dans l’industrie et, par conséquent, elles ajoutent chaque jour des connaissances de référence externes pour chaque produit (la propriété intellectuelle et le respect de la confidentialité sont respectés). Cela permet de créer des communautés de benchmarking et de partager davantage (sciences de la vie, automobile …).

  Exemples

Avantages

Limites

Exemples de logiciels

Modèle analytique

  • Modèle explicatif et centré sur les opérations
  • Estimation du «meilleur prix au débarquement» et définition du prix cible
  • Permet d’optimiser les prix en production et de contrôler les plans des fournisseurs progressistes
  • • Difficulté à accéder aux références de processus et à les maintenir au fil du temps
    • Approche intrusive envers les fournisseurs
    • Modèle expert difficilement déployable
    • Délai d’attente pour le paramétrage et l’exécution du chiffrement
  • Précision ?
  • Siemens PLM
  • A Priori
  • Facton
  • Modèle paramétrique statistique

    • Facile et rapide à utiliser
    • Cohérence des prix estimés et exactitude (conditionnelle)
    • Approche non intrusive des fournisseurs
    • Applications de produits et de services
    • Très pertinent dans les phases amont du cycle de vie et pour les analyses de cohérence
    • Requiert un minimum de données et un historique de qualité
    • Modèle qui n’est pas très « explicatif » pour modérer les plans de progrès des fournisseurs
    • Modèle moins pertinent pour fixer les prix cibles et le « meilleur prix au débarquement »
    • Difficulté à modéliser les paramètres qualitatifs
  • Seer
  • EstimFEC

  • Modèle statistique non-paramétrique

    Les
    «Forêts aléatoires»

    • Facile et rapide à utiliser
    • Cohérence du prix estimé et précision augmentée de 30% par rapport aux modèles paramétriques (conditionnel)
    • Approche non intrusive des fournisseurs
    • Applications de produits et de services
    • Très pertinent dans les phases amont du cycle de vie
    • Pertinent également dans les phases en aval pour l’analyse des cohérences de prix et l’identification des opportunités grâce aux propriétés explicatives des forêts
    • Intègre beaucoup de facteurs de coûts, y compris les facteurs qualitatifs
    • Détecte les percées technologiques
    • Prioriser les inducteurs de coûts
    • Gère les valeurs manquantes et peut travailler avec un échantillon limité
    • Modèle moins pertinent pour établir les prix cibles et le « meilleur prix au débarquement »
  • easyKost
  • 9 meilleures pratiques pour dynamiser l’innovation fournisseurs

    Capturer et réussir la mise en œuvre de l’innovation fournisseurs est aujourd’hui considéré comme un enjeu stratégique pour la plupart des entreprises, qui y voient un vecteur majeur de création de valeur. Voici quelques bonnes pratiques, fruit de récents projets, mais aussi des récents travaux notre Think Tank.

    Règle #1 : Organiser et promouvoir la veille pour engager avec efficacité les partenaires de l’écosystème d’innovation

    Solliciter l’innovation des fournisseurs, c’est d’abord être capable de communiquer clairement sur ses axes stratégiques d’innovation. Il ne s’agit surtout pas de brider la créativité, mais d’orienter les propositions vers les priorités stratégiques de l’entreprise (miniaturisation, réduction d’énergie, connectivité, réduction de CO2…). Le plan d’innovation ou roadmap technologique est un outil clé permettant de projeter et partager cette vision au travers d’une gouvernance multi-métiers.

    Ensuite il convient de bien cartographier son écosystème d’innovation. Celui-ci ne se limite pas aux seuls fournisseurs mais il englobe un ensemble plus complet de partenaires qu’il s’agit de fédérer (fournisseurs, clients, universités, laboratoires, start-up, consommateur, associations, etc…).

    Enfin, les axes d’innovation peuvent être promus, partagés et mutualisés avec les partenaires de l’écosystème d’innovation au travers de différents canaux de communication (réunions stratégiques, portails innovation, open innovation, forum, etc…).

    En conclusion, capter et réussir l’innovation repose d’abord sur une compréhension et une organisation claire de la relation avec ses partenaires pour mieux utiliser les énergies et compétences de chacun.


