Articles

La planification financière en 2021 : trois petits mots

, ,

La plupart de mes conversations et pensées de ces derniers mois ont tourné autour de trois petits mots. Non, ce ne sont pas les trois petits mots auxquels vous pensez peut-être immédiatement, mais plutôt trois mots particulièrement chers au cœur des professionnels de la planification et de l’analyse financières en ce moment : l’agilité, la réactivité et la résilience.

Ce sont presque devenus des mots d’ordre pour le secteur ces neuf derniers mois, à mesure que les professionnels ont pris conscience de la nécessité de fournir à leur entreprise les informations requises pour prendre des décisions immédiates, de planifier et planifier encore, de générer des prévisions et de simuler de multiples résultats potentiels en fonction de variables en constante évolution. Et il apparaît clairement que certains y étaient bien mieux préparés que d’autres.

Notre enquête 2020 consacrée aux professionnels de la planification et de l’analyse financières, effectuée en collaboration avec FP&A Trends, a mis clairement en évidence une différence dans la réussite des pratiques de planification et d’analyse financières entre notre groupe entier d’entreprises interrogées et celles considérées comme ayant les « bonnes pratiques » en matière de planification et d’analyse financières. Parmi les défis cités par les entreprises interrogées, on retrouve le besoin de meilleurs systèmes de budgétisation et de prévision (cité par 30 % des entreprises interrogées), mais, d’un autre côté, de nombreuses entreprises déclarent utiliser des feuilles de calcul (73 %) dans le cadre de leurs processus de planification et de prévision. Bien sûr, même si nous avons tous utilisé et adoré les feuilles de calcul pour leur abondance et leur disponibilité, nous devons aussi reconnaître qu’elles ont certaines limites : elles nécessitent des interventions manuelles, sont propices aux erreurs de données et de calculs, peuvent devenir compliquées et peu pratiques, et ne pas offrir la flexibilité et l’agilité requises pour des recalculs et simulations rapides. Donc, à l’heure où les équipes de planification et d’analyse financières doivent se montrer particulièrement agiles, réactives et résilientes, les jours sont certainement comptés pour les anciens systèmes de planification, budgétisation et prévision basés sur feuilles de calcul. En fait, il est sans doute temps pour les entreprises d’examiner attentivement l’importance stratégique de la planification et de l’analyse financières pour leur activité, en réfléchissant aux défis identifiés en 2020, pour mieux cerner les opportunités d’améliorations pour 2021 et au-delà.

Et si les entreprises pouvaient…

  • Planifier et prévoir avec une facilité, une agilité et une flexibilité accrues.
  • Simuler de multiples scénarios de gestion en temps réel en réponse aux évolutions du marché.
  • Renforcer la résilience des plans stratégiques, mais aussi des processus et systèmes sur lesquels la planification et l’analyse financières reposent.

Comment de telles capacités permettraient-elles de transformer votre approche en matière d’analyse et de planification financières ?

Et, face à l’actuel besoin d’agilité, de réactivité et de résilience accrues dans le domaine de la planification et de l’analyse financières, quel est votre plan ?

Rejoignez mes collègues Pras Chatterjee et Chris Chan pour notre présentation consacrée à la planification et à l’analyse financières, proposée dans le cadre du SAP Finance and Risk Virtual Summit. Ils échangeront avec des invités spéciaux pour approfondir certaines des problématiques induisant des changements dans les pratiques de planification et d’analyse financières, et identifieront pour les professionnels de la finance des opportunités de transformer leur approche en matière de planification et d’analyse financières. Il s’agira de 45 minutes particulièrement riches et intenses, axées sur la planification et l’analyse financières, et la présentation de multiples fonctionnalités incontournables : ne manquez pas cet événement exceptionnel !

Merci de votre attention, nous espérons vous retrouver bientôt !

Publié en anglais sur blogs.sap.com

The post La planification financière en 2021 : trois petits mots appeared first on SAP France News.

Source de l’article sur sap.com

/par

L’ERP Intelligent : la clé pour renforcer la résilience financière aujourd’hui et demain

, ,

L’argent est roi, certes mais pas que. C’est également l’un des éléments clés pour assurer la résilience et la continuité de l’activité sur le long terme. Il joue un rôle dans les challenges qui touchent l’entreprise, comme par exemple l’expérience collaborateur et client, le partenariat avec les fournisseurs ou mêmes les résultats financiers. Avec SAP S/4HANA, les entreprises peuvent répondre à tous ces enjeux en optimisant leur bilan.

Selon les partenaires de McKinsey, Kevin Laczkowski et Mihir Mysore, il est essentiel de combiner les compétences centrales avec des leviers financiers (tels que l’optimisation du bilan) pour renforcer la résilience, en prévision d’une récession ou d’une reprise.

Pour obtenir un tel avantage concurrentiel, il faut disposer d’informations intelligentes issues d’une infrastructure technologique axée sur l’intégration. En intégrant étroitement les systèmes et les données communes, les entreprises peuvent tirer parti de la rapidité et de l’agilité des outils in-memory pour dégager des modèles et perspectives cachés. Ce faisant, les entreprises peuvent consolider leurs opérations, maintenir des relations étroites avec leurs clients, développer l’agilité des chaînes logistiques dynamiques et gérer les ressources de manière plus synchronisée.

Une résilience optimisée grâce à des données ERP en temps réel et une connectivité intelligente

Bien que les systèmes hérités puissent automatiser différentes parties des opérations de gestion, ils ne peuvent pas fournir les informations en temps réel nécessaires pour régler le problème des surstocks ou offrir un service client à l’instant t. Trop souvent, les décisions sont basées sur des modèles transactionnels historiques peu centrés sur le client et trop rigides pour laisser place aux idées novatrices qui nécessiteraient d’être distribuées et adaptées dans toute l’entreprise.

Dès que l’entreprise passe à un progiciel de gestion intégré (ERP) intelligent, c’est une plateforme pour la reprise, la croissance et la résilience qui prend vie. Et en cette ère criblée d’incertitudes, il est grand temps de prendre conscience de cette force. Mais les dirigeants doivent d’abord sélectionner et implémenter une solution ERP qui offre des avantages quantifiables à l’échelle de l’entreprise : depuis le service client, les ventes et les stocks, jusqu’à la gestion du fonds de roulement, du coût des articles, de la main-d’œuvre et des frais généraux.

Envisagez de passer à SAP S/4HANA. Ses retombées n’ont pas tant affaire avec la taille de l’entreprise et le secteur d’activité. Il s’agit surtout de mettre en place un système informatique complet et unifié que tous les employés peuvent adopter et comprendre de façon intuitive. La solution relie directement les processus externes et tiers aux processus internes et aux structures de données, de manière suffisamment cohérente et flexible pour rendre des informations intelligentes rapidement accessibles, visibles et exploitables. 

Grâce à une visibilité accrue, des outils de prévision précis et des données pertinentes générées en temps réel sur les partenaires internes et externes, les entreprises peuvent, par exemple, abaisser considérablement leurs coûts de stock et améliorer leur taux de rotation de plus de 20 %. Nous ne parlons pas ici d’une réduction ponctuelle des dépenses, mais d’une vaste baisse continue des frais généraux dans les domaines du transport, de l’entreposage et de la manutention, avec en outre moins d’obsolescence, de frais d’assurance, de taxes, de dommages et de pertes au niveau des stocks. Même en ces temps où les taux d’intérêt diminuent, les entreprises peuvent réduire leurs coûts de stockage.

Voici les autres avantages à tirer de l’utilisation de SAP S/4HANA pour optimiser votre bilan :

1. Opérations hautes performances

Avec les fonctionnalités des solutions ERP intelligentes, les entreprises peuvent fabriquer et acheter les produits ou services dont elles ont besoin, et les livrer en temps voulu et à l’endroit convenu. Et tout s’opère avec l’agilité nécessaire pour ajuster les plans opérationnels et les pratiques, afin de répondre aux attentes des clients.

Les fonctionnalités prédictives de SAP S/4HANA permettent de revoir rapidement la planification des besoins en composants en tenant compte des données en temps réel. Elles permettent d’éliminer les décisions hypothétiques lors de la gestion des opérations internes, et de minimiser les en-cours de fabrication et les stocks de produits finis de manière optimale et précise.

2. Plus grande collaboration au sein du réseau de fournisseurs

L’amélioration des pratiques d’approvisionnement donne souvent lieu à des négociations plus poussées avec les fournisseurs, ce qui se traduit par des réductions de coûts et une hausse de 30 %d’efficacité dans les achats de matières premières (intrants). L’intégration et la collaboration étroites entre les fournisseurs renforcent la capacité de l’entreprise à planifier les changements, à négocier et à fournir une meilleure assurance qualité, avec plus de répercussions positives sur l’expérience finale du client.

SAP S/4HANA peut aider les entreprises à identifier et à éliminer les goulots d’étranglement dans les processus des chaînes logistiques, ainsi qu’à répondre à l’évolution de la demande. Les responsables opérationnels utilisent ces informations pour ajuster les quantités de produits et les délais de livraison. Leurs fournisseurs qui bénéficient d’une visibilité sur les besoins des consommateurs peuvent alors mieux remplir leurs obligations et répercuter les économies qui en résultent sur le prix de vente.

3. Optimisation de la main-d’œuvre

Avec des possibilités de prévision et d’organisation plus étendues, les cas de ruptures de stock et d’interruptions sont moins fréquents. Ces bons résultats offrent d’autres avantages : la gestion plus avisée des ressources, une meilleure qualité et une formation revalorisée ; moins de temps consacré aux commandes urgentes et reprises précipitées et moins d’heures supplémentaires effectuées par les collaborateurs ; et une contraction des travaux effectués dans des conditions stressantes et ne répondant pas aux attentes.

Avec SAP S/4HANA, les entreprises bénéficient d’une visibilité accrue sur l’évolution des priorités. Elles peuvent automatiser la communication avec les clients et fournisseurs, et fixer des dates de livraison judicieuses, ce qui est essentiel pour fidéliser les clients.

4. Opérations financières maîtrisées

Grâce à une expérience de livraison et de réception plus automatisée ainsi qu’à des contrats clients et fournisseurs bien négociés, les organisations peuvent optimiser leur solidité financière de manière à augmenter leur fonds de roulement.

SAP S/4HANA sert de base pour automatiser la gestion du recouvrement et des liquidités grâce à l’apprentissage automatique et à l’intelligence artificielle (IA). Cela peut conduire, en retour, à une baisse du nombre de jours de retard des créances et à des délais de facturation réduits de plus de 50 %, tout en limitant la fraude et en augmentant les liquidités disponibles. De plus, le processus de vérification automatisée passant par la mise en correspondance de trois facteurs favorise les remises fournisseurs, la planification de la trésorerie et les prévisions financières afin d’optimiser le capital à portée de main.

