Big Data, Science des données, aide à la décision en entreprise, business intelligence, data warehouse, reporting, OLAP, web analytics, data visualization, data mining, internet des objets, informatique cognitive, intelligence artificielle...

Abonnez-vous gratuitement à Decideo !


Decideo

 


Champs d’application & cas concrets d’Active Intelligence Enterprise et de Real-Time BI


Rédigé par le 8 Janvier 2007



Champs d’application & cas concrets d’Active Intelligence Enterprise et de Real-Time BI
L’Active Enterprise Intelligence à pour objectif de faciliter l’optimisation dynamique et permanente des processus de l’entreprise. Les champs d’application correspondants sont extrêmement étendus. Il s’agit par exemple d’optimiser la gestion des contacts clients, la gestion des risques (détection de fraude, lutte anti-blanchiment, lutte antiterrorisme), le merchandising, la chaîne logistique, les flux (matières, informations, personnes), la gestion de la production, l’emploi des ressources humaines, le service client, la gestion des configurations, etc.

L’étendue du champ d’application de moyens d’Active Intelligence Enterprise et de Real-Time BI se décline aussi par secteur d’activité :

Grande distribution : optimisation de la composition des linéaires, suivi fin des nouveaux produits, promotions temps réel, réduction des ruptures de stock sur linéaire, optimisation du stock, des canaux et des rythmes d’approvisionnement,
Secteur bancaire : maîtrise des flux monétaires (SEPA), des transactions de marchés de capitaux (MiFid), analyse des transactions et services à valeur ajoutée, sécurité et gestion de risque (détection de fraude et alertes,…),
Santé : gestion des flux de patients, du parcours hospitalier et médical, épidémiologie,
Agro-alimentaire : optimisation de la traçabilité et réactivité,
Industrie : optimisation du flux de production et des approvisionnements,
Défense : optimisation de la logistique,
Services de sécurité : lutte anti-terroriste,
Trafic urbain : optimisation des flux de trafic, communication contextuelle,
Télécommunications : détection de fraude, optimisation des services clients et centres d’appels,
Loisirs : optimisation en temps réel des files d’attentes.

Dans la grande distribution par exemple, l’exploitation des données issues des caisses des points de vente fait déjà l’objet de systèmes décisionnels conséquents à forte valeur ajoutée, notamment capables d’élaborer un compte de résultat analytique quotidien par référence article / point de vente / client ou segment de clientèle. Cependant ces informations analytiques sont essentiellement exploitables par des analystes de directions centrales du marketing, du contrôle de gestion ou des approvisionnements. Or l’extraction et l’exploitation de ces données de caisses en temps réel peut aussi permettre de fournir aux acteurs du terrain dans chaque point de vente, une information analytique quasi-instantanée, leur donnant les moyens de réagir immédiatement à une rupture de stock sur un linéaire, à une mévente d’un produit insuffisamment mis en valeur ou trop cher, à un risque de rupture de stock pour un produit plus demandé qu’à l’accoutumé, ou à une tendance de ventes inférieure à l’objectif.

Pour être plus détaillé, ci-dessous deux cas précis d’Active Intelligence Enterprise et de Real-Time BI dans le secteur de la Distribution, le premier sur le thème de la traque des ventes perdues et le second sur celui de la fraude. En matière de ventes perdues, les études montrent que les lorsque les clients font leurs courses, dans 40% des cas, un ou plusieurs articles de leur liste ne sont pas sur l'étagère du magasin. L’article peut être absent du rayon simplement parce que le rayon n’est pas réapprovisionné assez vite, mais, également (dans 30% des cas) l’article est bien présent dans le magasin, mais difficile à repérer ou insuffisamment mis en valeur. En connaissant le niveau des ventes attendu par article ou famille d’articles dans chaque magasin et en contrôlant en permanence les ventes effectives, il est possible de détecter immédiatement et même d’anticiper ces situations et ainsi de prendre les mesures appropriées. Ces informations sont collectées au fil de l’eau dans un entrepôt de données et un rapport rafraîchit toutes les 10 minutes est mis à disposition du directeur du magasin pour action. Le résultat obtenu se décline en accroissement de la satisfaction client, en augmentation du chiffre d’affaires et en réduction du coût des stocks.

Examinons maintenant la mis en œuvre de l’Intelligence Active Entreprise pour la détection de fraude dans la grande distribution. Des malfaiteurs utilisant des copies de tickets de caisse, prélèvent des articles dans le magasin, puis les restituent à une caisse en échange d’un remboursement en liquide. Si les collaborateurs du service ‘retours’ ne disposent pas d’un accès suffisant à un historique des retours, ils sont démunis face à cette escroquerie, tandis qu’en disposant en temps réel d’informations sur les retours ces agents peuvent être alertés par un taux de retours anormal. Cette fonctionnalité permet également un suivi extrêmement fin des nouveaux articles ou modèles et des retours associés. Pour une chaîne de 500 magasins, le nombre de transactions de retours quotidiens s’élevait à 45 000. La mise en œuvre de moyens d’Active Intelligence Enterprise et de Real-Time BI a permis de réduire de 75 % les fraudes.

D’autres types de fraudes peuvent être également surveillées et détectées en temps réel, ainsi chaque remise non-conforme ou forçage du prix au niveau de la caisse, peut être analysé en détail par le système et générer des alertes. Concrètement cela fonctionne de la façon suivante : à l’instant même de la transaction de vente, les données du ticket de caisse sont captées et viennent alimenter en temps réel un entrepôt de données qui comporte les référentiels produits et articles, notamment le détail des prix, des promotions, le stock, le détail des transactions de vente, de retours ou d’échanges, les modalités de paiement et assure une mise à jour au fil de l’eau des indicateurs clés pour une réaction immédiate. Chez Hudson’s Bay la mise en œuvre d’un système similaire a permis dès les premières heures de l’installation du pilote, de stopper l’activité d’un réseau de malfaiteurs qui utilisaient de façon frauduleuse des copies de simples reçus et ont causé plusieurs milliers de dollars de préjudice. En cinq mois un ROI de 100 % a pu être mesuré grâce à la réduction des pertes.

Pour aller plus loin sur les sujets du Real Time BI & de l’Active Enterprise Intelligence, vous pouvez utilement consulter les liens ci-dessous pour prendre connaissance de références de BearingPoint & Teradata dans le domaine de la Distribution et du Real-time :

http://www.teradata.com/teradata-customers/case-studies.html
http://www.bearingpoint.fr/content/library/138_907.htm

Christophe Henocq, Manager BearingPoint & Michel Bruley, Directeur Marketing Teradata