Excellence opérationnelle
Sur devis
Présentation
L’efficacité opérationnelle est désormais un élément de différenciation essentiel. Garantir des normes de qualité élevées, des services et produits plus personnalisés, tout en respectant des délais toujours plus courts : tel est le challenge auquel sont confrontés les Directeurs des Opérations / COO d’aujourd’hui.
Garantir des normes de qualité toujours plus élevées, garantir des services et produits toujours plus personnalisés, et tout cela en respectant des délais toujours plus courts : tel est le challenge auquel sont confrontés les Directeurs des Opérations (COOs) d’aujourd’hui.
Points forts
A l’heure actuelle, les sociétés internationales se doivent de respecter les nouvelles exigences et nouveaux comportements des consommateurs (développement durable, écologie, produits d’origine locale, etc.) et n’ont d’autres choix que de restructurer leurs chaînes de production et de distribution. Elles doivent également avoir la faculté de s’adapter rapidement pour faire face à des situations inédites telles que la crise sanitaire de 2020.
L’objectif business doit être spécifié de prime abord, ce qui n’est pas chose facile lorsqu’il est question d’excellence opérationnelle. Il existe en effet différents moyens d’optimiser une chaîne de production : il peut s’agir de diminuer son coût, d’accélérer sa cadence, de définir des KPIs plus pertinents ou de la rendre plus résiliente et stable. L’optimisation peut également s’effectuer au travers de la diminution du risque d’incidents liés à la production. La plupart du temps cependant, il est nécessaire de combiner tous ces facteurs pour atteindre l’optimisation parfaite. C’est pourquoi nous distinguons deux types d’approche : d’une part, l’optimisation de la chaîne de production physique (relative au transport et à la transformation des biens ou produits) ; de l’autre, l’amélioration de la chaîne de production immatérielle, dans le cas des entreprises prestataires de services.
S’agissant d’excellence opérationnelle, l’objectif business fait l’objet d’un processus complexe : cerner et satisfaire les enjeux de chacun des acteurs concernés, pour que ceux-ci puissent être intégrés dans la création de l’équation mathématique la plus adaptée. Par la suite, des algorithmes de performance seront utilisés pour s’assurer de l’optimisation de la solution.
Prenons par exemple le cas de la chaîne d’approvisionnement d’une société gestionnaire d’Ehpad en réponse à une crise. Il serait probablement nécessaire de diminuer la dépendance du prestataire en créant des réserves massives stockées dans des entrepôts intermédiaires. Cela exigerait un contrôle rigoureux des trajets de livraison de l’approvisionnement ; il serait ainsi nécessaire de tenir compte de facteurs réduisant à la fois le coût et le délai de livraison, tout en sachant que cette situation pourrait potentiellement s’étendre à une large partie du territoire.
Dans ce cas comme dans n’importe quel autre, les spécificités de la problématique doivent d’abord être abordées d’un point de vue global (systèmes centraux/applications centrales, processus macro/processus mondiaux, etc.) avant d’être traitées d’un point de vue local (capacités de la branche/du site, contraintes environnementales, contraintes réglementaires, processus opérationnels, etc.). Par exemple, les compagnies d’assurance se voient souvent limitées par un grand nombre de processus intermédiaires, tous plus complexes et laborieux les uns que les autres (gestion des risques, traitement des sinistres, contraintes réglementaires, etc.).
"Simplifier le modèle opératoire reviendrait donc à créer un avantage concurrentiel en diminuant le coût et les frictions internes, permettant ainsi un accès plus direct au client."
Une fois l’objectif business fixé, vient la data science, nécessitant également une approche ultra spécialisée. L’utilisation de la data science afin d’atteindre l’excellence opérationnelle n’est pas sans poser plusieurs problèmes techniques.
Le premier relève de la complexité des données : les sources de données (applications, IoT ou machines pour chaines industrielles, images pour la gestion des sinistres, etc.) sont souvent très hétérogènes. Leurs structures peuvent parfois évoluer et il arrive que ces sources contiennent des erreurs (ceci se produit notamment lors de la mesure de quantités physiques ou de l’interprétation de données non structurées). Les processus de collecte et de traitement des données doivent donc être particulièrement robustes, et les data scientists en charge de ces opérations, expérimentés.
Les modèles d’IA conçus doivent être suffisamment résilients pour gérer la small data, les données incomplètes et les données contenant des erreurs : c’est pour cette raison que la solution réside souvent dans l’utilisation d’une hybridation de modules technologiques regroupant toutes ces fonctions. Il convient également de préciser que certains modèles doivent parfois être intégrés dans des systèmes edge et que leurs techniques de codage doivent être adaptées à des chipsets de faible consommation d’énergie et des traitements par lot asynchrones.
Pour finir, les résultats transmis par le modèle fourniront les recommandations à appliquer : celles-ci devront être mises en œuvre aussi simplement que possible, sur une large partie des domaines des systèmes et applications, sans toutefois oublier l’hétérogénéité potentielle de ceux-ci. Pour cela, il est recommandé de se renseigner auprès d’opérateurs avisés (professionnels sur le terrain, agents administratifs, etc.) : leurs connaissances et expériences permettent généralement d’évaluer s’il est nécessaire ou non de créer des variables spécifiques dans les modèles et datasets.
- Restructuration de la chaîne d’approvisionnement : prévisions des ventes et de la demande, assortiment de produits et de magasins, gestion des stocks et de la capacité, logistique et itinéraires de la flotte de transports en direct, gestion des retours et des processus obsolètes
- Processus de production du cœur de métier : automatisation des tâches administratives, suivi des performances
- Répartition des ressources opérationnelles sur le terrain : programme de responsabilisation et d’incitation des forces de vente, prévision des performances des magasins, affectation du personnel
- Gestion des risques : détection des fraudes, maintenance préventive, calcul des risques, simulations de crise
