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