5. Cohérence et rentabilité du service client et des ventes

À l’aide des données expérientielles et opérationnelles qu’elles exploitent pour comprendre leurs clients, les entreprises peuvent exécuter des modèles de gestion ciblés et différenciés. Par exemple, les modèles de tarification qui répondent de manière créative aux besoins des clients peuvent prendre en charge le stock géré par le fournisseur, la facturation basée sur l’utilisation, les configurations de produits uniques et d’autres stratégies d’intégration à long terme.

En connectant étroitement les besoins des clients aux services de ventes et production, SAP S/4HANA donne aux entreprises les moyens d’offrir un service client plus prévisible et différencié, contribuant au chiffre d’affaires et à la fidélité des clients. Les améliorations apportées dans la gestion de la relation client donnent lieu à des livraisons dans les délais, avec moins de retours et de reprises, quelle que soit l’unicité du produit.

Gagner en force grâce à un bilan optimisé

Dans la dimension économique, nous arrivons à un point où les priorités des directeurs financiers dépassent le cadre de la finance. En plus de gérer les flux de trésorerie, les délais de recouvrement des créances ainsi que la comptabilité clients et fournisseurs en vue d’optimiser les flux de trésorerie, ceux-ci guident les tâches organisationnelles pour améliorer les processus de gestion et l’intelligence à l’échelle de l’entreprise. Plus important encore, après examen de leurs bilans et comptes de résultat, ils élaborent de nouvelles stratégies pour faire face aux incertitudes du marché actuel.

Avec une telle approche de la direction financière, les entreprises sont plus à même de se différencier et de pénétrer le marché de façon organique, tout en réduisant les créances et les stocks, en optimisant le nombre d’articles gérés en stock et la main-d’œuvre, et en accroissant le volume des ventes. Et plus les entreprises font preuve de résilience grâce à SAP S/4HANA, plus leur situation financière s’améliore : les cours des actions affichent une tendance à la hausse, les bénéfices augmentent et le chiffre d’affaires est plus prévisible.

Découvrez comment SAP S/4HANA peut vous aider à obtenir un bilan consolidant la résilience de votre entreprise, pour surmonter les difficultés d’aujourd’hui et se préparer au monde de demain. Consultez l’article « What Companies Should Do to Prepare for a Recession » (Ce que les entreprises doivent faire pour se préparer à la récession) de la Harvard Business Review et découvrez l’ERP intelligent d’aujourd’hui, SAP S/4HANA.

The post L’ERP Intelligent : la clé pour renforcer la résilience financière aujourd’hui et demain appeared first on SAP France News.

Source de l’article sur sap.com

/par

Qu’est-ce que le Big Data ?

, ,

Le Big Data est le flot d’informations dans lequel nous nous trouvons tous les jours (des zettaoctets de données provenant de nos ordinateurs, des terminaux mobiles et des capteurs). Ces données sont utilisées par les entreprises pour orienter la prise de décisions, améliorer les processus et les stratégies, et créer des produits, des services et des expériences centrés sur le client.

Le Big Data désigne non seulement de gros volumes de données, mais aussi des données de nature variée et complexe. Il dépasse généralement la capacité des bases de données traditionnelles à capturer, gérer et traiter ce type de données. De plus, le Big Data peut provenir de n’importe où et de tout ce que nous sommes en mesure de surveiller numériquement. Les satellites, les appareils IoT (Internet des Objets), les radars et les tendances des réseaux sociaux ne sont que quelques exemples parmi la multitude de sources de données explorées et analysées pour rendre les entreprises plus résilientes et compétitives.

L’importance de l’analyse du Big Data

La véritable valeur du Big Data se mesure d’après votre capacité à l’analyser et à le comprendre. L’intelligence artificielle (IA), le machine learning et les technologies de base de données modernes permettent de visualiser et d’analyser le Big Data pour fournir des informations exploitables en temps réel. L’analyse du Big Data aide les entreprises à exploiter leurs données en vue de saisir de nouvelles opportunités et de créer de nouveaux modèles de gestion. Comme l’a si bien dit Geoffrey Moore, auteur et analyste de gestion, « sans analyse du Big Data, les entreprises sont aveugles et sourdes, errant sur le Web comme des cerfs sur une autoroute ».

How does Big Data and Analytics work? Simply Explained

Click the button below to load the content from YouTube.

Always allow YouTube

How does Big Data and Analytics work? Simply Explained

L’évolution du Big Data

Aussi inconcevable que cela puisse paraître aujourd’hui, l’Apollo Guidance Computer a emmené l’homme sur la lune avec moins de 80 kilo-octets de mémoire. Depuis, la technologie informatique s’est développée à un rythme exponentiel, de même que la génération de données. La capacité technologique mondiale à stocker des données a doublé tous les trois ans depuis les années 1980. Il y a un peu plus de 50 ans, lors du lancement d’Apollo 11, la quantité de données numériques générées dans le monde aurait pu tenir dans un ordinateur portable. Aujourd’hui, l’IDC estime ce chiffre à 44 zettaoctets (soit 44 000 milliards de gigaoctets) et prévoit qu’il atteindra 163 zettaoctets en 2025.

44 zettaoctets de données numériques aujourd’hui, IDC

163 zettaoctets de données numériques en 2025, IDC

Plus les logiciels et la technologie se développent, moins les systèmes non numériques sont viables. Le traitement des données générées et collectées numériquement requiert des systèmes de data management plus avancés. En outre, la croissance exponentielle des plates-formes de réseaux sociaux, des technologies pour smartphones et des appareils IoT connectés numériquement ont contribué à l’émergence du Big Data.

Types de Big Data : que sont les données structurées et non structurées ?

Les ensembles de données sont généralement catégorisés en trois types, selon leur structure et la complexité de leur indexation.

Illustration des différents types de big data : données structurées, données non-structurées, données semi-structurées.

  1. Données structurées : ce type de données est le plus simple à organiser et à rechercher. Il peut inclure des données financières, des machine logs et des détails démographiques. Une feuille de calcul Microsoft Excel, avec sa mise en forme de colonnes et de lignes prédéfinies, offre un moyen efficace de visualiser les données structurées. Ses composants peuvent facilement être catégorisés, ce qui permet aux concepteurs et administrateurs de bases de données de définir des algorithmes simples pour la recherche et l’analyse. Même lorsque les données structurées sont très volumineuses, elles ne sont pas nécessairement qualifiées de Big Data, car elles sont relativement simples à gérer et ne répondent donc pas aux critères qui définissent le Big Data. Traditionnellement, les bases de données utilisent un langage de programmation appelé SQL (Structured Query Language) pour gérer les données structurées. SQL a été développé par IBM dans les années 1970 pour permettre aux développeurs de créer et gérer des bases de données relationnelles (de type feuille de calcul) qui commençaient à émerger à l’époque.
  2. Données non structurées : cette catégorie de données peut inclure des publications sur les réseaux sociaux, des fichiers audio, des images et des commentaires client ouverts. Ces données ne peuvent pas être facilement capturées dans les bases de données relationnelles standard en lignes et colonnes. Auparavant, les entreprises qui voulaient rechercher, gérer ou analyser de grandes quantités de données non structurées devaient utiliser des processus manuels laborieux. La valeur potentielle liée à l’analyse et à la compréhension de ces données ne faisait aucun doute, mais le coût associé était souvent trop exorbitant pour en valoir la peine. Compte tenu du temps nécessaire, les résultats étaient souvent obsolètes avant même d’être générés. Contrairement aux feuilles de calcul ou aux bases de données relationnelles, les données non structurées sont généralement stockées dans des lacs de données, des entrepôts de données et des bases de données NoSQL.
  3. Données semi-structurées : comme leur nom l’indique, les données semi-structurées intègrent à la fois des données structurées et non structurées. Les e-mails en sont un bon exemple, car ils incluent des données non structurées dans le corps du message, ainsi que d’autres propriétés organisationnelles telles que l’expéditeur, le destinataire, l’objet et la date. Les dispositifs qui utilisent le marquage géographique, les horodatages ou les balises sémantiques peuvent également fournir des données structurées avec un contenu non structuré. Une image de smartphone non identifiée, par exemple, peut indiquer qu’il s’agit d’un selfie et préciser l’heure et l’endroit où il a été pris. Une base de données moderne exécutant une technologie d’IA peut non seulement identifier instantanément différents types de données, mais aussi générer des algorithmes en temps réel pour gérer et analyser efficacement les ensembles de données disparates.

Les sources du Big Data

Les objets générateurs de données se développent à un rythme spectaculaire, depuis les drones jusqu’aux grille-pains. Toutefois, à des fins de catégorisation, les sources de données sont généralement divisées en trois types :

Illustration des différentes sources du big data : données sociales, données machine, données altérables.

Données sociales

Comme leur nom l’indique, les données sociales sont générées par les réseaux sociaux : commentaires, publications, images et, de plus en plus, vidéos. En outre, compte tenu de l’ubiquité croissante des réseaux 4G et 5G, on estime que le nombre de personnes dans le monde qui regardent régulièrement des contenus vidéo sur leur smartphone atteindra 2,72 milliards en 2023. Bien que les tendances concernant les réseaux sociaux et leur utilisation évoluent rapidement et de manière imprévisible, leur progression en tant que générateurs de données numériques est incontestable.

Données machine

Les machines et appareils IoT sont équipés de capteurs et ont la capacité d’envoyer et de recevoir des données numériques. Les capteurs IoT aident les entreprises à collecter et traiter les données machine provenant des appareils, des véhicules et des équipements. Globalement, le nombre d’objets générateurs de données augmente rapidement, des capteurs météorologiques et de trafic jusqu’à la surveillance de la sécurité. Selon l’IDC, il y aura plus de 40 milliards d’appareils IoT en 2025, générant près de la moitié des données numériques mondiales.

Données altérables

Il s’agit des données parmi les plus évolutives au monde. Par exemple, un détaillant international traite plus d’un million de transactions client par heure. Si l’on ajoute à cela les transactions d’achat et bancaires au niveau mondial, on comprend mieux le volume phénoménal de données générées. En outre, les données altérables contiennent de plus en plus de données semi-structurées, y compris des images et des commentaires, ce qui les rend d’autant plus complexes à gérer et à traiter.

Les cinq V du Big Data

Ce n’est pas parce qu’un ensemble de données est volumineux qu’il s’agit nécessairement de Big Data. Pour être qualifiées en tant que telles, les données doivent posséder au minimum les cinq caractéristiques suivantes :

Illustration des 5 V du Big Data : Volume, Vitesse, Variété, Véracité, Valeur.

