L'impact de la pandémie sur la prise de décision dans la chaîne d'approvisionnement : un nouveau paradigme

Les gestionnaires de chaînes d'approvisionnement font face à une perturbation sans précédent, non seulement due aux bouleversements résultant de la pandémie, mais aussi aux changements continus de la demande, à l'augmentation des attentes des clients et aux facteurs géopolitiques externes. Deux choses sont devenues évidentes : ces perturbations ne sont pas temporaires, et elles ont mis en lumière les lacunes du modèle de données actuel de la chaîne d'approvisionnement.

Les stratégies pour faire face aux retombées de ces perturbations deviendront plus ciblées à mesure que nous nous préparons à une reprise économique, donnant aux gestionnaires le double défi de se remettre du désastre provoqué par la pandémie tout en gérant une hausse potentiellement rapide de la demande et des dépenses de consommation post-pandémie au cours de l'année à venir. C'est le moment de plonger en profondeur dans la manière dont les entreprises aborderont la reprise tout en saisissant simultanément de nouvelles opportunités de croissance. La solution n'est pas de revenir au statu quo d'avant la pandémie, mais d'établir un nouveau modèle de données. Comme c'est souvent le cas, le désastre stimule l'innovation, et nous voyons maintenant cette innovation émerger alors que de plus en plus d'organisations de chaînes d'approvisionnement adoptent un nouveau modèle d'intelligence décisionnelle pour réécrire les règles du jeu.

L'intelligence décisionnelle pour de meilleurs résultats

Faire face à la reprise des perturbations de l'année dernière, à la hausse de la demande à venir, et enfin, acquérir les connaissances et les informations nécessaires pour survivre aux futures perturbations nécessitera d'aller au-delà du modèle de données traditionnel d'analyse historique, d'informations en silos et de tableaux de bord à l'écran avec une gamme limitée de résultats et des moyens d'interprétation limités.

La prochaine génération de prise de décision est déjà là. L'intelligence décisionnelle offre un accès précoce et immédiat aux données et aux tendances, piloté par l'intelligence artificielle et l'analyse prédictive prospective, avec une couche middleware capable d'abstraire de multiples sources de données pour fournir une vue unique et unifiée, le tout livré avec une interface en langage naturel.

L'intelligence décisionnelle, lorsqu'elle est fournie avec une interface unifiée en langage naturel, résout de nombreuses vulnérabilités et défis cachés qui ont été mis en lumière à la suite des perturbations de l'année dernière. Le soutien à la prise de décision dans des circonstances normales peut fonctionner et il y avait, jusqu'à présent, peu d'incitations à aller de l'avant. L'ancien modèle, cependant, a laissé beaucoup de gens sans préparation face à l'inattendu.

La prise de décision dans un monde imprévisible

Le modèle CORE (configurer, optimiser, répondre, exécuter) de Gartner Inc. impose un modèle universel à toute la prise de décision dans la chaîne d'approvisionnement :

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

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

Une chaîne d'approvisionnement réactive dans l'écosystème mondial d'aujourd'hui exige que les planificateurs comblent le fossé de longue date entre la planification et l'exécution. Ceux qui sont capables de combler cet écart, d'anticiper l'inattendu et d'intégrer une capacité à pivoter rapidement et intelligemment sur la base d'événements imprévisibles ou de changements de demande, sont ceux qui ont mieux résisté aux dévastateurs manquements de la chaîne d'approvisionnement de l'année dernière, et seront mieux positionnés pour s'adapter rapidement aux changements inévitables de la demande qui suivront.

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