Cas client
Business Intelligence - Power BI
Domaine d'application
Power BI | Indicateurs logistiques | Activités opérationnelles | Taux de service
- Nombre d’articles fabriqués par an : 1.2 M
- Nombre de références : 400
- Nombre d’années d’expérience : 98 ans
Description générale
Entreprise familiale depuis plusieurs générations spécialisée dans la confection de vêtements professionnels, elle évolue aujourd’hui dans un contexte de marché global tendu, celui du textile. La pression sur les coûts, la précision d’une logistique au détails et l’effet mode comme élément différenciant sont autant de facteurs qui rendent la gestion et la prise de décisions complexes pour cette belle PME Rhônalpine.
Avec plus de 400 références sur stock et plus de 1,2 millions d’articles fabriqués par an, la chaîne logistique est le processus vital de l’entreprise. Il est d’ailleurs le sujet central de ce projet de Business Intelligence : donner à la direction une vue détaillée sur les impacts et les retards de chaque commande.
Le second volet principal de ce projet de BI est lié aux retours marchandises. Pour une activité de confection et d’acheminement de ses produits finis, le taux de retour est un poste financier non négligeable. L’objectif de la BI est d’identifier les causes des retours, de les évaluer selon leur criticité et d’en apprécier le coût financier.
Le dernier volet est relatif au stock. Avec autant de références que de tailles de vêtements, le volume du stock ainsi que sa valeur sont essentiels à appréhender à la fois pour l’enjeu logistique que financier. La notion de temps réel devient alors primordiale.
Chalenge métiers et techniques
La logistique est un défi de taille au quotidien pour cette PME qui déploie une énergie remarquable pour le relever.
Elle s’appuie sur un ERP intégrant une solution spéciale Retail pour la partie Supply Chain. A l’instar de n’importe quel ERP, la partie décisionnelle n’est pas traitée convenablement et n’offre pas des indicateurs sur la performance de la logistique. La problématique est donc là : mettre à la disposition de la direction des mesures sur le taux de livraison et le taux de service avec une information pouvant se positionner aussi bien d’un point de vue macro, c’est-à-dire à un groupement de clients que d’un point de vue micro, c’est-à-dire à la commande.
Deux challenges à relever : tout d’abord métier, et plus précisément sur la manière de calculer le taux de service puis technique, notamment sur le jeu de données. Celui-ci étant complexe dans l’ERP, l’objectif est de restituer au client est un jeu de données simplifié et intuitif pour les futurs utilisateurs. Il s’agit d’ailleurs d’un enjeu commun à presque tous les projets de BI.
Un autre défi technique sur ce projet est lié à la volumétrie des données. En effet, celles-ci sont conséquentes et ont exigé un travail d’analyse important. Plusieurs tables contiennent un grand nombre de colonnes ou des informations à relier se situent sur plusieurs tables à la fois.
Il n’y a pas eu de solution particulière à mettre en œuvre mais un temps d’analyse non négligeable pour ensuite créer des assemblages cohérents de plusieurs colonnes ou tables intermédiaires.
Comment calculer justement un taux de service lorsqu’une commande peut être éclatée en plusieurs livraisons partielles avec des durées de livraison différentes ne respectant pas toutes les engagements pris initialement sur le délai globale d’acheminement ?
La solution métier est d’une part, de donner un coefficient de pondération en fonction des délais de livraison réels.
Par exemple : de 0 à 3 jours, coefficient de 100%, puis de 4 à 6 jours, coefficient de 80% et ainsi de suite. Et ensuite, de pondérer également sur la quantité livrée à chaque stade d’avancement de la commande.
En effet, cela serait faux d’attribuer un taux de service élevé à une commande livrée en avance mais pour seulement la moitié des quantités.
Ainsi, on arrive à un taux de service qui tient compte des différents délais d’acheminement et des quantités livrées. Cela permet également de calculer un taux de service à la commande, puis sur un ensemble de commandes pour un même client, puis pour un groupement de clients.
L’autre défi technique sur ce même sujet à savoir la problématique du cheminement des données, celui-ci est rendue plus complexe à cause de l’ERP et de sa manière de traiter une commande : on ne connaît le délai de livraison que lorsque la facture est établie. Il a donc fallu trouver une connexion entre chaque ligne de facturation et le bon de commande afin de connaître le délai par livraison partielle.
Le lien a pu être fait via le numéro de bon de préparation, identifié à la fois sur la commande et sur chaque ligne de facturation et dont la quantité livrée a permis de faire la jonction.
Résultats
Le premier résultat pour la direction générale ainsi que pour la logistique et le service commercial est de disposer d’indicateurs intégrants à la fois de la performance opérationnelle (supply chain) et commerciale (suivi CA). Il est désormais possible d’obtenir en quelques clics un taux de service sur un client et d’identifier les commandes qui jouent sur son niveau de performance.
On parle très souvent d’effet positif de la business Intelligence sur la gouvernance de la donnée et plus particulièrement sur sa fiabilité. Ce cas client est très éloquent. Avant l’intégration de Power BI, il était possible de calculer un délai de livraison de trois voir quatre manières différentes. En effet, il n’est pas faux de calculer le taux de livraison en prenant la date de la commande, ou la date de début de livraison ou encore la date de départ usine avec plus ou moins un délai d’acheminement…Le choix peut-être orienté selon sa position dans l’entreprise ou sur le niveau de qualité que l’on souhaite faire apparaître… Il n’y a désormais plus de discordance sur ce sujet. Le projet a permis de statuer sur un mode de calcul et de fédérer toutes les parties prenantes en interne. Chacun dispose du même niveau d’information grâce à ses indicateurs temps réel !
13 rue des Aulnes