  1. Volume : même si le volume n’est pas le seul composant qui constitue le Big Data, il s’agit d’une de ses caractéristiques principales. Pour gérer et exploiter pleinement le Big Data, des algorithmes avancés et des analyses pilotées par l’IA sont nécessaires. Mais avant tout cela, il doit exister un moyen fiable et sécurisé de stocker, d’organiser et d’extraire les téraoctets de données détenus par les grandes entreprises.
  2. Vitesse : auparavant, les données générées devaient ensuite être saisies dans un système de base de données traditionnel (souvent manuellement) avant de pouvoir être analysées ou extraites. Aujourd’hui, grâce à la technologie du Big Data, les bases de données sont capables de traiter, d’analyser et de configurer les données lorsqu’elles sont générées, parfois en l’espace de quelques millisecondes. Pour les entreprises, cela signifie que les données en temps réel peuvent être exploitées pour saisir des opportunités financières, répondre aux besoins des clients, prévenir la fraude et exécuter toute autre activité pour laquelle la rapidité est un facteur clé.
  3. Variété : les ensembles de données contenant uniquement des données structurées ne relèvent pas nécessairement du Big Data, quel que soit leur volume. Le Big Data comprend généralement des combinaisons de données structurées, non structurées et semi-structurées. Les solutions de gestion des données et les bases de données traditionnelles n’offrent pas la flexibilité et le périmètre nécessaires pour gérer les ensembles de données complexes et disparates qui constituent le Big Data.
  4. Véracité : bien que les bases de données modernes permettent aux entreprises d’accumuler et d’identifier des volumes considérables de Big Data de différents types, elles ne sont utiles que si elles sont précises, pertinentes et opportunes. S’agissant des bases de données traditionnelles alimentées uniquement avec des données structurées, le manque de précision des données était souvent dû à des erreurs syntaxiques et des fautes de frappe. Les données non structurées présentent toute une série de nouvelles difficultés en matière de véracité. Les préjugés humains, le « bruit social » et les problèmes liés à la provenance des données peuvent avoir un impact sur la qualité des données.
  5. Valeur : les résultats de l’analyse du Big Data sont souvent fascinants et inattendus. Mais pour les entreprises, l’analyse du Big Data doit fournir une visibilité qui les aident à gagner en compétitivité et en résilience, et à mieux servir leurs clients. Les technologies modernes du Big Data offrent la possibilité de collecter et d’extraire des données susceptibles de procurer un avantage mesurable à la fois en termes de résultats et de résilience opérationnelle.

Avantages du Big Data

Les solutions modernes de gestion du Big Data permettent aux entreprises de transformer leurs données brutes en informations pertinentes avec une rapidité et une précision sans précédent.

  • Développement de produits et de services :l’analyse du Big Data permet aux développeurs de produits d’analyser les données non structurées, telles que les témoignages clients et les tendances culturelles, et de réagir rapidement.
  • Maintenance prédictive : dans le cadre d’uneenquête internationale, McKinsey a constaté que l’analyse du Big Data émanant des machines IoT pouvait réduire les coûts de maintenance des équipements jusqu’à 40 %.
  • Expérience client :dans le cadre d’une enquête réalisée en 2020 auprès de responsables d’entreprises du monde entier, Gartner a déterminé que « les entreprises en croissance collectent plus activement des données sur l’expérience client que les entreprises à croissance nulle ». L’analyse du Big Data permet aux entreprises d’améliorer et de personnaliser l’expérience de leurs clients avec leur marque.
  • Gestion de la résilience et des risques :la pandémie de COVID-19 a été une véritable prise de conscience pour de nombreux dirigeants d’entreprise qui se sont rendu compte à quel point leur activité était vulnérable. La visibilité offerte par le Big Data peut aider les entreprises à anticiper les risques et à se préparer aux imprévus.
  • Économies et efficacité accrue : lorsque les entreprises effectuent une analyse avancée du Big Data pour tous les processus de l’organisation, elles peuvent non seulement détecter les inefficacités, mais aussi déployer des solutions rapides et efficaces.
  • Amélioration de la compétitivité : les informations obtenues grâce au Big Data peuvent aider les entreprises à réaliser des économies, à satisfaire leurs clients, à concevoir de meilleurs produits et à innover dans les opérations de gestion.

IA et Big Data

La gestion du Big Data repose sur des systèmes capables de traiter et d’analyser efficacement de gros volumes d’informations disparates et complexes. À cet égard, le Big Data et l’IA ont une relation de réciprocité. Sans l’IA pour l’organiser et l’analyser, le Big Data n’aurait pas grande utilité. Et pour que l’IA puisse générer des analyses suffisamment fiables pour être exploitables, le Big Data doit contenir des ensembles de données suffisamment étendus. Comme l’indique Brandon Purcell, analyste chez Forrester Research, « les données sont au cœur de l’intelligence artificielle. Un système d’IA doit apprendre des données pour remplir sa fonction ».

« Les données sont au cœur de l’intelligence artificielle. Un système d’IA doit apprendre des données pour remplir sa fonction ».

Brandon Purcell, analyste, Forrester Research

Machine learning et Big Data

Les algorithmes de machine learning définissent les données entrantes et identifient des modèles associés. Ces informations permettent de prendre des décisions avisées et d’automatiser les processus. Le machine learning se nourrit du Big Data, car plus les ensembles de données analysés sont fiables, plus le système est susceptible d’apprendre, de faire évoluer et d’adapter ses processus en continu.

Technologies du Big Data

Architecture du Big Data

À l’instar de l’architecture du bâtiment, l’architecture du Big Data fournit un modèle pour la structure de base déterminant la manière dont les entreprises gèrent et analysent leurs données. L’architecture du Big Data mappe les processus requis pour gérer le Big Data à travers quatre « couches » de base, des sources de données au stockage des données, puis à l’analyse du Big Data, et enfin via la couche de consommation dans laquelle les résultats analysés sont présentés en tant que Business Intelligence.

‍Analyse du Big Data

Ce processus permet de visualiser les données de manière pertinente grâce à l’utilisation de la modélisation des données et d’algorithmes spécifiques aux caractéristiques du Big Data. Dans le cadre d’une étude approfondie et d’une enquête de la MIT Sloan School of Management, plus de 2 000 dirigeants d’entreprise ont été interrogés sur leur expérience en matière d’analyse du Big Data. Comme on pouvait s’y attendre, ceux qui s’étaient impliqués dans le développement de stratégies de gestion du Big Data ont obtenu les résultats les plus significatifs.

Big Data et Apache Hadoop

Imaginez une grande boîte contenant 10 pièces de 10 centimes et 100 pièces de 5 centimes. Puis imaginez 10 boîtes plus petites, côte à côte, contenant chacune 10 pièces de 5 centimes et une seule pièce de 10 centimes. Dans quel scénario sera-t-il plus facile de repérer les pièces de 10 centimes ? Hadoop fonctionne sur ce principe. Il s’agit d’une structure en open source permettant de gérer le traitement du Big Data distribué sur un réseau constitué de nombreux ordinateurs connectés. Ainsi, au lieu d’utiliser un gros ordinateur pour stocker et traiter toutes les données, Hadoop regroupe plusieurs ordinateurs sur un réseau pouvant évoluer presque à l’infini et analyse les données en parallèle. Ce processus utilise généralement un modèle de programmation appelé MapReduce, qui coordonne le traitement du Big Data en regroupant les ordinateurs distribués.

Lacs de données, entrepôts de données et NoSQL

Les bases de données traditionnelles de type feuille de calcul SQL servent à stocker les données structurées. Le Big Data non structuré et semi-structuré nécessite des modèles de stockage et de traitement uniques, car il ne peut pas être indexé et catégorisé. Les lacs de données, les entrepôts de données et les bases de données NoSQL sont des référentiels de données capables de gérer les ensembles de données non traditionnels. Un lac de données est un vaste pool de données brutes qui n’ont pas encore été traitées. Un entrepôt de données est un référentiel de données qui ont déjà été traitées à des fins spécifiques. Les bases de données NoSQL fournissent un schéma flexible qui peut être modifié en fonction de la nature des données à traiter. Ces systèmes présentent chacun des avantages et des inconvénients, c’est pourquoi de nombreuses entreprises utilisent plutôt une combinaison de ces référentiels de données pour répondre au mieux à leurs besoins.

Bases de données in-memory

Les bases de données traditionnelles sur disque ont été conçues pour SQL et les bases de données relationnelles. Bien qu’elles soient capables de traiter de gros volumes de données structurées, elles ne sont pas adaptées au stockage et au traitement des données non structurées. Dans le cas des bases de données in-memory, le traitement et l’analyse se font entièrement dans la RAM, pour ne pas avoir à extraire les données d’un système sur disque. Les bases de données in-memory reposent également sur des architectures distribuées. Cela signifie qu’elles peuvent atteindre des vitesses beaucoup plus élevées en utilisant le traitement parallèle, par rapport aux modèles de base de données sur disque à un seul nœud.

Fonctionnement du Big Data

Le Big Data remplit ses fonctions lorsque son analyse fournit des informations pertinentes et exploitables qui améliorent l’activité de manière significative. Pour se préparer à la transition vers le Big Data, les entreprises doivent s’assurer que leurs systèmes et processus sont en mesure de collecter, de stocker et d’analyser le Big Data.

Illustration du fonctionnement du Big Data : collecter le Big Data, stocker le Big Data, Analyser le Big Data

  1. Collecter le Big Data.Une grande partie du Big Data est constituée d’énormes ensembles de données non structurées qui émanent de sources disparates et incohérentes. Les bases de données traditionnelles sur disque et les mécanismes d’intégration des données ne sont pas suffisamment performants pour les gérer. La gestion du Big Data requiert des solutions de base de données in-memory et des solutions logicielles spécifiques de l’acquisition de ce type de données.
  2. Stocker le Big Data.Comme son nom l’indique, le Big Data est volumineux. De nombreuses entreprises utilisent des solutions de stockage sur site pour leurs données existantes et espèrent réaliser des économies en réutilisant ces référentiels pour traiter le Big Data. Toutefois, le Big Data est plus performant lorsqu’il n’est pas soumis à des contraintes de taille et de mémoire. Les entreprises qui n’intègrent pas dès le départ des solutions de stockage Cloud dans leurs modèles de Big Data le regrettent souvent quelques mois plus tard.
  3. Analyser le Big Data. Il est impossible d’exploiter pleinement le potentiel du Big Data sans utiliser les technologies d’IA et de machine learning pour l’analyser. L’un des cinq V du Big Data est la « vitesse ». Pour être utiles et exploitables, les informations du Big Data doivent être générées rapidement. Les processus d’analyse doivent s’auto-optimiser et tirer régulièrement profit de l’expérience, un objectif qui ne peut être atteint qu’avec l’IA et les technologies modernes de bases de données.

Applications du Big Data

La visibilité offerte par le Big Data est bénéfique à la plupart des entreprises ou secteurs d’activité. Cependant, ce sont les grandes entreprises aux missions opérationnelles complexes qui en tirent souvent le meilleur parti.

Finance

Dans le Journal of Big Data, une étude de 2020 souligne que le Big Data « joue un rôle important dans l’évolution du secteur des services financiers, en particulier dans le commerce et les investissements, la réforme fiscale, la détection et les enquêtes en matière de fraude, l’analyse des risques et l’automatisation ». Le Big Data a également contribué à transformer le secteur financier en analysant les données et les commentaires des clients pour obtenir les informations nécessaires à l’amélioration de la satisfaction et de l’expérience client. Les ensembles de données altérables figurent parmi les plus importants et les plus évolutifs au monde. L’adoption croissante de solutions avancées de gestion du Big Data permettra aux banques et aux établissements financiers de protéger ces données et de les utiliser d’une manière qui bénéficie à la fois au client et à l’entreprise.