    Business intelligence innovation ecosystem

    Règle #2 : Identifier et sélectionner les bons fournisseurs pour réussir les bonnes innovations

    Trop souvent les entreprises s’appuient sur un modèle classique de SRM (Supplier Relationship Management) pour identifier leurs fournisseurs privilégiés pour l’innovation. Ces modèles sont souvent guidés par une volonté de rationaliser le nombre de fournisseurs et conduisent à s’entourer de fournisseurs importants capables de répondre à l’ensemble des critères requis. Or les fournisseurs les plus gros ne sont pas forcément les plus pertinents pour l’innovation ! Réussir l’innovation c’est aussi s’entourer de fournisseurs plus petits, plus agiles, capables de vous accompagner dans les évolutions de votre Business Model (notamment guidé par la révolution digitale). L’intégration de ces « pépites » suppose de savoir adapter ses stratégies achats et notamment être capable de valoriser l’apport de ces fournisseurs afin de leur permettre de se développer avec vous.

    Nous avons retenu 3 critères majeurs pour identifier les bons partenaires :


    Right suppliers
    • Les compétences : technologiques, qualité, industrielles, financières…
    • La capacité à coopérer : qui s’exprime notamment par l’alignement stratégique et l’accord sur les grands principes de la collaboration et de la gouvernance sur les projets d’innovation
    • Le « fit » : la compatibilité des cultures mais surtout l’envie et l’implication du Top management

    « Big is Beautiful » n’est pas forcément la panacée pour choisir vos partenaires en co-innovation. Réussir l’innovation est d’abord une histoire d’hommes et de femmes et de coopération entre les talents !

    Règle #3 : Partager la bonne information avec les fournisseurs pour assurer l’alignement stratégique

    Susciter l’innovation fournisseurs et co-innover c’est d’abord savoir s’ouvrir et ne pas hésiter à partager des informations jugées sensibles (d’où l’importance de la règle n°2) : échanger sur les visions du marché, les évolutions consommateurs, partager les plans d’innovation, les éléments clé de la roadmap technologique, etc…!

    Bien sûr, cela doit être réciproque. Si des événements spontanés peuvent être organisés (conventions, open innovation, etc…), il est important d’organiser des revues stratégiques avec les fournisseurs clé (en général 2 fois par an), afin de garantir l’implication du top Management et l’alignement des sociétés.

    L’innovation naît d’abord de l’échange et doit être pilotée par le Top Management des 2 Parties

    Règle #4 : Créer un climat de confiance pour co-générer des idées avec les partenaires

    C’est bien connu. La majorité des innovations proviennent de l’échange et de la confrontation d’idées. Il existe de multiples moyens pour organiser cette cogénération : réunions spécifiques, challenges, techdays, séances de créativité, plateformes collaboratives, etc… Dans tous les cas il importe de s’accorder au préalable sur un contrat de collaboration qui fixe les règles de la collaboration et de l’exploitation des idées (notamment en termes de protection intellectuelle, partage des risques, etc..).

    Combien de tentatives avortées ou accouchées dans la douleur et la frustration parce que les conditions de la collaboration n’ont pas été clairement définie ou départ et surtout portées par les instances dirigeantes des sociétés partie prenantes.


    Co-generate ideas

    La création d’un cadre de confiance avec les partenaires est un prérequis fondamental pour réussir et pérenniser la cogénération d’idées !

    Règle #5 : Structurer le traitement des idées pour sélectionner les bonnes innovations

    Générer les idées n’est pas le plus compliqué. Il convient ensuite de les évaluer et de les discriminer facilement au regard de critères rationnels. Ceci suppose la mise en place de fiches de documentation standard où sont notamment décrits les enjeux (valeur client, différentiation, compétitivité etc…) et le niveau de risque (technologique, industriel, etc…). Un processus fluide doit permettre de traiter les idées de manière réactive afin de donner un retour rapide et argumenter auprès des fournisseurs.

    Une bonne pratique consiste souvent à faire cette évaluation en 2 étapes (filtre 1 et filtre 2) qui permet d’écarter rapidement les idées non valables pour se concentrer sur celles qui présentent un réel intérêt.


    Structuring idea consideration

    Exemple du Filtre 1


    Structuring idea consideration

    Exemple du Filtre 2

    Discriminer les idées avec agilité pour réussir la bonne transformation et garder la motivation des partenaires !

