Data Fabrics expliqués : améliorer l'efficacité et la résilience des chaînes d'approvisionnement

Les fabricants équilibrent constamment un réseau complexe de fonctions qui s'étendent de l'innovation produit, l'ingénierie, la planification, la production et la logistique. Ces processus hautement interconnectés s'étendent à travers l'organisation et ses partenaires, créant des lacunes dans les données, de la latence d'information et des barrières qui créent des associations complexes à travers les opérations et les parties prenantes.

L'année écoulée de perturbations a amené de nombreuses chaînes d'approvisionnement mondiales au bord du gouffre. Les mauvaises stratégies de données en étaient la cause, car elles traitaient la chaîne d'approvisionnement comme un système rigide alors qu'en réalité, c'est un réseau complexe d'acteurs qui doivent être synchronisés pour s'adapter rapidement au changement. Alors que la demande des consommateurs atteignait un niveau record pour d'innombrables produits pendant la pandémie, la latence des données des systèmes sources a retardé les réponses qui ont empêché de nombreux fabricants et fournisseurs de pouvoir réagir à l'environnement de marché changeant.

Les systèmes traditionnels de gestion des données fonctionnaient bien quand les professionnels de la chaîne d'approvisionnement avaient plus de temps pour s'adapter, et que le paysage des données d'entreprise était plus uniforme, structuré et simple. Mais le monde est différent maintenant. Les données de la chaîne d'approvisionnement doivent être réutilisables, ce que les approches traditionnelles ne peuvent pas faire car elles nécessitent des extractions de données non reproductibles pour l'identification des problèmes et la résolution d'équations. Pire, l'émergence de l'Internet des objets (IoT), l'augmentation du volume de données non structurées, la pertinence croissante des sources de données externes, et la tendance vers des environnements multi-cloud hybrides sont des obstacles à la satisfaction de chaque nouvelle demande de données.

L'ancienne stratégie de données centrée sur les systèmes de données relationnels est fondamentalement cassée, mais comment les fabricants peuvent-ils passer d'une stratégie de données réactive à une stratégie réactive ? Pour surmonter les délais d'information, les fabricants adoptent de nouvelles approches technologiques comme les data fabrics pour créer un réseau d'approvisionnement numérisé qui représente fidèlement les données à mesure qu'elles se déplacent le long de la chaîne d'approvisionnement et les relations qui définissent comment le travail est fait. Les data fabrics d'entreprise tissent ensemble les données des silos internes et des sources externes et créent un réseau d'information pour alimenter les applications métier, l'intelligence artificielle et l'analytique.

Soutenant toute la largeur de l'entreprise complexe et connectée d'aujourd'hui, cette représentation numérique inclut tous les processus, produits, personnes, partenaires, politiques et sources de données tierces représentés dans le réseau d'approvisionnement pour fournir une vue claire à travers la chaîne de valeur. Avec cette visibilité, les fabricants peuvent créer des analyses d'impact et de cause racine, gérer des hiérarchies distribuées et effectuer une prise de décision juste-à-temps en tirant parti des données en temps réel et IoT.

Les data fabrics donnent aux professionnels des données la capacité de générer une représentation composable, compréhensible par machine, des entités clés et relations, ainsi que la logique métier et les règles qui régissent l'entreprise. Contrairement aux anciennes techniques d'intégration de données, les data fabrics sont expressifs, permettant aux fabricants de poser des questions et de décrire les effets, conséquences et propriétés réels de certaines actions. Le tissu est extensible et réutilisable à travers tous les cas d'utilisation/fonctions, et il est facile à maintenir et à étendre aux partenaires selon les besoins.

Piloter les résultats de la chaîne d'approvisionnement

Pour créer de la valeur commerciale au sein de l'entreprise, les fabricants doivent être capables de connecter toutes les données qui comptent. Les data fabrics changent le statu quo en livrant du sens, pas juste des données, à travers l'entreprise. Ce sens est tissé ensemble de nombreuses sources : données et métadonnées, sources internes et externes, et systèmes cloud et sur site. Le sens est capturé dans le modèle de données, avec tout le contexte sur chaque actif de données pleinement présent et disponible, sous forme compréhensible par machine. Avec un data fabric, les gens et les algorithmes peuvent prendre de meilleures décisions tout en réduisant la probabilité et le risque de mauvaise utilisation ou d'interprétation erronée des données. Plus spécifiquement, les data fabrics aident les fabricants à :

• Améliorer la détection de la demande. Fermer le décalage temporel pour répondre aux demandes émergentes est critique pour les fabricants ; cependant, la détection de la demande est difficile en raison de la latence des données et de l'incapacité à trouver des connexions à travers tout, des médias sociaux aux données PDV. Les data fabrics éliminent ces lacunes sans avoir à recâbler les solutions ERP ou de prévision de la demande existantes.

Les insights peuvent être livrés aux responsables de la planification de la demande qui peuvent les exploiter pour améliorer la planification commerciale.

• Connecter les opérations. Le niveau élevé de volatilité de la demande a un effet d'entraînement sur les fabricants qui doivent comprendre rapidement la performance opérationnelle, la disponibilité des produits et les tendances qui impactent le rendement. Malheureusement, plusieurs MES ou systèmes d'exploitation de shop floor sont incapables d'identifier et de soutenir les compromis de scénarios en temps réel autour de la disponibilité de l'approvisionnement.

En utilisant les data fabrics, les fabricants peuvent identifier tout changement d'approvisionnement et faire les ajustements nécessaires sans supposer de silos de data lake supplémentaires ou de coûts d'analystes d'approvisionnement/opérations supplémentaires.

• Fournir une analyse de cause racine des plaintes clients. Les plaintes clients dues à des défauts de produit peuvent déclencher une série d'évaluations de suivi. Quelle était la source du défaut ? Quels autres clients ont été impactés ? Cela nécessite-t-il un rappel ? Les data fabrics permettent aux fabricants de tracer une plainte client concernant un produit défectueux jusqu'aux matières premières, en croisant facilement les relations entre produits finis et matières premières.

De plus, comme ces matières premières sont produites par plusieurs sites de fabrication et peuvent être appelées par des noms différents par différents fournisseurs, les data fabrics permettent la traçabilité à travers les domaines de données client, fabrication, support terrain, produit et autres. Cela permet aux fabricants de voir l'étendue complète de la situation pour qu'ils puissent agir de manière appropriée et gérer efficacement l'analyse de cause racine des plaintes clients.

• Créer un jumeau numérique de la chaîne d'approvisionnement. Le jumeau numérique de la chaîne d'approvisionnement nécessite de l'analytique prédictive, un modèle pour connecter les données sources, et bien sûr les données sources elles-mêmes (ex: ERP, CRM, MES, IoT, réseaux clients) pour améliorer la prise de décision, surtout autour de la planification de la chaîne d'approvisionnement. Un jumeau numérique doit être capable de représenter des centaines de millions de relations. Un data fabric, avec les capacités de logique métier complexe des graphes sémantiques et la capacité de représenter des données variées, fournit aux fabricants un contrôle automatisé qui leur permet de gérer des règles métier capables de gérer une logique complexe et la prise de décision situationnelle.

Les data fabrics continuent de gagner en attention pour leur capacité à recoudre les systèmes existants de gestion des données, enrichissant toutes les applications et utilisateurs connectés dans le processus. Ils sont considérés comme la prochaine étape en avant dans l'espace de gestion des données — soutenant toute la largeur de l'entreprise de plus en plus complexe et connectée d'aujourd'hui.

Rob Harris est vice-président des solutions chez Stardog, un fournisseur de plateforme de graphe de connaissance d'entreprise (EKG).