Hygiène et santé
publique

L’analyse du Big Data permet aux professionnels de santé d’établir des diagnostics plus précis, fondés sur des données avérées. De plus, le Big Data aide les administrateurs d’hôpitaux à identifier les tendances, à gérer les risques et à limiter les dépenses inutiles, afin de consacrer le maximum de fonds aux soins des patients et à la recherche. En cette période de pandémie, les chercheurs du monde entier s’efforcent de traiter et de gérer au mieux la COVID-19, et le Big Data joue un rôle fondamental dans ce processus. Un article de juillet 2020 paru dans The Scientist explique comment des équipes médicales ont pu collaborer et analyser le Big Data afin de lutter contre le coronavirus : « Nous pourrions transformer la science clinique en exploitant les outils et les ressources du Big Data et de la science des données d’une manière que nous pensions impossible ».

Transport et logistique

L’« effet Amazon » est un terme qui définit la manière dont Amazon a fait de la livraison en un jour la nouvelle norme, les clients exigeant désormais la même vitesse d’expédition pour tout ce qu’ils commandent en ligne. Le magazine Entrepreneur souligne qu’en raison de l’effet Amazon, « la course logistique au dernier kilomètre ne fera que s’intensifier ». Les entreprises du secteur s’appuient de plus en plus sur l’analyse du Big Data pour optimiser la planification des itinéraires, la consolidation des charges et les mesures d’efficacité énergétique.

Éducation

Depuis l’apparition de la pandémie, les établissements d’enseignement du monde entier ont dû réinventer leurs programmes d’études et leurs méthodes d’enseignement afin de faciliter l’apprentissage à distance. L’un des principaux défis a été de trouver des moyens fiables d’analyser et d’évaluer la performance des étudiants et l’efficacité globale des méthodes d’enseignement en ligne. Un article paru en 2020 au sujet de l’impact du Big Data sur la formation et l’apprentissage en ligne indique, au sujet des enseignants, que « le Big Data les aide à gagner en confiance pour personnaliser l’enseignement, développer l’apprentissage mixte, transformer les systèmes d’évaluation et promouvoir l’apprentissage continu ».

Énergie et services publics

Selon le U.S. Bureau of Labor Statistics, le service public consacre plus de 1,4 milliard de dollars aux relevés de compteurs et s’appuie généralement sur des compteurs analogiques et des lectures manuelles peu fréquentes. Les relevés de compteurs intelligents fournissent des données numériques plusieurs fois par jour et, grâce à l’analyse du Big Data, ces informations permettent d’accroître l’efficacité de la consommation énergétique, ainsi que la précision des prix et des prévisions. En outre, lorsque les agents n’ont plus à se charger des relevés de compteurs, la saisie et l’analyse des données peuvent permettre de les réaffecter plus rapidement là où les réparations et les mises à niveau sont les plus urgentes.

Publié en anglais sur insights.sap.com

The post Qu’est-ce que le Big Data ? appeared first on SAP France News.

Source de l’article sur sap.com

/par

Fonctionnalités clés d’un ERP moderne : quelques exemples remarquables

, ,

Les nouvelles technologies peuvent changer la donne dans le milieu des logiciels d’entreprise. Pourtant, c’est à l’amélioration de l’expérience utilisateur que l’on attribue une véritable valeur. De la même façon, quand on parle de conversion au numérique, il ne s’agit pas de continuer à faire les mêmes choses avec de nouvelles technologies, mais de transformer les méthodes de gestion des entreprises. Les technologies innovantes fournissent de nouvelles fonctionnalités rimant avec nouvelles opportunités pour les entreprises et les particuliers.

SAP HANA est l’une de ces technologies qui changent la donne pour les logiciels d’entreprise. Bien plus qu’une simple base de données, il s’agit de la base sur laquelle repose SAP S/4HANA. Grâce à SAP HANA, les données sont utilisées autrement, c’est-à-dire d’une manière plus intelligente et prédictive.

SAP S/4HANA s’accompagne de cas d’apprentissage automatique intégrés (par exemple, automatisation intelligente pour la conformité fiscale, réapprovisionnement piloté par la demande, prévision des livraisons fournisseurs, affectation intelligente du personnel et des ressources, et prévision des performances de vente), grâce au socle d’Intelligence Artificielle (IA) qui sous-tend SAP HANA.

Tels sont les ingrédients qui forment une nouvelle expérience utilisateur caractérisé par le passage « de l’information à l’action », car les utilisateurs peuvent obtenir des informations pertinentes qui facilitent la prise de décision. Cette fonctionnalité est l’une des clés d’un progiciel de gestion intégré (ERP) moderne, optimisé par SAP HANA. Cette visibilité sur les informations permet d’obtenir une vue d’ensemble complète et en temps réel sur une entreprise, notamment sur les informations concernant les liquidités, les statistiques de commandes, les actifs et la satisfaction des clients. Même si les systèmes ERP hérités offraient également cette possibilité dans une certaine mesure, les informations étaient issues d’instantanés de données statiques et obsolètes, basés sur des agrégats précalculés dans les bases de données. Ces limites technologiques étaient source d’incertitudes et nous empêchaient de prendre des décisions parfaitement éclairées, notamment en raison de notre incapacité à réagir en temps réel à des événements imprévus.

Le modèle de données unifié dans SAP S/4HANA permet aux entreprises de s’appuyer sur une source d’informations unique, une autre fonctionnalité clé d’un ERP moderne. Le modèle de données unifié calcule des indicateurs de performance clés (KPI) à la volée, en s’appuyant sur des postes individuels réels au lieu d’agrégats sans horodatage, ce qui permet de refléter la réalité à l’instant t. Les clients peuvent voir leur stock en temps réel. Cependant, le modèle de données lui-même n’est que la base d’un nouveau niveau de visibilité. Afin que ces informations soient exploitées concrètement, des fonctionnalités d’analyse intégrées préviennent les utilisateurs des événements de gestion dès qu’ils se produisent. Par ailleurs, elles guident les utilisateurs pour les aider à éviter les problèmes et les exceptions.

Il en va de même pour la finance, où le journal universel rassemble des tables et des livres auxiliaires qui auparavant étaient séparés. Cette fonctionnalité permet une clôture en douceur et une consolidation à la demande qui donne aux dirigeants une vue complète sur toutes les données pertinentes, ce qui les aide à prendre des décisions avisées et rend l’entreprise plus agile. Elle enregistre également toutes les données financières au même endroit et permet ainsi un traitement parallèle cohérent entre tous les livres auxiliaires et les flux de valeurs. De plus, le journal universel s’intègre parfaitement à SAP HANA de par sa structure simple, sans agrégat ni hiérarchie. Grâce à la technologie in-memory, il est facile et rapide d’établir des rapports à partir des données du journal universel. Les ledgers représentent un volet essentiel dans le journal universel. En extrayant les données d’une table à une autre, ils permettent un reporting prompt et efficace des données financières en vertu des différentes normes comptables et attributs.

En ce qui concerne l’agilité, selon une étude réalisée par l’Economist Intelligence Unit Ltd. auprès de 800 directeurs et dirigeants financiers, la gestion des changements inattendus par rapport aux prévisions financières et l’adaptation des processus financiers à la rapide évolution des modèles d’affaires font partie des principaux défis que les dirigeants financiers doivent relever dans l’exécution de leurs activités quotidiennes. En outre, 90 % des dirigeants financiers pensent que le service financier doit simplifier la planification d’entreprise collaborative pour veiller à ce que les plans opérationnels soient alignés sur les plans financiers et stratégiques.

La possibilité d’exécuter la planification, l’analyse du compte de résultat et le reporting du groupe en se basant sur le même ensemble de données bouleversera la finance à jamais. Cela étant, nous nous dirigeons vers une vision plus tournée vers l’avenir. Pour parvenir à cette fin, il convient de combiner intelligemment les données en temps réel (de même que les données de planification, de prévision et de simulation), afin de détecter les risques et les opportunités pour y réagir sans tarder. Cela rend les processus encore plus efficaces et intelligents, tout en offrant de nouvelles opportunités pour la finance à l’avenir. Lors de périodes de pandémie comme celle que nous connaissons aujourd’hui, cela a donné à nombre de nos clients la force de traverser la tourmente et l’agilité nécessaire pour évoluer dans des environnements en constante évolution.

Mais la visibilité seule ne suffit pas pour combler le fossé entre les systèmes analytiques et transactionnels, fossé qui s’observe chez les systèmes ECC hérités. L’automatisation, l’aide à la décision et l’IA ne peuvent pas être pleinement exploités en raison de cette fracture technologique. C’est là que la partie « action » entre en jeu : les utilisateurs professionnels reçoivent alors les conseils dont ils ont besoin pour prendre des décisions et réaliser des opérations dans les workflows et les processus intelligents hautement automatisés.

Il existe de nombreux exemples d’utilisations innovantes de SAP S/4HANA sur SAP HANA dans divers domaines : MRP (planification des besoins en composants) Live, MRP piloté par la demande, gestion des stocks, finance, disponibilité à la vente, traitement des reliquats et nouvelle configuration des produits à variantes.

Prenons, à titre d’illustration, MRP Live, l’Application MRP et les fonctions prédictives de MRP. Avec MRP Live, les clients peuvent planifier et évaluer de très gros volumes de données en temps réel. Par rapport aux anciens cycles MRP et évaluations, MRP Live et l’Application MRP peuvent être exécutés plus fréquemment ; aussi, le gestionnaire peut améliorer de manière significative les KPI tels que les niveaux de stock et les accords sur le niveau de service proposés aux clients. En outre, avec les fonctions prédictives de MRP, il est possible d’exécuter des simulations de l’usine. Cette approche MRP nouvelle génération dans SAP S/4HANA convertit automatiquement les exceptions en propositions de solution.

Nos clients qui utilisent MRP Live sont des entreprises de toutes tailles, qui opèrent dans toutes les régions et tous les secteurs (notamment, machines et composants industriels ou encore biens de consommation). Thermo Cables, une entreprise de taille moyenne basée en Inde, utilise SAP S/4HANA et ce faisant, elle a fait croître son chiffre d’affaires grâce à une visibilité accrue, couplée à des processus de gestion clés (cycles MRP exécutés sur des données en temps réel, par exemple) et un accès instantané aux rapports couvrant toutes les fonctions de l’entreprise. Nous pouvons également citer ANTA, un fabricant de vêtements de sport, qui a pu améliorer le mécanisme de calcul MRP et réduire de 80 % le temps nécessaire pour modifier les nomenclatures grâce à la modification des données par lots. Avec SAP S/4HANA, ANTA a également réussi à rehausser l’efficacité en matière de consommation des stocks de 90 % grâce aux mises à jour automatiques reçues pour un grand nombre de commandes.

