Qualité des données Supply Chain : par où commencer ?
Chez Ciblex, une même pharmacie peut apparaître sous plusieurs adresses dans les bases des clients. Chez FoodFlow, livrer un restaurant la nuit suppose de connaître ses conditions d’accès, jusqu’à l’emplacement des produits à ranger. Chez ManoMano, les dimensions d’un article servent à recommander le carton adapté.
Pour améliorer la qualité des données Supply Chain, un point de départ concret consiste à identifier les informations qui conditionnent une opération, puis à organiser leur collecte, leur mise à jour et leur utilisation. Les témoignages recueillis dans Au cœur de la Supply Chain montrent comment mener ce travail à partir de besoins précis.
Identifier correctement un destinataire : le cas Ciblex
Mélanie Ogier explique que Ciblex reçoit les données destinataires de plus de 2 000 clients, chacun avec sa propre base. Une adresse peut être incomplète, ancienne ou correspondre à l’entrée postale alors que la livraison s’effectue ailleurs. La difficulté apparaît notamment lorsque plusieurs clients expédient vers le même destinataire. Pour regrouper correctement les livraisons, il faut reconnaître qu’il s’agit d’un seul point à desservir, malgré les différences entre les informations reçues.
Ciblex a travaillé avec un partenaire utilisant l’IA pour compléter ces données, notamment avec des coordonnées géographiques. L’adresse d’origine reste conservée : l’enrichissement apporte des informations utiles à la livraison sans la remplacer. Mélanie Ogier insiste sur l’ordre des chantiers : la fiabilisation des données destinataires permet ensuite de travailler l’optimisation des tournées et la sectorisation. Le besoin opérationnel détermine ici les données à traiter en priorité.
Relier les dimensions des produits au choix de l’emballage
Chez ManoMano, Pierre Lebert décrit une autre utilisation de la donnée : réduire le vide dans les cartons. Les équipes ont rapproché les informations sur les ventes, les produits et les emballages pour revoir la gamme de cartons. Les dimensions et le poids des articles alimentent ensuite un algorithme qui recommande l’emballage à utiliser pour la préparation.
Cette recommandation est connectée au WMS, le système de gestion de l’entrepôt. L’algorithme reste géré par les équipes data afin de pouvoir être amélioré.
Le lien entre la donnée et l’action est direct : les caractéristiques du produit servent à donner une consigne à l’opérateur. La donnée devient utile parce qu’elle intervient au moment où une décision doit être prise. Le témoignage montre aussi que le travail porte sur deux niveaux : analyser les données pour revoir les choix d’emballages, puis les exploiter dans les opérations quotidiennes.
Rendre les consignes de livraison accessibles au chauffeur
FoodFlow livre notamment des restaurateurs pendant leurs heures de fermeture. Pierre Colson décrit ce que cela implique : disposer des clés, connaître les conditions d’accès et savoir où ranger les produits selon leur température de conservation. Les clés sont tracées et associées aux clients. Une personne prépare les trousseaux une fois les tournées attribuées. Les consignes figurent sur la feuille de route et dans l’application du livreur.
Ce cas élargit la notion de donnée logistique. Les informations nécessaires ne se limitent pas à une référence produit, une quantité ou une adresse. Elles comprennent aussi les instructions qui permettent de réaliser le service promis.
Une information doit être suffisamment précise et disponible pour la personne qui en a besoin, au bon moment de l’opération. Une adresse correcte ne suffit pas à organiser une livraison dans un établissement fermé.
Organiser le travail entre les métiers et les équipes data
Chez ManoMano, les équipes d’excellence opérationnelle réalisent un premier niveau d’analyse. Elles connaissent les opérations, observent le terrain et précisent les améliorations recherchées avant de solliciter les spécialistes de la donnée. Pierre Lebert donne l’exemple de mesures de temps réalisées sur le terrain pour définir le besoin et les gains possibles. L’équipe data transverse apporte ensuite les moyens d’étendre l’analyse à l’ensemble des commandes et des volumes.
Chez FoodFlow, Pierre Colson explique également que des personnes sont chargées de la collecte, de la gestion et de l’organisation des données pour permettre leur exploitation.
Ces deux organisations illustrent des responsabilités complémentaires : comprendre le processus, définir les informations utiles et rendre leur exploitation possible. Cette articulation compte aussi lors d’un changement d’ERP et de la transformation des processus Supply Chain.
Choisir un premier chantier de qualité des données Chain Chain
À partir de ces exemples, trois questions permettent de cadrer une première action :
Quelle opération voulons-nous améliorer ? Regrouper les livraisons, choisir un emballage ou donner les bonnes consignes au chauffeur correspondent à des besoins différents.
Quelles informations cette opération exige-t-elle ? L’adresse, les dimensions et les conditions d’accès n’ont ni la même origine ni le même usage.
Comment ces informations arrivent-elles jusqu’à leur utilisateur ? Il faut regarder leur collecte, leur gestion et leur disponibilité dans le processus concerné.
Ce cadrage aide à définir un périmètre de travail concret et à mobiliser les équipes concernées. Il permet aussi de relier un chantier de données à un effet opérationnel observable.
Vous préparez un projet digital ou souhaitez fiabiliser vos processus ? Découvrez l’expertise de Cogence en digitalisation et visibilité Supply Chain.
Écouter les témoignages
Je suis Juliette Rihal, consultante en Supply Chain auprès des grands groupes et des ETI depuis plus de 15 ans. J'ai fondé le cabinet de conseil Cogence pour aider les entreprises à concilier performance, résilience et impact. J'anime également le podcast Au Coeur de la Supply Chain. Contact : juliette.rihal@cogence-consulting.com
Commentaires