    Règle #6 : Promouvoir et structurer les échanges en interne pour mieux piloter l’innovation

    La mise en place d’une gouvernance multi-métiers (marketing, R&D, Achats…) est un facteur clé de succès pour organiser la promotion et la conduite de l’innovation avec les fournisseurs ou plus largement les partenaires de l’écosystème.

    Cette gouvernance est fondamentale pour aligner les roadmap technologiques, les stratégies achats et les roadmaps fournisseurs. Certaines entreprises font ainsi évoluer significativement leurs organisations. Ainsi, cet équipementier automobile de premier plan qui a réuni sous une même organisation (« Engineering Procurement ») une partie de ses équipes R&D et Achats/Développement Fournisseurs pour piloter l’innovation fournisseurs et assurer l’alignement avec les roadmap métiers.

    La gouvernance interne multi-métier est essentielle pour piloter efficacement l’innovation fournisseurs et l’aligner avec la stratégie produit.


    Promote internal exchanges

    Règle #7 : Valoriser l’innovation en interne pour créer l’envie

    Favoriser une culture de l’innovation nécessite la mise en place d’une conduite du changement qui repose autour de 3 axes :



    • Créer le bon état d’esprit : communications, célébration du succès, reconnaissance du droit à l’erreur, mise en avant des fournisseurs, etc.
    • Démystifier : organiser des visites industriels/labos, partager des benchmarks, communiquer sur des innovations simples réalisées, etc… L’innovation est à la portée de tous !
    • Donner l’envie : créer des challenges ou des trophées, incentiver les managers sur les moyens dédiés à l’innovation, créer un indicateur synthétique, etc… 

    L’innovation est avant tout un état d’esprit !

    Règle #8 : Favoriser l’implication individuelle dans l’innovation pour démultiplier les initiatives

    L’innovation ne se décrète pas. Elle doit être à l’initiative de chacun et du plus grand nombre. Si la communication et la valorisation de l’innovation contribuent à créer cet état d’esprit, cela n’est pas suffisant pour autant. Il convient également de relayer par des actions managériales et RH.

    • Donner les moyens aux managers : les former et les coacher pour leur permettre de relayer auprès des équipes ; leur permettre d’octroyer du temps à l’innovation
    • Intégrer les critères d’innovation dans les processus de recrutement, d’évaluation, ainsi que dans les parcours d’intégration des nouveaux arrivants.

    Individual involvement in innovation

    Les Ressources Humaines ont un rôle clé dans la diffusion de la culture d’innovation !

    Règle #9 : Développer les bonnes compétences pour capter et conserver la valeur créée

    Réussir l’innovation avec les fournisseurs, c’est aussi savoir développer les bonnes compétences :


    Capture retain innovation
    • Développer les compétences techniques : l’erreur classique consiste à focaliser l’innovation fournisseurs pour combler un manque de compétences technologiques internes ! Or, justement il faut être capable de toujours maîtriser l’innovation venant du fournisseur afin de capter la juste part de la valeur mais aussi de la conserver dans le temps. La cartographie des connaissances est donc un pré-requis important avant d’engager une telle démarche.
    • Développer les compétences de savoir-être : les compétences requises pour susciter et piloter l’innovation fournisseurs ne sont plus celles attendues traditionnellement des acheteurs. Les compétences techniques ou fonctionnelles s’effacent au profit compétences de leadership, de Business Development, « Intelligent Risk Taker », etc…

    Le temps est venu de remplacer le « Cost Killer » par le « Business Developer »!

    Conclusion

    Pour conclure, nous dirons que réussite de l’innovation fournisseurs repose l’organisation d’un Ecosystème structuré mais suffisamment agile pour faire émerger et aboutir les nouvelles opportunités. Ces nouveaux schémas de coopération sont à la fois plus complexes et dynamiques. Ils bousculent les traditionnels modes de relation entre les entreprises et leurs fournisseurs. Les entreprises et notamment les Achats doivent se redéployer et s’équiper afin faire face à ces nouveaux défis. Un enjeu majeur pour assurer la contribution de la fonction achats à la création de valeur !

    Algorithmes et Intelligence Artificielle : de nouveaux horizons pour l’estimation et la modélisation des coûts?