Le MRP piloté par la demande, une composante de SAP S/4HANA, vérifie régulièrement la situation de la demande et du réapprovisionnement, puis propose des niveaux optimaux de marge et de stock dont la mise en œuvre est à portée de clic. La demande et le réapprovisionnement peuvent désormais être ajustés plus souvent et plus régulièrement, ce qui se traduit par un pilotage plus efficace des processus adjacents. Auparavant, les entreprises menaient une fois par an un projet d’optimisation des stocks dans une feuille Excel. À présent, cette tâche est remplacée par un processus de routine automatisé qui assure la meilleure capacité de livraison, tout en optimisant les actifs et les liquidités de l’entreprise en question.

La pandémie de COVID-19 nous a montré à quel point les chaînes logistiques mondiales sont fragiles et peuvent être perturbées rapidement. Mais les logiciels d’entreprise ont aidé les organisations à rester agiles pour réduire les incertitudes et l’impact financier sur leurs activités.

Comme je l’ai décrit au début, quand on parle de conversion au numérique, il ne s’agit pas d’exécuter les mêmes activités en exploitant les nouvelles technologies, mais de transformer les méthodes de gestion des entreprises. C’est ce à quoi les entreprises doivent se préparer si elles veulent surmonter les défis d’aujourd’hui.

Thomas Saueressig est membre du Conseil de direction Ingénierie de produits de SAP SE
Cet article est initialement paru sur LinkedIn.

The post Fonctionnalités clés d’un ERP moderne : quelques exemples remarquables appeared first on SAP France News.

Source de l’article sur sap.com

/par

Qu’est-ce que le data management ?

, ,

Les données jouent un rôle clé dans le fonctionnement des entreprises. Il est donc essentiel de leur donner du sens et de déterminer leur pertinence parmi la multitude d’informations générées par les systèmes et technologies qui soutiennent nos économies mondiales hautement connectées. Les données sont omniprésentes, mais inutiles en tant que telles. Pour exploiter toutes les formes de données et les utiliser de manière pratique et efficace dans les chaînes logistiques, les réseaux d’employés, les écosystèmes de clients et de partenaires, etc., les entreprises doivent mettre en œuvre une stratégie, une gouvernance et un modèle de data management performants.

Qu’est-ce que le data management (ou gestion des données) ? Le data management consiste à collecter, organiser et accéder aux données en vue d’améliorer la productivité, l’efficacité et la prise de décision. Compte tenu de l’importance accrue des données, il est essentiel que toute entreprise, indépendamment de sa taille et de son secteur d’activité, mette en place un système moderne et une stratégie efficace de data management.

Petite infographie qui illustre les principaux éléments du data management

Le processus de data management comprend un large éventail de tâches et de procédures. Par exemple :

  • Collecte, traitement, validation et stockage des données
  • Intégration de différents types de données émanant de sources disparates, notamment des données structurées et non structurées
  • Haute disponibilité des données et restauration après sinistre
  • Gestion de l’utilisation des données et de l’accès aux données par les collaborateurs et les applications
  • Protection et sécurisation des données en garantissant leur confidentialité

Pourquoi le data management est-il important ?

Les applications, solutions analytiques et algorithmes utilisés dans une entreprise (c’est-à-dire les règles et les processus associés au moyen desquels les ordinateurs résolvent les problèmes et exécutent les tâches) reposent sur un accès transparent aux données. Fondamentalement, un système de data management permet de garantir la sécurité, la disponibilité et l’exactitude des données. Mais ses avantages ne s’arrêtent pas là.

Transformer le Big Data en actif à forte valeur ajoutée

Les données trop volumineuses peuvent être inutiles, voire nuisibles, si elles ne sont pas gérées de manière appropriée. Toutefois, avec les outils adéquats, les entreprises peuvent exploiter le Big Data pour enrichir plus que jamais les renseignements dont elles disposent et améliorer leurs capacités prévisionnelles. Le Big Data peut les aider à mieux comprendre les attentes de leurs clients et à leur offrir une expérience exceptionnelle. L’analyse et l’interprétation du Big Data permet également de mettre en place de nouveaux modèles de gestion axés sur les données, tels que les offres de services basées sur l’Internet des Objets (IoT) en temps réel et les données de capteurs.

163 zettaoctets de données en 2025 (IDC)

80 % des données mondiales seront non structurées en 2025 (IDC)

Les Big Data sont des ensembles de données extrêmement volumineux, souvent caractérisés par les cinq V : le volume de données collectées, la variété des types de données, la vitesse à laquelle les données sont générées, la véracité des données et leur valeur.

Il est bien connu que les entreprises pilotées par les données disposent d’un avantage concurrentiel majeur. En utilisant des outils avancés, les entreprises peuvent gérer des volumes de données plus importants provenant de sources plus diversifiées que jamais. Elles peuvent aussi exploiter des données très variées, structurées et non structurées ou en temps réel, notamment les données des dispositifs IoT, les fichiers audio et vidéo, les données du parcours de navigation sur Internet et les commentaires sur les réseaux sociaux, ce qui leur offre davantage de possibilités de monétiser les données et de les utiliser comme véritable actif.

Créer une infrastructure de données qui favorise la transformation numérique

On dit souvent que les données sont le moteur de la transformation numérique. L’intelligence artificielle (IA), le machine learning, l’Industrie 4.0, les analyses avancées, l’Internet des Objets et l’automatisation intelligente requièrent d’énormes volumes de données ponctuelles, exactes et sécurisées.

L’importance des données et des technologies axées sur les données n’a fait que se renforcer depuis l’apparition de la COVID-19. De nombreuses entreprises ressentent le besoin urgent d’exploiter leurs données de manière plus efficace pour prévoir les événements à venir, réagir rapidement et intégrer la résilience dans leurs plans et modèles de gestion.

Le machine learning, par exemple, requiert des ensembles de données extrêmement volumineux et diversifiés pour « apprendre », identifier des modèles complexes, résoudre les problèmes et assurer la mise à jour et l’exécution efficace des modèles et algorithmes. Les analyses avancées (qui exploitent souvent l’apprentissage automatique) requièrent également de gros volumes de données de haute qualité pour pouvoir générer des informations pertinentes et exploitables qui puissent être utilisées en toute confiance. Quant à l’IoT et l’IoT industriel, ils s’exécutent sur un flux constant de données de machines et capteurs à 1,6 millions de kilomètres par minute.

Les données sont le dénominateur commun de tout projet de transformation numérique. Pour transformer leurs processus, tirer parti des nouvelles technologies et devenir intelligentes, les entreprises doivent disposer d’une infrastructure de données solide. En résumé, d’un système de data management moderne.

« La survie de toute entreprise dépendra d’une architecture agile centrée sur les données, capable de s’adapter au rythme constant du changement. »

Donald Feinberg, vice-président de Gartner

Garantir la conformité aux lois en matière de confidentialité des données

Une gestion appropriée des données est également essentielle pour garantir la conformité aux lois nationales et internationales en matière de confidentialité des données, telles que le Règlement général sur la protection des données (RGPD) et la loi californienne sur la protection de la vie privée des consommateurs (California Consumer Privacy Act ou « CCPA ») aux États-Unis, et répondre aux exigences de confidentialité et de sécurité spécifiques du secteur. En outre, il est essentiel de mettre en place des politiques et procédures solides en matière de data management pour satisfaire aux exigences d’audit.

Systèmes et composants du data management

Les systèmes de data management reposent sur des plates-formes et intègrent une combinaison de composants et processus qui vous aident à tirer profit de vos données. Il peut s’agir de systèmes de gestion de base de données, d’entrepôts de données, de lacs de données, d’outils d’intégration de données, d’outils analytiques, etc.

Systèmes de gestion de base de données (SGBD)

Il existe différents types de systèmes de gestion de base de données. Les systèmes les plus courants sont les systèmes de gestion de base de données relationnelle (SGBDR), les systèmes de gestion de base de données orientée objet (SGBDOO), les bases de données in-memory et les bases de données en colonnes.

Petite infographie des différents types de systèmes de gestion de base de données

  • Système de Gestion de Base de Données Relationnelle (SGBDR) :il s’agit d’un système qui contient des définitions de données permettant aux programmes et aux systèmes d’extraction de référencer les éléments de données par nom, plutôt que de décrire à chaque fois la structure et l’emplacement des données. En fonction du modèle relationnel, le système SGBDR gère également les relations entre les éléments de données qui améliorent l’accès et empêchent les doublons. Par exemple, la définition et les caractéristiques de base d’un élément sont stockées une seule fois et liées aux lignes de détail des commandes clients et aux tables de détermination du prix.
  • Système de Gestion de Base de Données Orientée Objet (SGBDOO) :il s’agit d’une approche différente de la définition et du stockage de données, développée et utilisée par les développeurs de systèmes de programmation orientée objet (SPOO). Les données sont stockées en tant qu’objets, entités autonomes et auto-décrites, plutôt que dans des tables à l’image du système SGBDR.
  • Base de données in-memory :une base de données in-memory (BDIM) stocke les données dans la mémoire principale (RAM) d’un ordinateur, plutôt que sur un lecteur de disque. L’extraction des données étant beaucoup plus rapide qu’à partir d’un système basé sur disque, les bases de données in-memory sont couramment utilisées par les applications qui exigent des temps de réponse rapides. Par exemple, les données qu’il fallait auparavant compiler dans un rapport sont désormais accessibles et peuvent être analysées en quelques minutes, voire quelques secondes.
  • Base de données en colonnes : une base de données en colonnes stocke des groupes de données liées (une « colonne » d’informations) pour y accéder plus rapidement. Cette base de données est utilisée dans les applications de gestion in-memory modernes et dans de nombreuses applications d’entrepôt de données autonomes dans lesquelles la vitesse d’extraction (d’un éventail de données limité) est importante.

Entrepôts et lacs de données

  • Entrepôt de données :un entrepôt de données est un référentiel central de données cumulées à partir de différentes sources à des fins de reporting et d’analyse.
  • Lac de données :un lac de données est un vaste pool de données stockées dans leur format brut ou naturel. Les lacs de données sont généralement utilisés pour stocker le Big Data, y compris les données structurées, non structurées et semi-structurées.

Gestion des données de base (MDM)

La gestion des données de base est une discipline qui consiste à créer une référence de base fiable (référence unique) de toutes les données de gestion importantes, telles que les données produit, les données client, les données d’actifs, les données financières, etc. Elle garantit que l’entreprise n’utilise pas plusieurs versions potentiellement incohérentes des données dans ses différentes activités, y compris dans les processus, les opérations, l’analyse et le reporting. La consolidation des données, la gouvernance des données et la gestion de la qualité des données constituent les trois piliers clés d’une gestion des données de base efficace.

« Une discipline basée sur la technologie dans laquelle l’entreprise et l’organisation informatique collaborent pour garantir l’uniformité, la précision, l’administration, la cohérence sémantique et la responsabilité des ressources de données de base partagées officielles de l’entreprise. »

Définition de la gestion des données de base par Gartner

Gestion du Big Data

De nouveaux types de bases de données et d’outils ont été développés pour gérer le Big Data : d’énormes volumes de données structurées, non structurées et semi-structurées inondent les entreprises aujourd’hui. Outre les infrastructures basées sur le Cloud et les techniques de traitement hautement efficaces mises en place pour gérer le volume et la vitesse, de nouvelles approches ont vu le jour pour interpréter et gérer la variété de données. Pour que les outils de data management puissent comprendre et utiliser différents types de données non structurées, par exemple, de nouveaux processus de prétraitement permettent d’identifier et de classer les éléments de données en vue de faciliter leur stockage et leur extraction.

