Système d'Information Décisionnel - Le blog de Michel Bruley

Les constructeurs automobiles font face aujourd'hui à un marché mondial hyper concurrentiel, à des coûts de développement de plus en plus élevés, à une demande des clients qui change rapidement, et à des réglementations toujours plus strictes. En conséquence, pour mieux gérer le cycle de vie des automobiles, les constructeurs ont besoin d’intégrer de plus en plus de données sur les véhicules de leur conception à leur destruction, et de plus en plus en particulier des données produites par les véhicules sur la route.

Pour tirer parti de toutes les données concernant les véhicules, et en particulier celles produites sur le terrain, les entreprises doivent être capable d'agréger, d'intégrer et d'analyser des volumes de données très volumineux provenant de nombreuses sources disparates, puis de réagir quelques fois prestement en fonction des résultats. C'est un formidable défi, et tous les constructeurs en sont encore au stade de l’apprentissage, et à la recherche de pistes pour exploiter ce vaste ensemble de données qui nécessite la combinaison d’une infrastructure informatique spécifiquement adaptée et des analystes métiers particulièrement compétents.

La plupart des constructeurs automobiles consolident depuis très longtemps les données relatives aux configurations des véhicules et aux garanties, pour alimenter les réflexions d'ingénierie. Depuis environ dix ans ils ont aussi commencé à recueillir en parallèle les données générées par les capteurs de leurs véhicules, car elles fournissent une vue des performances et des défaillances dans les conditions réelles sur le terrain. C’est dans ce contexte que certains constructeurs ont commencé à développer leur entrepôt d’entreprise afin d’intégrer toutes leurs informations.

La mise en place de ces entrepôts de données d’entreprise commence toujours par une phase de consolidation des systèmes décisionnels préexistants. Cependant n’importe quelle plate-forme ne peut pas fournir les performances requises pour assumer les analyses sur les volumes de données en question. C’est pourquoi Teradata a été sollicité par de nombreux constructeurs comme Daimler, Ford, Tata, ou Volvo pour n’en citer que quelques-uns. Outre la mise à disposition de nouvelles données et l’amélioration des performances de réponse aux multiples requêtes, il s’agit aussi de donner un accès à des centaines de nouveaux utilisateurs dans la conception des produits, la fabrication, l’assurance qualité, et l'administration de la garantie. De tout cela il résulte une grande variété d'améliorations impactant de nombreux processus, comme par exemple l’accélération des réponses aux problèmes des véhicules, l’amélioration de la qualité et de certaines fonctionnalités à travers une meilleure gestion du cycle de vie des produits, la réduction des coûts, une meilleur gestion des remboursements de garantie, et par-dessus tous la création de nouveaux produits innovants.

Dans ces entreprises dotées d’un entrepôt de données d’entreprise, la réponse à toute nouvelle question commence maintenant toujours par une exploration profitable des données pertinentes, et chaque hypothèse peut être testée par rapport aux données avant toute décision. Dans tout processus de réponse à une problématique, les données sont utilisées pour déterminer les enjeux, pour hiérarchiser les questions et définir le niveau des réponses. Au final cela aide tout le monde à rester focalisé sur le déploiement efficace des choix stratégiques, comme par exemple de porter une attention maximum à tout ce qui touche le plus directement l'expérience client.

Pour aller plus loin vous pouvez utilement lire mes autres articles consacrés aux fonctions achat, qualité, garantie, maintenance et MRO : cliquez ici

A défaut de prévoir ou d’être à même d’anticiper le futur même immédiat, je vous souhaite une bonne année 2012.

Cela dit, il ne faut pas confondre prévision et prospective. Les différences portent notamment sur l’horizon temporel (court vs long), la démarche (extrapolation du présent vs imagination), l’attitude à l’égard du futur (passive/réactive vs proactive/créative), les variables (primauté du quantifiable vs qualitatives/quantifiables ou non) et les méthodes (modèles déterministes vs construction de scénarios). Prévoir, c’est donc chiffrer par avance ce qui doit arriver avec un niveau d’incertitude faible.

Les prévisions sont importantes pour toutes les fonctions de l’entreprise. La Finance utilise les prévisions pour estimer les besoins futurs en capital, les Ressources humaines évaluent les besoins de main-d’œuvre, la fonction Marketing/Ventes développe des prévisions de ventes utilisées pour la planification, et la direction des Opérations développent et utilisent des prévisions pour établir les horaires de la main-d’œuvre, déterminer les besoins en stocks et planifier les besoins en capacité.

Dans la période économique actuelle, être à même de faire de bonnes prévisions est crucial. Il est donc important de bien comprendre le processus de prévision statistique, de connaître les grands principes des modèles utilisés afin de mieux contrôler les étapes de l’élaboration des prévisions. Si toutes les fonctions de l’entreprise font des prévisions, la prévision la plus importante de toutes est celle de la demande qui permet : d’établir quelle capacité de production est requise afin d’ajuster l’offre à la demande, de choisir les technologies appropriées au niveau de demande, d’orienter la politique et les stratégies de gestion des stocks, de déterminer les meilleures stratégies de production, de planifier l’utilisation des équipements, les besoins en équipements et de planifier la main-d’œuvre requise.

Concrètement pour prévoir la demande, il s’agit de prendre en compte la tendance (variation significative de la demande en fonction du temps), la saisonnalité (évolution régulière qui se répète périodiquement), les cycles (évolution qui s'étale sur plusieurs années et qui peut être attribuée à des cycles de vie des produits ou à des conditions économiques, politiques, etc.), les irrégularités (variations provoquées par des circonstances inhabituelles), et enfin les aléas possibles (variations qui ne peuvent être expliquées).

Dans tous les cas seule une bonne gestion des données historiques nécessaires peut assurer une production de prévisions de la demande de qualité. Pour aller plus loin sur ce thème des prévisions vous pouvez utilement consulter mes autres articles sur ce sujet : cliquez ici