    Les avancées réalisées ces 20 dernières années dans le domaine des statistiques ont permis de mettre au point des algorithmes prédictifs beaucoup plus performants notamment en termes de précision. Quelles applications possibles dans le domaine de l’estimation et de la modélisation des coûts ? Si les modèles analytiques traditionnels basés sur les processus de fabrication du produit ou du service, restent encore largement utilisés dans notre société cartésienne, les modèles statistiques s’imposent progressivement de par leur redoutable efficacité. Mais plutôt qu’une opposition, ces 2 méthodes s’enrichissent et se complètent l’une et l’autre.

    Les modèles traditionnels de costing

    Petit rappel, il existe aujourd’hui 3 grandes méthodes utilisées pour estimer le coût d’un produit :

    1

    La méthode analogique

    Cette méthode estime le coût d’un nouveau produit par comparaison avec des produits similaires produits ou achetés dans le passé. Cette méthode est peu fiable, mais peut être utilisée dans des phases extrêmement amont (étude d’opportunité) lorsque les caractéristiques du projet ou du service ne sont pas encore connues. Nous ne nous attarderons pas sur ce type d’estimation basique dans cet article.

    2

    La méthode analytique

    Elle estime le coût d’un produit par modélisation du processus de production industriel. Cette méthode se base sur la structure coût du produit dont elle estime chaque élément intermédiaire sur la base des matières & composants engagés, des coûts de process (machine et main d’œuvre), ainsi que les coûts annexes de structure. Cette méthode présente plusieurs avantages :

    • Elle permet d’estimer un coût de production optimisé et théorique en modélisant une usine virtuelle sur la base des meilleurs ratio (coût main d’œuvre, TRS, Scraps, …).
    • Elle permet ainsi de donner une cible de coût ambitieuse et identifier le « Best Landed Cost » pour un produit donné.
    • Elle permet également d’identifier de manière concrète les sources de non performance des fournisseurs (sur quelle étape de process, quel poste de coût, quel indicateur…) et d’engager avec ces derniers une démarche d’amélioration continue pour capter des gains de productivité.
    • Cette méthode est donc particulièrement utile dans les phases aval du cycle de vie (production, amélioration continue, reconception produit…).

    Cependant, la méthode analytique comporte quelques inconvénients ou freins à la mise en œuvre :

    • Elle nécessite une bonne compréhension des procédés de fabrication en jeu ainsi que des paramètres clé (TRS, Scraps, temps de cycle…). Autant d’informations pas toujours faciles à collecter et capitaliser auprès des fournisseurs.
    • La détermination du « Best Landed Cost » nécessite d’alimenter ces outils avec des données benchmarks sur les paramètres de production, et de maintenir ces benchmarks à jour
    • Si les processus standards peuvent être modélisés plus ou moins rapidement (injection, extrusion, fonderie, découpe, frappe, traitement de surface…), le chiffrage d’un produit complexe est souvent fastidieux. Il requiert une expertise pointue que seules quelques personnes maîtrisent dans l’entreprise.
    • En conséquence, les cellules de chiffrages connaissent vite des goulots d’étranglement, avec des délais de traitement incompatibles avec le développement agile et les contraintes de « time to market ».
    • Enfin, si ces modèles ont une vraie pertinence pour donner des cibles de coût, ils manquent souvent de précision, car ils ne prennent pas en compte les aléas ou certains facteurs externes (rapport de force, effets marché, ….), ce d’autant plus que beaucoup de fournisseurs ont un niveau de maturité très faible sur la maîtrise de leur prix de revient industriel (PRI).

    Les solutions logicielles existantes sur le marché répondent à une partie de ces problèmes en proposant notamment des référentiels intégrés sur plusieurs procédés de fabrication avec des données benchmarks par pays. Certains éditeurs ont également développé des interfaces offrant une lecture des fichiers CAO, ce qui permet d’automatiser la proposition de procédés de fabrication (usine virtuelle). Cependant ces logiciels restent lourds et longs à paramétrer et sont utilisés par quelques experts.