Intégration des données

L’intégration des données consiste à intégrer, transformer, combiner et mettre à disposition les données à l’endroit et au moment où les utilisateurs en ont besoin. Cette intégration s’effectue dans l’entreprise et au-delà, chez les partenaires et dans les cas d’utilisation et les sources de données tierces, pour répondre aux besoins de consommation de données de toutes les applications et de tous les processus de gestion. Les techniques utilisées incluent le déplacement des données en masse/par lots, l’extraction, la transformation, le chargement (ETL), la capture des données de modification, la réplication des données, la virtualisation des données, l’intégration des données de streaming, l’orchestration des données, etc.

Gouvernance, sécurité et conformité des données

La gouvernance des données est un ensemble de règles et de responsabilités visant à garantir la disponibilité, la qualité, la conformité et la sécurité des données dans toute l’organisation. Elle définit l’infrastructure et désigne les collaborateurs (ou postes) au sein d’une organisation dotés du pouvoir et de la responsabilité nécessaires pour assurer le traitement et la sauvegarde de types de données spécifiques. La gouvernance des données est un aspect clé de la conformité. Alors que les mécanismes de stockage, de traitement et de sécurité sont gérés par les systèmes, la gouvernance des collaborateurs permet de s’assurer que les données sont exactes, correctement gérées et protégées avant d’être entrées dans les systèmes, lorsqu’elles sont utilisées, puis lorsqu’elles sont extraites des systèmes à d’autres fins d’utilisation et de stockage. La gouvernance détermine comment les responsables utilisent les processus et les technologies pour gérer et protéger les données.

La sécurité des données est bien évidemment une préoccupation majeure dans notre monde actuel constamment menacé par les pirates informatiques, les virus, les cyberattaques et les violations de données. Bien que la sécurité soit intégrée dans les systèmes et les applications, la gouvernance des données garantit que ces systèmes sont correctement configurés et administrés pour protéger les données, et que les procédures et les responsabilités sont appliquées pour assurer leur protection en dehors des systèmes et de la base de données.

Business Intelligence et analyses

La plupart des systèmes de data management, sinon tous, incluent des outils de reporting et d’extraction des données de base, et beaucoup d’entre eux intègrent ou sont fournis avec de puissantes applications d’extraction, d’analyses et de reporting. Les applications d’analyses et de reporting sont également disponibles auprès de développeurs tiers et sont presque toujours incluses dans le groupe d’applications en tant que fonctionnalité standard ou en tant que module complémentaire facultatif pour des fonctionnalités plus avancées.

La puissance des systèmes de data management actuels réside, dans une large mesure, dans les outils d’extraction ad hoc qui permettent aux utilisateurs disposant d’un minimum de formation de créer leurs propres extractions de données à l’écran et d’imprimer des rapports en bénéficiant d’une grande flexibilité dans la mise en forme, les calculs, les tris et les résumés. En outre, les professionnels peuvent utiliser ces outils ou des jeux d’outils d’analyses plus avancés pour aller encore plus loin en termes de calculs, comparaisons, mathématiques abstraites et mises en forme. Les nouvelles applications analytiques permettent de relier les bases de données traditionnelles, les entrepôts de données et les lacs de données pour intégrer le Big Data aux données des applications de gestion en vue d’améliorer les prévisions, les analyses et la planification.

Qu’est-ce qu’une stratégie de gestion des données d’entreprise et quelle est son utilité ?

De nombreuses entreprises se sont montrées passives dans leur approche de stratégie de data management en acceptant ce que leur fournisseur d’applications de gestion avait intégré dans leurs systèmes. Mais cela ne suffit plus. Avec l’explosion actuelle des données et leur importance accrue dans le fonctionnement de toute entreprise, il devient indispensable d’adopter une approche plus proactive et plus globale du data management. D’un point de vue pratique, cela implique de définir une stratégie des données visant à :

  • identifier les types de données spécifiques utiles à votre entreprise ;
  • attribuer des responsabilités pour chaque type de données ; et
  • définir des procédures régissant l’acquisition, la collecte et la gestion de ces données.

La mise en œuvre d’une infrastructure et d’une stratégie de gestion des données d’entreprise offre notamment l’avantage de fédérer l’entreprise, en coordonnant toutes les activités et décisions à l’appui de ses objectifs, à savoir offrir des produits et des services de qualité de manière efficace. Une stratégie globale de data management et une intégration transparente des données permettent de décloisonner les informations. Elles aident chaque service, responsable et employé à mieux comprendre sa contribution individuelle à la réussite de l’entreprise, et à adopter des décisions et des actions alignées sur ces objectifs.

Évolution du data management

La gestion efficace des données joue un rôle clé dans la réussite des entreprises depuis plus de 50 ans : elle permet d’améliorer la précision du reporting, de repérer les tendances et de prendre de meilleures décisions pour favoriser la transformation numérique et exploiter les nouvelles technologies et les nouveaux modèles de gestion. Les données représentent aujourd’hui une nouvelle forme de capital et les organisations visionnaires sont toujours à l’affût de nouveaux moyens de les exploiter à leur avantage. Ces dernières tendances en matière de data management méritent d’être surveillées et peuvent être pertinentes pour votre entreprise et votre secteur d’activité :

  • Structure de données : la plupart des entreprises disposent aujourd’hui de différents types de données déployées sur site et dans le Cloud, et utilisent plusieurs systèmes de gestion de bases de données, outils et technologies de traitement. Une structure de données, qui est une combinaison personnalisée d’architecture et de technologie, utilise une intégration et une orchestration dynamiques des données pour permettre un accès et un partage transparents des données dans un environnement distribué.
  • Data management dans le Cloud :de nombreuses entreprises se sont mises à migrer tout ou partie de leur plateforme de gestion des données dans le Cloud. Le data management dans le Cloud offre tous les avantages du Cloud, notamment l’évolutivité, la sécurité avancée des données, l’amélioration de l’accès aux données, les sauvegardes automatisées et la restauration après sinistre, les économies de coûts, etc. Les solutions de base de données Cloud et base de données en tant que service (DBaaS), les entrepôts de données Cloud et les lacs de données Cloud montent en puissance.
  • Data management augmenté :c’est l’une des dernières tendances. Identifiée par Gartner comme une technologie au potentiel perturbateur d’ici 2022, la gestion des données augmentée exploite l’IA et l’apprentissage automatique pour donner aux processus de gestion la capacité de s’autoconfigurer et s’autorégler. Le data management augmenté automatise tout, de la qualité des données et de la gestion des données de base jusqu’à l’intégration des données, ce qui permet au personnel technique qualifié de se concentrer sur des tâches à plus forte valeur ajoutée.

« D’ici 2022, les tâches manuelles de data management seront réduites de 45 % grâce à l’apprentissage automatique et à la gestion automatisée des niveaux de service. »

– Gartner

  • Analyse augmentée : l’analyse augmentée, une autre tendance technologique de pointe identifiée par Gartner, est en train d’émerger. L’analyse augmentée exploite l’intelligence artificielle, l’apprentissage automatique et le traitement du langage naturel (TLN) pour rechercher automatiquement les informations les plus importantes, mais aussi pour démocratiser l’accès aux analyses avancées afin que tous les collaborateurs, et pas uniquement les experts en Big Data, puissent interroger leurs données et obtenir des réponses d’une manière naturelle et conversationnelle.

Découvrez d’autres termes et tendances en matière de data management.

Synthèse

L’information est dérivée des données et si elle synonyme de pouvoir, cela signifie que la gestion et l’exploitation efficaces de vos données pourraient représenter une formidable opportunité de croissance pour votre entreprise. Les responsabilités en matière de data management et le rôle des analystes de bases de données (DBA) évoluent vers un modèle d’agent du changement, qui favorise l’adoption du Cloud, exploite les nouvelles tendances et technologies et apporte une valeur stratégique à l’entreprise.

Pictogramme qui représente un entrepôt de données

Solutions de data management et de bases de données

Découvrez comment SAP peut vous aider à gérer, administrer et intégrer vos données d’entreprise pour disposer d’analyses fiables et prendre des décisions avisées.

En savoir plus

Publié en anglais sur insights.sap.com

The post Qu’est-ce que le data management ? appeared first on SAP France News.

Source de l’article sur sap.com

/par

Changement climatique : il est temps d’agir !

, ,

Un an après l’annonce de la pandémie par l’Organisation mondiale de la santé, la COVID-19 fait toujours la une de l’actualité dans le monde. Fermeture des écoles, des universités et des jardins d’enfants, report ou annulation d’événements, interdictions de voyage, confinement de villes et de régions entières, chute des marchés mondiaux… Le coronavirus bouleverse notre quotidien et nous rappelle à quel point notre monde est volatil.

Parallèlement, les effets positifs de la pandémie sur l’environnement nous ont montré qu’il était possible d’agir rapidement. Les avions cloués au sol, la baisse de fréquentation sur les routes et la fermeture des usines ont fait chuter les émissions mondiales de dioxyde de carbone à des niveaux jamais atteints depuis 2006 lors du confinement d’avril 2020. Sept grandes villes internationales, dont New Delhi, São Paulo et New York, ont connu une réduction de 25 à 60 % des particules fines pendant cette période de confinement, selon IQAir. En Chine, la COVID-19 a fait chuter les émissions de CO2 de 200 millions de tonnes depuis le début de l’épidémie, ce qui équivaut à plus de 10 % des émissions mondiales.

Cela n’atténue en rien le coût humain de l’épidémie. Les décès, les mesures de quarantaine, les difficultés financières des entreprises et des ménages n’en sont que quelques-unes des conséquences. Dans le même temps, cette crise a mis en évidence le fait que nous pouvions agir massivement et rapidement en faveur du climat.

Nous sommes à un tournant. Selon les prévisions de l’Organisation météorologique mondiale, il y a 20 % de probabilité que les températures mondiales soient de 1,5 °C supérieures à la moyenne enregistrée à l’époque préindustrielle entre 2020 et 2024 au minimum pendant un an. Ce seuil de 1,5°C est le niveau de réchauffement climatique que les pays se sont engagés à contenir lors de l’Accord de Paris de 2015. Même si un nouveau pic annuel peut être suivi de plusieurs années de températures en moyenne plus douces, le non-respect de ce seuil serait une preuve supplémentaire que les mesures internationales de lutte contre le changement climatique ne fonctionnent pas.

