Raccourcir le "Time-to-Decision" dans la Supply Chain et les Opérations grâce au Diagnostic Digital
Devenir data-driven sur l’ensemble de la chaîne de valeur
La volonté croissante des entreprises de devenir data-driven et de confirmer leur transformation digitale s’explique par le besoin de raccourcir le « time-to-decision ». Il s’agit de faciliter l’alignement et d’accélérer les prises de décisions pour répondre efficacement à l’évolution des marchés clients et fournisseurs.
La valeur ajoutée des approches métier data-driven peut se résumer autour de 3 axes principaux :
- plus de visibilité
- plus de vélocité
- moins de variabilité
Selon Forrester Research, 38 % des sociétés affirment que leur principale difficulté réside dans l’interprétation et la diffusion de leurs données. Il ne suffit pas de disposer de gros volumes de données. Ces dernières doivent être accessibles et compréhensibles pour être véritablement utiles.Lysiane Bessonnet, Directrice, leader du practice Supply Chain
Les difficultés rencontrées dans l’exploitation de la data
Accompagnant de nombreuses entreprises dans des programmes de transformation opérationnelle, le cabinet KEPLER a identifié une inertie forte entre la volonté stratégique affichée par les organisations et la déclinaison opérationnelle des approches data-driven.
Connaître et exploiter la data disponible
Celle-ci s’explique avant tout par un problème de connaissance et d’exploitation des données disponibles au sein de l’organisation. Les données sont dispersées, non partagées entre les métiers et parfois même au sein des équipes, et encore plus difficilement maintenues à jour. Assez étonnamment, cette première étape qui pourrait être perçue comme basique reste un challenge de poids, notamment dans les plus grandes structures où l’organisation matricielle a pu amplifier ce biais de connaissances et de maîtrise des informations maîtres disponibles.
Impliquer les métiers et offrir une vision
La seconde limite rencontrée est d’ordre culturel et repose sur l’implication des métiers et une vision de la stratégie opérationnelle. Une approche data-driven ne peut pas être portée par la technologie, elle repose sur les hommes de métiers et suppose un accompagnement et une transformation dans la prise de décision. Cette capacité de la data à répondre aux enjeux opérationnels, tactiques et stratégiques ne peut pas être tiré par l’IT ou la solution. Ainsi, Il n’est pas rare de voir chez les clients de très riches dashboards, mis en place au prix de mois de travail, et pourtant négligés par les équipes métiers qui ne s’appuient pas réellement dessus pour prendre leurs décisions.
Décliner la stratégie opérationnellement
Enfin, pour une approche data driven efficiente, il est nécessaire de repartir de la stratégie d’entreprise afin de définir les objectifs de chaque métier et décliner la stratégie data opérationnellement. Cette dernière décennie a vu de nombreux projets de digitalisation menés de manière isolée au sein des organisations, en mode « test & learn ». Si ces approches opportunistes sont très bénéfiques en termes de mobilisation, elles ne se traduisent que trop rarement par une création de valeur pérenne. Il s’agit ici de ne pas confondre agilité et démarche isolée. La stratégie data driven doit en effet faire l’objet d’une définition de trajectoire partagée, portée par l’entreprise, pour aboutir à une meilleure définition de la stratégie digitale de l’entreprise et de sa déclinaison opérationnelle.
Les 5 étapes de la maturité des données métiers
Les données brutes
Elles sont collectées, mais non contrôlées. Leur complétude et exactitude sont souvent limitées.
Les données descriptives
Elles sont utilisées pour alimenter les tableaux de bord, et offrent une vision « rétroviseur » qui limitera la pertinence des prises de décisions.
Les données explicatives
Elles alimentent des statistiques, des analyses de performance. Elles constituent une base de savoir qui sera utilisée pour explorer certains scénarios, avec toutefois une vision statique des impacts.
Les données prédictives
Le savoir se transforme en intelligence avec la synchronisation des données multiples, base du machine learning.
Les données prescriptives
On parle ici de continuous intelligence avec des systèmes autonomes qui visent à simplifier ou automatiser toutes les décisions.