    3

    La méthode paramétrique

    Cette méthode estime le coût d’un produit ou service par modélisation statistique. Cette méthode utilise les historiques de produits ou de services similaires pour définir des équations ou lois statistiques qui permettent de modéliser l’évolution du coût en fonction de certains paramètres qualifiés d’« inducteurs de coût » («Cost Drivers »). Ces modèles sont la plupart du temps basés sur des régressions linéaires, multilinéaires, polynomiales ou encore logarithmiques. Ces méthodes d’estimation présentent plusieurs avantages :

    • Elles permettent d’estimer le coût d’un nouveau produit/service sur la base de caractéristiques simples et connues de l’entreprise (le poids, la taille, les volumes, le pays de production, des éléments clé de la spécification….) sans nécessairement connaître le détail du processus de fabrication ou des benchmarks externes. Il s’agit donc d’une méthode très rapide et simple à mettre en œuvre.
    • D’autre part, se basant sur l’observation des produits/services réellement fabriqués ou achetés dans le passé, le coût estimé est potentiellement plus consistent et précis qu’un modèle analytique « théorique », sous condition bien entendu d’avoir suffisamment d’historique de qualité.
    • Ces méthodes statistiques sont particulièrement utiles dans les phases amont du cycle de vie (opportunité, faisabilité, conception détaillée…) car elles permettent de prendre rapidement les bonnes décisions pour une conception optimisée et donc de sécuriser la marge tout en accélérant le « time to market ».
    • Plus en aval, elles permettent également d’analyser rapidement la cohérence ou les incohérences dans les prix actuels, grâce aux analyses de dispersion par rapport au modèle prédictif. Ainsi elles révèlent des produits ou services aberrants, au coût anormalement élevé, par exemple, au regard du modèle prédictif. Cela donne des pistes d’optimisation pour les acheteurs (renégociation, changement de fournisseur) ou pour la R&D (reconception).

    En revanche, ces méthodes présentent plusieurs limites:

    • Les modèles statistiques traditionnels (basés sur des régressions) prennent difficilement en compte les paramètres qualitatifs (sauf à réduire la taille de la base de données).
    • Ils gèrent mal les données manquantes et nécessitent donc d’avoir des bases de données très propres.
    • Ils gèrent mal les « ruptures » ou effets de seuil. Par exemple, le prix peut avoir un comportement linéaire sur une certaine plage, puis un comportement radicalement différent à partir d’un certain seuil (taille, poids, volume…) car le procédé de fabrication peut changer.
    • Tous ces éléments affectent directement la précision des modèles paramétriques traditionnels et donc leur utilisation.

    L’Intelligence Artificielle, la voie vers une quatrième méthode de modélisation des coûts

    Les progrès réalisés ces dernières années dans de domaine algorithmique et du machine learning solutionnent en grande partie les inconvénients des méthodes paramétriques traditionnelles et permettent d’en améliorer la performance ainsi que leur domaine d’application.

    Parmi les méthodes statistiques récentes, l’algorithme des « forêts aléatoires », formellement proposé en 2001 par Leo Breiman et Adèle Cutler (Breiman, L., Random Forests. Machine Learning. 45, 5-32 (2001)) est une méthode statistique non paramétrique qui effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données légèrement différents, générés par les techniques de « Bootstrap ».

    1/ Quels sont les avantages?

    Les principaux avantages de cet algorithme issu de l’intelligence artificielle sont les suivants :

    • Capacité à modéliser un nombre très important de paramètres (« cost drivers ») et notamment des paramètres qualitatifs ou « symboliques »
    • Capacité à traiter des bases de données pour lesquelles le nombre de variables dépasse largement le nombre d’observations
    • Capacité à identifier et pondérer automatiquement les paramètres les plus importants, et donc les « cost drivers » qui impactent le plus le coût du produit
    • Capacité à gérer les valeurs manquantes / bases de données incomplètes
    • Robustesse aux « outliers »
    • Capacité à identifier les ruptures de comportement des variables
    • Interprétabilité de l’arbre
    • Précision augmentée de 30 à 40% par rapports à des méthodes traditionnelles

    2/ Quelles sont les applications?

    Les applications de ces algorithmes sont multiples, notamment dans le domaine médical, assuranciel, ou encore dans le ciblage des campagnes marketing (avec les méthodes d’uplift).

    L’application des forêts aléatoires dans le domaine de l’estimation des coûts permet de solutionner une grande partie des inconvénients des approches paramétriques traditionnelles et ouvre ainsi de nouvelles opportunités pour les entreprises soucieuses de gagner en efficacité et en compétitivité.