Nous ne pouvons ni ignorer la pandémie et son impact, ni continuer à ignorer le changement climatique et la contribution de nos entreprises. Quatre-vingt-cinq pour cent des entreprises qui émettent le plus de CO2 utilisent SAP pour gérer leurs processus, ce qui représente une formidable opportunité. Les technologies numériques peuvent contribuer à réduire massivement les émissions de CO2 dans des secteurs majeurs tels que les services publics, l’agriculture et les transports. Ces réductions d’émissions pourraient potentiellement équivaloir à planter 500 milliards d’arbres. Imaginez l’impact si tous les secteurs agissaient ensemble !

Le développement durable combine la vision de l’entreprise intelligente et l’objectif de SAP de créer un monde meilleur et d’améliorer la vie des individus de la manière la plus naturelle qui soit. Il nous offre également une occasion unique de créer un impact durable et positif pour les générations futures. En 2009, SAP s’était engagée à ramener ses émissions de gaz à effet de serre à leurs niveaux de 2000 à l’horizon 2020. Nous avons atteint cet objectif deux ans plus tôt, tout en multipliant par quatre nos effectifs. Nous prenons l’engagement d’atteindre la carboneutralité d’ici 2025 et, malgré une forte croissance, nous sommes parvenus à réduire notre empreinte carbone nette au cours des cinq dernières années. Nous avons récemment été classés leader du secteur des logiciels dans les indices de durabilité du Dow Jones pour la 14ème année consécutive.

Nous poursuivons non seulement nos propres objectifs climatiques, mais nous voulons aider nos clients à repenser leur stratégie pour atteindre leurs objectifs de durabilité. Dans le cadre de la transition vers de nouveaux modèles de gestion durables, SAP dispose d’une équipe d’experts en solutions et services d’innovation qui aide les clients à surmonter les perturbations et à transformer leurs activités par le biais de l’innovation, grâce à des technologies intelligentes telles que l’Internet des Objets (IoT), l’apprentissage automatique, l’intelligence artificielle (IA), la technologie blockchain et l’analyse étendue des données.  Nous aidons les entreprises à suivre leurs émissions de CO2, des chaînes logistiques en amont jusqu’à la logistique en aval, y compris l’approvisionnement, les opérations et la fabrication.

Aujourd’hui, nous allons encore plus loin en développant des solutions qui permettent à nos clients de mesurer et de réduire leurs émissions dans l’intégralité de leur chaîne de valeur. Nous voulons intégrer la durabilité comme nouvelle dimension de réussite dans les applications analytiques et transactionnelles. Ou, comme le dit si justement mon collègue Thomas Saueressig : nous ajoutons une « ligne verte » au chiffre d’affaires et au résultat net pour mesurer la performance d’une entreprise.

En ce début d’année, nous procédons à des essais auprès de clients issus de secteurs tels que l’automobile, l’industrie des produits chimiques, l’industrie alimentaire et l’ingénierie. SAP Product Carbon Footprint Analytics est la première solution disponible sur le marché et notre client Doehler est le premier à l’adopter. D’autres solutions seront bientôt disponibles. Restez à l’écoute pour en savoir plus !

Nous voulons aider nos clients à repenser leur stratégie en matière de développement durable. Nous créons de la valeur en les aidant à atteindre leurs objectifs en matière d’émissions, et nous les aidons à prendre des décisions commerciales responsables tout en tenant compte de la durabilité. Nos clients pourront simuler les effets d’options d’investissement durable, de décisions opérationnelles et de la gestion des ressources naturelles et sociales, comme n’importe quelle autre ressource d’entreprise.

Avec ces mesures, SAP franchit un nouveau cap dans la transformation de ses clients en entreprises intelligentes durables, en prouvant que l’entreprise intelligente peut rendre la durabilité rentable et la rentabilité durable.

Christian Klein est le PDG de SAP.
Cet article est initialement paru sur LinkedIn.

The post Changement climatique : il est temps d’agir ! appeared first on SAP France News.

Source de l’article sur sap.com

/par

L’Intelligence Artificielle pour accélérer vos processus financiers

, ,

De nombreuses études (1) estiment que les organisations financières dédient plus de 50% de leur charge de travail à la collecte et l’analyse de données. C’est pourquoi l’automatisation est un outil à fort potentiel.

Avec la plateforme SAP S/4HANA, l’ERP nouvelle génération, SAP introduit un ensemble de techniques  permettant à la machine d’imiter une forme d’intelligence réelle, l’Intelligence Artificielle.

Les domaines d’application sont nombreux et peuvent être mis au service de la transformation de la fonction finance.

Le Machine Learning  pour optimiser la réconciliation bancaire

La réconciliation bancaire est un exemple de processus qui implique de nombreuses actions manuelles, notamment pour les flux d’encaissements :

  • des volumes importants de paiements à réconcilier manuellement malgré des règles prédéfinis,
  • des paiements sans références factures, des données de base incomplètes, des paiements avec écarts qui complexifient les actions de réconciliation,
  • des règles spécifiques à mettre en place en fonction des pays, des formats, des modes de paiements.

SAP introduit dans la suite SAP S/4HANA, une solution innovante basée sur du Machine Learning et permettant d’atteindre des taux d’automatisation proche de 97%.

La solution apprend des données et actions historiques, c’est-à-dire des répétitions (patterns) dans un ou plusieurs flux de données (extraits de comptes électroniques, avis de paiements, banques partenaires/sociétés,…) et en tire des prédictions de réconciliation en se basant sur des statistiques.

Les critères de réconciliation sont ainsi continuellement affinés et  les nouveaux cas, les exceptions, traités en autonomie. Les taux d’automatisation considérablement améliorés contribuent à réduire les coûts de déploiements et coûts opérationnels.

L’analyse prédictive pour améliorer la prise de décision

L’évolution constante des modèles économiques  impose aux directions financières de gagner en efficacité et en agilité. Elles doivent anticiper les impacts sur les revenus, la profitabilité, l’affectation des ressources afin d’orienter la stratégie de l’entreprise.

La plateforme SAP S/4HANA embarque des scénarios d’analyses prédictives permettant d’établir des prévisions de chiffre d’affaires très fiables via des algorithmes se basant sur des données actuelles et historiques, internes et externes à l’organisation tel que le pipeline des ventes, les tendances du marché, l’évolution du PIB d’un pays, etc.

Ces prédictions effectuées en temps réel alimentent le processus de planification budgétaire et sont déclinées à tous les niveaux de l’organisation où des ajustements peuvent être effectués.

A cela s’ajoutent des outils de simulation permettant de visualiser l’impact des choix stratégiques tel que les changements d’organisation, le développement de nouveaux produits, etc.

Lutter contre la fraude et la cybercriminalité

La crise sanitaire et économique inédite que nous vivons ouvre aux fraudeurs de nouvelles failles pour parvenir à leurs fins. De nombreuses attaques n’étant jamais identifiées, il est impossible de déterminer avec précision les pertes pour les entreprises. En 2020, d’après l’ACFE Report to the Nations (2), la fraude et la cybercriminalité ont causées des pertes estimées à plus de 3 Milliards € dans 125 pays  (~5% du chiffre d’affaires des entreprises concernées, avec une moyenne de 415 K€ par attaque en Europe).

Avec SAP S/4HANA, SAP propose des solutions pour contrôler des volumes importants de transactions, identifier en temps réel les menaces et transactions frauduleuses et ainsi limiter les risques de pertes financières.

L’Intelligence Artificielle émet des recommandations permettant d’affiner continuellement les règles de contrôle et l’identification de nouveaux schémas de fraude sur la base de données historiques internes comme externes. Les taux d’efficacité dans la détection des anomalies et des fraudes se trouvent considérablement améliorés.

Au-delà des multiples scénarios disponibles en standard, SAP complète son offre SAP S/4HANA par une plateforme d’innovations dans le cloud (Business Technology Platform) qui permet de développer des applications et extensions autour du cœur SAP S/4HANA.

À travers la Business Technology Platform, les départements financiers ont accès aux technologies innovantes tel que le Machine Learning, l’analyse prédictive, les chatbots ou encore la Blockchain, à partir desquelles ils peuvent imaginer de nouveaux cas d’usages.

(1) A future that works: Automation, employment and productivity, Mckinsey&Company

(2) Report to the Nations, ACFE

The post L’Intelligence Artificielle pour accélérer vos processus financiers appeared first on SAP France News.

Source de l’article sur sap.com

/par

Vers une vraie logistique responsable ?

, , ,

Comment assurer des livraisons dans des délais toujours plus serrés, tout en maîtrisant son impact sur la société et la planète ? Une meilleure exploitation des données peut aider à allier les impératifs d’agilité, de résilience et de responsabilité environnementale et sociale.

Dans le secteur du transport, les impacts sociaux et environnementaux restent encore mal pris en compte. Et pourtant, les travaux du Grenelle II auraient dû favoriser l’émergence d’une industrie du transport plus vertueuse.

« Ce texte misait sur la bonne volonté des acteurs du secteur, mais sans mettre en place le minimum nécessaire de contrôles, d’obligations, voire de sanctions, regrette Philippe Mangeard, président et fondateur de l’agence de notation du transport TK’Blue. Résultat, moins de 15 % des opérateurs du secteur jouent aujourd’hui le jeu. »

Problème, les donneurs d’ordres que sont les entreprises oublient souvent le maillon transport dans leur calcul d’impact environnemental et sociétal. « Et pourtant, le transport peut représenter entre 10 % et 40 % de l’empreinte globale d’une entreprise », rappelle Philippe Mangeard.

Prendre en compte l’expérience client

Avec l’économie d’expérience, la logistique ne peut être mise de côté. En effet, même si une entreprise fait le maximum pour satisfaire son client, une livraison mal réalisée (retard, produit abîmé…) réduira tous ses efforts à néant. La problématique est d’autant plus difficile à résoudre que le client devient de plus en plus exigeant : il veut être livré rapidement, mais tout en disposant d’informations claires sur les méthodes de livraison, lui permettant ainsi – s’il le souhaite – d’opter pour un mode de transport responsable.

« Du côté des entreprises, des technologies permettent d’optimiser le chargement des camions, les trajets et les plans de transport, même si l’on peut regretter qu’elles ne soient pas encore très répandues, analyse Alexis Fournier, directeur AI Strategy chez Dataïku. Mais côté client, la technologie ne suffira pas : des initiatives globales sont nécessaires. »

Sous l’impulsion des clients, des acteurs de la grande distribution, certains industriels et des géants du web, comme Amazon, commencent à se pencher sur cette question. Un standard est en train de naître, lequel permettra de définir un cahier des charges précis dédié au transport.

Savoir exploiter les données

L’optimisation du transport passe plus que jamais par la data : les ordres de transport, bien évidemment, mais également des données de terrain, comme la position des camions, la télémétrie des véhicules, voire de l’IoT, pour suivre avec plus de précision encore les colis. Bien exploitées, ces données vont permettre de maximiser le remplissage des camions et d’optimiser les plans de transport.

