De quelles données avez-vous réellement besoin pour piloter la supply chain ?
Les données essentielles sont celles qui bougent et peuvent nous surprendre : stocks, ventes, écarts aux prévisions, commandes, production et blocages qualité. Il faut pouvoir les capter presque en temps réel.
Le vrai sujet, ce sont aussi les signaux faibles que nous ne détectons pas, faute de réconcilier les données et d’avoir une alerte quand le plan ne s’exécute plus comme prévu.
Dans notre métier, une donnée initiale fausse change tout : sur un site automatisé, un écart de 40 % sur la gerbabilité peut faire saturer un entrepôt prévu pour 50 000 palettes dès 38 000.
Le débat rappelle ainsi une évidence : avant la sophistication des modèles, la valeur repose sur une donnée fiable, contextualisée et suffisamment fraîche pour éclairer l’exécution.
Comment passer des POC data/IA à des outils réellement utilisés et créateurs de valeur ?
« Notre premier POC sur la prévision de la demande nous a rapidement fait gagner 5 à 10 points de MAPE. À notre échelle, cela représente un ou deux jours de stock : beaucoup d’argent. »
« Le passage à l’échelle a pris cinq ans. Aujourd’hui, 50 % des volumes sont prévisionnés en ″zéro touch″ et les prévisionnistes se concentrent sur les nouveaux produits et les références difficiles. »
« Une clé du succès a été de réunir experts supply chain, data scientists et spécialistes de la conduite du changement, puis de les installer au milieu des opérationnels pour comprendre leurs vrais ″pain points″. »
Autrement dit, un POC ne devient industriel que s’il démontre une valeur mesurable, s’insère dans les usages et associe très tôt métier, data et transformation.
Jusqu’où automatiser la décision supply chain ?
« Nous avons déjà automatisé des décisions sans redessiner les processus : ils restent les mêmes, mais deviennent plus fluides et plus efficients. »
« Sur le S&OP, je pense que 90 % des décisions pourraient ne plus nécessiter d’intervention. Les agents ne solliciteraient l’humain que lorsqu’une décision dépasse leur cadre d’autorisation ou leur niveau de fiabilité. »
« L’IA peut digérer une masse de données et faire remonter deux ou trois cas. Ensuite, il faut remettre l’intelligence humaine derrière pour décider. »
La ligne de partage se dessine donc moins entre décision humaine et décision machine qu’entre décisions répétitives, encadrables, et arbitrages nécessitant contexte, responsabilité ou jugement.
Le principal frein à la transformation data est-il encore technologique… ou humain ?
« La technologie est largement disponible. Le principal frein, c’est désormais la vitesse à laquelle les équipes opérationnelles peuvent absorber ces nouveaux outils. Le goulot s’est déplacé. »
« L’IA n’est jamais un outil anodin : elle change la manière de travailler et peut déplacer des compétences. Il faut donc regarder la vitesse que peuvent accepter les personnes dont on transforme le métier. »
« On ne peut pas rendre autonome un processus totalement chaotique. Il faut d’abord le décrire, le normer et le standardiser un minimum. »
Le facteur humain ne remplace donc pas les prérequis technologiques : il s’y ajoute. Qualité de la donnée, gouvernance, processus suffisamment maîtrisés et capacité d’adoption avancent ensemble.
La data va-t-elle finir par redessiner l’organisation et les métiers de la supply chain ?
« Nous avons créé un centre d’excellence Data Driven Supply Chain avec des profils métiers, des data scientists et de la conduite du changement. Ce mélange de compétences a été déterminant. »
« Les ″data stewards″ restent dans les équipes supply chain opérationnelles, même s’ils sont formés et certifiés par l’organisation data mondiale : nos données sont trop dynamiques pour les éloigner du terrain. »
« Si l’on regarde notre métier par les décisions à prendre et les données nécessaires, plutôt que par les processus existants, on peut reconfigurer les métiers et l’organisation. »
La transformation devient organisationnelle : de nouveaux rôles apparaissent, d’autres se déplacent, et les équipes pourraient demain se structurer davantage autour des décisions et des données que des processus historiques.
