La pandémie est à l'origine d'un nouveau modèle de prise de décision dans la chaîne d'approvisionnement

Les responsables de la chaîne d'approvisionnement sont confrontés à des perturbations sans précédent, non seulement en raison des bouleversements résultant de la pandémie, mais également des changements en cours de la demande, des attentes croissantes des clients et des facteurs géopolitiques externes. Deux choses sont devenues évidentes :ces perturbations ne sont pas temporaires et elles ont mis en lumière des lacunes dans le modèle de données actuel de la chaîne d'approvisionnement.

Les stratégies pour faire face aux retombées de ces perturbations deviendront plus ciblées alors que nous nous préparons à une reprise économique, donnant aux gestionnaires le double défi de se remettre de la catastrophe provoquée par la pandémie tout en faisant face à une augmentation potentiellement rapide de la demande post-pandémique et des dépenses de consommation au cours de l'année à venir. Le moment est venu d'explorer en profondeur la manière dont les entreprises aborderont la reprise tout en profitant simultanément de nouvelles opportunités de croissance. La solution n'est pas de revenir au statu quo d'avant la pandémie, c'est plutôt d'établir un nouveau modèle de données. Comme c'est souvent le cas, les catastrophes stimulent l'innovation, et nous constatons maintenant que l'innovation survient à mesure que de plus en plus d'organisations de la chaîne d'approvisionnement adoptent un nouveau modèle d'intelligence décisionnelle pour réécrire les règles du jeu.

L'intelligence décisionnelle pour un meilleur résultat

Faire face à la reprise après les perturbations de l'année dernière, à l'augmentation de la demande à venir et, enfin, acquérir les connaissances et les informations nécessaires pour survivre aux perturbations futures nécessitera d'aller au-delà du modèle de données traditionnel d'analyse historique, d'informations cloisonnées et de tableaux de bord à l'écran avec un éventail limité de résultats et des moyens d'interprétation limités.

La prochaine génération de décideurs est déjà là. L'intelligence décisionnelle offre un accès précoce et immédiat aux données et aux tendances, grâce à l'intelligence artificielle et à l'analyse prédictive prospective et avec une couche middleware capable d'abstraire plusieurs sources de données pour fournir une vue unique et unifiée, et le tout livré avec un naturel interface de langue.

L'intelligence décisionnelle, lorsqu'elle est fournie avec une interface unifiée en langage naturel, résout bon nombre des vulnérabilités et des défis cachés qui ont été mis en lumière à la suite des perturbations de l'année dernière. L'aide à la décision dans des circonstances normales peut fonctionner et il y avait, jusqu'à présent, peu d'incitations à aller de l'avant. Cependant, l'ancien modèle laissait beaucoup de gens au dépourvu face à l'inattendu.

La prise de décision dans un monde imprévisible

Le modèle de planification CORE (configurer, optimiser, répondre, exécuter) de Gartner Inc. impose un modèle universel à toutes les prises de décision de la chaîne d'approvisionnement :

• Configuration de la chaîne d'approvisionnement pour soutenir les stratégies,
• Optimisation pour tenir compte de facteurs tels que des ressources limitées (ou, dans le cas de la pandémie, une perturbation majeure et inattendue),
• Réponse, qui intègre un niveau d'optionnalité et d'intelligence, et
• Exécution

Des informations en temps réel sont nécessaires pour parvenir à un modèle CORE réussi dans la planification de la chaîne d'approvisionnement. Pour obtenir des informations en temps réel, nous avons en outre besoin d'une interface intelligente, interactive et en temps réel qui peut être utilisée par les décideurs à tous les niveaux, et pas seulement par les analystes de données. Ceci peut être réalisé avec une fonction de traitement du langage naturel qui permet au système de créer un contexte afin que l'utilisateur soit capable d'avoir une conversation progressive avec le système plutôt que de simplement exécuter une série de questions ou de commandes ponctuelles. De plus, la couche d'abstraction du traitement back-end permet une ingestion transparente de données provenant de plusieurs sources de données structurées et non structurées.

Une chaîne d'approvisionnement réactive dans l'écosystème mondial d'aujourd'hui exige des planificateurs qu'ils comblent l'écart de longue date entre la planification et l'exécution. Ceux qui sont capables de combler cet écart, d'anticiper l'inattendu et de se doter d'une capacité à pivoter rapidement et intelligemment en fonction d'événements imprévisibles ou de changements de la demande, sont ceux qui ont mieux résisté aux pénuries dévastatrices de la chaîne d'approvisionnement de l'année dernière, et seront mieux positionnés pour s'adapter rapidement aux inévitables changements de demande qui suivront.

Ganesh Gandhieswaran est co-fondateur et PDG de ConverSight.ai, une plateforme d'intelligence décisionnelle.