    En effet, une estimation précise des coûts est désormais possible, même avec un nombre limité d’observations (quelques dizaines), limitant ainsi les ressources engagées pour collecter et capitaliser les données. D’autre part le prix de systèmes complexes peut être modélisé à partir de « cost drivers » fonctionnels facilement accessibles rendant le chiffrage particulièrement simple et rapide. Ainsi, pour un fabriquant de bien d’équipements, nous avons pu modéliser le coût d’un système de climatisation quasi exclusivement à partir de paramètres fonctionnels ou d’environnement comme, le volume à climatiser, le nombre d’ouvertures, le nombre de personnes, le temps nécessaire pour atteindre la température cible, etc…

    C’est pourquoi les forêts aléatoires ont commencé à être utilisées par certaines entreprises dans les phases amont du cycle de vie du produit, et notamment pour :

    • Gagner en productivité sur leurs activités de chiffrage (gain de temps et de ressources qu’elles peuvent focaliser sur des chiffrages d’innovation technologique)
    • Répondre plus vite aux appels d’offres de leur client et surtout utiliser ce gain de temps pour mieux optimiser leur proposition
    • Sécuriser et optimiser leur marge sur les nouveaux business

    Il n’est pas étonnant de voir que les premiers utilisateurs ont été les secteurs ayant de fortes activités de chiffrage et de développement produit (automobile, biens d’équipement, biens de consommation…).

    La seconde étape a ensuite été d’utiliser ces algorithmes pour réaliser les analyses de cohérence ou d’incohérence de prix en identifiant des produits présentant de gros écarts entre le prix réel et le prix estimé. Les propriétés explicatives de forêts aléatoires (classification avec des produits similaires) permettent d’argumenter vis-à-vis des fournisseurs lors de négociations et ainsi de dégager des économies d’achats.

    Enfin, une fois le modèle parfaitement calibré, il devient un outil de « cost control » permettant de valider le juste prix proposé par le fournisseur. Les processus de négociation s’en trouvent allégés.

    3/ Quelles sont les opportunités?

    Les opportunités offertes par les forêts aléatoires dans le domaine de l’estimation et de l’optimisation des coûts sont donc gigantesques et loin d’avoir été totalement exploitées. Au-delà de l’optimisation des coûts, l’auto apprentissage de l’algorithme sur les données des entreprises et de leurs fournisseurs permet d’envisager des apports intelligents tels que la préparation automatique de négociations (objectifs, leviers arguments…), la proposition de conceptions ou reconceptions optimisées, la préconisation de stratégies d’achats les plus adaptées anticipant les comportements fournisseurs…

    En conclusion les 2 approches sont complémentaires dans leur utilisation :

    Avantages

    Limites

    Exemples

    de logiciel

    Modèle analytique

    • Modèle explicatif et centré opérations
    • Estimation « Best Landed Cost » et définition de prix cible
    • Permet d’optimiser les prix en production et de piloter les plans de progrès fournisseurs
    • Difficulté d’accès aux référentiels procédés et maintien dans le temps
    • Démarche intrusive vis-à-vis des fournisseurs
    • Modèle expert peu diffusable
    • Délai de paramétrage et de réalisation des chiffrages
    • Précision ?
    • Siemens PLM
    • A Priori
    • Facton

    Modèle statistique paramétrique

    • Facilité et rapidité d’utilisation
    • Cohérence du prix estimé, et précision (sous condition)
    • Démarche non intrusive vis-à-vis des fournisseurs
    • Application produit et services
    • Très pertinent dans les phases amont du cycle de vie et pour les analyses de cohérence
    • Nécessite un minimum d’historique de données et de qualité
    • Modèle peu « explicatif » pour animer les plans de progrès fournisseurs
    • Modèle moins pertinent pour définir des prix cible et « Best Landed Cost »
    • Difficulté à modéliser les paramètres qualitatifs
    •  Seer
    • EstimFEC

    Modèle statistique non paramétrique –

    « Forêts Aléatoires »

    • Facilité et rapidité d’utilisation
    • Cohérence du prix estimé, et précision augmentée de 30% par rapport aux modèles paramétriques (sous condition)
    • Démarche non intrusive vis-à-vis des fournisseurs
    • Application produits et services
    • Très pertinent dans les phases amont du cycle de vie
    • Pertinent également dans les phases aval pour l’analyse de cohérences de prix et l’identification d’opportunités grâce aux propriétés explicatives des forêts
    • Intègre un grand nombre de cost drivers, y compris qualitatifs
    • Détecte les ruptures technologiques
    • Hiérarchise les cost drivers
    • Gère les valeurs manquantes et peut travailler avec un échantillon limité
    • Modèle moins pertinent pour définir des prix cibles et « Best Landed Cost »
    • easyKost

    Conclusions

    Pour conclure, il serait vain de vouloir opposer les méthodes analytiques et statistiques d’estimation des coûts. Elles se complètent dans leur usage et leur finalité. La méthode statistique, plus consistante car basée sur l’observation des données réelles, permet d’obtenir une évaluation rapide et précise pour prendre les bonnes décisions dans les processus de conception ou de reconception produit. Simple à mettre en œuvre, elle permet de modéliser un grand nombre de familles de produits et de services de manière non intrusive et sans besoin d’acquérir une expertise technologique poussée. La méthode analytique permet quant à elle d’obtenir un chiffrage reflétant précisément la réalité (ou la simulation) d’un procédé de fabrication. Plus fastidieuse à mettre en œuvre, elle permet en revanche de définir des cibles de coût à atteindre avec des facteurs explicatifs basés sur les paramètres industriels constatés et benchmarks. En ce sens, elle est plus appropriée pour chiffrer des ruptures technologiques et conduire les plans de progrès industriels fournisseurs afin de les amener à atteindre la cible visée. Elle est également plus pertinente pour chiffrer les innovations technologiques sur lesquelles l’entreprise ne dispose pas d’historique.

    Néanmoins, les algorithmes autodidactiques et le deep learning ouvrent de nouveaux horizons et champs d’application pour l’utilisation des modèles statistiques, notamment grâce au partage d’informations entre les entreprises ou bien entre celles-ci et leurs fournisseurs.

    9 conseils pour générer un impact sur les revenus

    Au cours des 20 dernières années, la fonction Achats a évolué, passant de la réduction des coûts à la gestion des coûts complets et à la gestion des risques, en gagnant de plus en plus d’influence stratégique. Cependant, ces initiatives Achats restent souvent limitées à un impact sur la bottom line. Dans cet article, nous partagerons des cas réels provenant de divers secteurs industriels (automobile, pharmaceutique, aérospatiale…), où les organisations Achats ont produit des effets sur le chiffre d’affaires grâce à des initiatives spécifiques ou à des changements organisationnels.


    Purchasing to generate strategic market impact

    Procurement to create a competitive advantage

    Ce document décrit nos neuf conseils pour que les organisations Achats créent un impact sur le chiffre d’affaires. Ils sont divisés en trois catégories :

    1

    Produit

    Comment les Achats peuvent impacter le chiffre d’affaires en influençant les nouveaux produits que votre entreprise va lancer

    2

    Croissance de l’entreprise

    Comment les Achats peuvent générer du chiffre d’affaires en influençant les processus qui peuvent exister aujourd’hui dans votre entreprise

    3

    Futur

    Comment les Achats peuvent générer du chiffre d’affaires en influençant et en participant à la transformation des business models des entreprises


    Procurement product business growth future

    Veuillez cliquez/tapez sur chaque conseil

    Conseil #1 : Design to Value

    Conseil #2 : Organisation Achats conçue pour accélérer la mise sur le marché

    Conseil #3 : Écosystème d’innovation

    Conseil #4 : “Lean Bidding” à travers le chiffrage paramétrique

    Conseil #5 : Succès dans les marchés en expansion

    Conseil #6 : Fusions & Acquisitions

    Conseil #7, 8, 9 : Achats 4.0

    Conclusion: qu’est-ce que cela signifie pour le futur des Achats

    Nous estimons que les Achats vont évoluer vers une synchronisation accrue avec l’ensemble des activités et une collaboration plus étroite avec les directions commerciales. Le Category Management traditionnellement structuré en marchés fournisseurs devrait évoluer vers une organisation plus en chaîne de valeur, permettant de mettre rapidement en œuvre des solutions innovantes. Les Achats seront plutôt un Business Partner contribuant à l’évolution du Business Model en identifiant et en adaptant les opportunités internes et externes. Cela aura également un impact sur les compétences requises des professionnels des Achats : les compétences « soft » prendront plus d’importance que les compétences fonctionnelles traditionnelles.


    Future of Procurement