À ceci s’ajoutent des données tierces : calendrier des vacances scolaires, données météo, conditions de circulation… « Ces informations viennent nourrir le jeu de données d’origine et permettent d’améliorer la qualité des prévisions », explique Alexis Fournier. Le Machine Learning peut alors aider à anticiper la variabilité de la demande ainsi que les difficultés de livraison. Et éviter ainsi que certains camions ne rentrent partiellement chargés, un phénomène redouté lors des opérations de livraison à domicile. »

Afin de maximiser le remplissage des camions, une logique de réseau doit également voir le jour, pour mettre en commun les capacités de transport, y compris entre compétiteurs. Mais pour concrétiser cette notion de mutualisation des moyens, il est impératif que la donnée circule.

Débloquer les données des opérateurs

Grâce à des solutions intelligentes, comme celles de SAP, Microsoft ou Dataïku, les entreprises sont prêtes pour une exploitation des données de transport. À condition toutefois que celles-ci remontent ! Les grands opérateurs du monde du transport tardent en effet à ouvrir leurs données.

Comment une entreprise peut évaluer ses émissions globales, si elle ne connaît pas le mode de transport utilisé ? Entre un camion et une camionnette, les nuisances peuvent en effet être multipliées par 40. De plus, 20 % à 30 % des camions tournent à vide et un pourcentage non négligeable de véhicules s’avère trop polluant face aux normes actuelles. Sans ces informations, le producteur, comme le consommateur, avancent à l’aveuglette.

Mais le marché s’est subitement renversé en 2020, avec une offre de transport devenue supérieure à la demande. L’occasion pour les donneurs d’ordres de choisir leurs transporteurs en fonction de leur capacité à faire remonter des données de terrain. « Libérez la data, plaide Philippe Mangeard. Les plates-formes de traitement des données sont en place et la conjoncture fait que les entreprises sont aujourd’hui en position d’exiger la remontée de ces informations de terrain. Lorsque ce sera le cas, tout le monde sera gagnant, prédit le président de TK’Blue. »

En savoir plus sur la gestion de la chaîne logistique

 

The post Vers une vraie logistique responsable ? appeared first on SAP France News.

Source de l’article sur sap.com

/par

Accélérez les décisions pour tenir le coup en ces temps de disruption sans précédent

, ,

Le climat économique et social actuel a mis les entreprises de toutes tailles face à des défis inédits. Notre époque n’avait encore jamais connu de tels chamboulements, à la fois internes et externes. Les directeurs et services financiers, qui s’efforcent de bien gouverner leur entreprise, vivent sans doute les moments les plus difficiles de leur carrière.

À l’heure actuelle, le directeur financier et surtout l’équipe de planification et d’analyse financières doivent continuer d’avancer malgré de nombreuses incertitudes, notamment :

  • l’impact des perturbations des canaux de ventes sur le chiffre d’affaires
  • la gestion du flux de trésorerie et des liquidités
  • la gestion des dépenses et la maîtrise des coûts
  • les projections financières optimistes et les conseils basés sur des suppositions floues

Incertitudes et choix à faire

Pour le service de planification et d’analyse financières, ce ne sont pas des questions isolées, mais tout un ensemble de problèmes et de doutes qu’il faut gérer de manière globale. Faut-il puiser dans une ligne de crédit pour préserver la fluidité du fonds de roulement ? Le flux de trésorerie et les liquidités actuels permettront-ils de couvrir les dépenses à court terme ainsi que les initiatives de capital actuelles et à venir ? Peut-on bénéficier des programmes gouvernementaux d’aide salariale ? Que dire aux actionnaires sur les prévisions du solde de l’année ? Existe-t-il des moyens d’aider nos clients à réussir ?

Ces questions se posent aux services financiers, mais aussi à l’ensemble de l’entreprise, dont les différentes équipes se penchent sur les budgets et les tactiques envisageables.

  • Les programmes actuels tiennent-ils compte du marketing ?
  • La chaîne logistique est-elle confrontée à des disruptions ?
  • Quelles sont les conséquences pour la planification de la demande
  • Quelles sont les suggestions des RH concernant les niveaux d’effectifs actuels, et quels effets auront-elles sur les résultats ?

Il faut regrouper tous ces budgets et modèles individuels en une vue unique pour pouvoir comprendre les interdépendances.

Planification d’entreprise collaborative pour éliminer les silos

Un paradigme de planification moderne permettrait de résoudre facilement ces problèmes : la planification d’entreprise collaborative. Elle consiste entre autres à éliminer les silos, et ainsi à relier instantanément toutes sortes de plans. Les finances disposent donc d’un aperçu réel de la santé financière actuelle pour ne prodiguer que les conseils les plus avisés. Par exemple, elles peuvent évaluer l’impact d’un plan commercial sur les campagnes marketing, ou relier un processus S&OP (ventes et opérations) rapproché à un plan financier. Un analyste peut déterminer quel plan d’effectifs pourrait impacter la productivité des collaborateurs et la trésorerie.

Les finances doivent aussi pouvoir prendre des décisions rapides. Grâce à la planification d’entreprise collaborative, le service financier n’est pas tenu de suivre les plans établis. Aujourd’hui, on ne peut plus travailler dans un environnement où les plus mauvais services financiers repoussent les décisions parce qu’ils utilisent des feuilles de calcul et outils de planification obsolètes. Si au contraire ils disposent des technologies adéquates, ils pourront instantanément simuler l’impact de plusieurs scénarios. Les outils d’analyse modernes associés aux outils d’analyse prédictive et au Machine Learning leur permettront de suivre les recommandations pour obtenir les meilleurs résultats. Quant aux tableaux de bord et à la visualisation intégrée, ils offrent aux utilisateurs finaux un reporting en temps réel et une expérience esthétiquement agréable avec un risque d’erreur minimal, contrairement aux feuilles de calcul.

Une discussion instantanée pour une prise de décision rapide

Enfin, la plupart des organisations, y compris les services financiers, ont étendu leur capacité de travail à l’espace virtuel ; elles ne sont plus limitées par les murs de l’entreprise. La planification d’entreprise collaborative encourage la discussion instantanée pendant la planification et la prévision. Les problèmes géopolitiques ont eu des répercussions extraordinaires sur les prix des marchandises. Une situation qui, tout comme les problèmes liés à la pandémie, nécessite une collaboration et un consensus immédiats. Les décisions doivent être prises sans délai, sans le soutien des réunions, messages vocaux ou fils d’e-mails.

Avec la planification d’entreprise collaborative, les services financiers peuvent guider leur entreprise pour l’aider à obtenir les meilleurs résultats et à continuer d’avancer dans le bon sens malgré les difficultés du moment. La planification d’entreprise collaborative permet aux finances de comprendre tous les aspects de leur entreprise, de recommander et d’évaluer divers scénarios, de prendre les bonnes décisions, et de se positionner comme les véritables leaders de l’entreprise.

Pour en savoir plus, lisez ce rapport de Ventana Research intitulé « Planification d’entreprise collaborative : Améliorer la valeur opérationnelle de la planification et de la budgétisation à l’échelle de l’entreprise ».

À propos de Pras Chatterjee

Pras Chatterjee est directeur marketing produits principal pour la planification et l’analyse chez SAP, en particulier pour les solutions SAP Analytics Cloud et SAP Business Planning and Consolidation. Avant de rejoindre le service Marketing produits, Pras était directeur du cabinet SAP EPM et responsable des services SAP Business Analytics en Amérique du Nord. Il a également été architecte de solutions pour SAP, spécialisé dans la planification et les consolidations dans le monde entier. Comptable agréé, Pras a travaillé au service financier de diverses sociétés de logiciels, dont plusieurs entreprises du Fortune 500.

The post Accélérez les décisions pour tenir le coup en ces temps de disruption sans précédent appeared first on SAP France News.

Source de l’article sur sap.com

/par

La prédiction, un atout pour la planification de la supply chain

, , ,

Sur un marché devenu très volatile, la planification de la supply chain devient de plus en plus difficile. Des technologies prédictives s’appuyant sur des données internes et externes, ainsi que des jumeaux numériques permettront d’affiner les prévisions.

La supply chain doit s’adapter pour faire face aux défis d’agilité et de résilience du marché. « La supply chain est un domaine en pleine évolution, avec des sujets comme la data, la robotique, l’IoT ou l’intelligence artificielle », confirme Manuel Davy, Fondateur et CEO de VEKIA.

Quels sont les enjeux de la supply chain ?

  1. Satisfaire les clients.
  2. Réduire les stocks.
  3. Maîtriser les coûts opérationnels.

Mais sur un marché devenu très volatile, où les clients exigent de plus en plus une livraison à J+1, les choses peuvent rapidement se compliquer. « La supply chain c’est extrêmement simple : il suffit d’avoir le bon stock au bon endroit au bon moment : fois des centaines de milliers de point de gestion ou de points de stockage, fois des millions de références, et avec beaucoup d’incertitudes. »

L’une des clés du succès réside dans la prise en compte de ces incertitudes. Mais également dans la capacité à accompagner le client dans ses changements de mode de consommation. Pendant le confinement, ce sont les entreprises capables d’adresser les clients par des canaux numériques, comme l’e-commerce, qui ont tiré leur épingle du jeu. L’omnicanalité s’est imposée alors comme un facteur de résilience.

La prédiction est au cœur de la supply chain

« La planification est partout dans la supply chain, poursuit Manuel Davy. Les technologies les plus avancées sont en mesure de prévoir finement la demande des consommateurs, ce qui permet en remontant dans la supply chain d’anticiper toutes les opérations. »

L’amélioration des prévisions peut suivre deux voies : voir plus loin, grâce à une puissance de calcul accrue ; être plus fin, au travers de l’analyse de plus de données. Le fait de prendre en compte les données d’expérience (comme le ressenti des consommateurs vis-à-vis des produits ou de la marque) permettra par exemple de mieux satisfaire les clients.

Être capable d’agréger des données endogènes et exogènes (météo, réseaux sociaux…) est donc un facteur clé pour améliorer les processus de prédiction et de planification. Par ailleurs, il est primordial de savoir faire circuler les données internes et de les enrichir. Par exemple en disposant d’une vision en temps réel du stock, assurée par de l’IoT.

Autre voie d’amélioration, la mise en place d’un jumeau numérique de la supply chain, permettant de tester des scénarios de type what-if, afin de gagner en agilité ou en résilience. Ou tout simplement pour évaluer l’impact du lancement d’un nouveau produit.

Savoir passer du plan à l’action

Il est essentiel que le prédictif influe directement sur les opérations de l’entreprise (data to action), tout en n’écartant pas l’humain du processus de décision. « La planification reste un sujet humain. Il ne faut pas écarter l’humain, qui est le pilote et aura le dernier mot, car lui seul sait appréhender des situations très incertaines, comme celles que nous avons rencontrées récemment, explique Manuel Davy. Mais nous pouvons donner à l’humain des moyens d’être plus efficace : des algorithmes, des données, de la puissance de calcul. »

La transformation de la supply chain est un sujet riche et passionnant. Mais aussi global, comme le souligne le CEO de VEKIA : « quand on commence à transformer une supply chain, cela entraîne l’ensemble de l’entreprise vers l’industrie 4.0. ». L’occasion peut-être d’évaluer de nouvelles stratégies de supply chain management, comme le DDMRP (Demand Driven MRP), qui s’appuie non plus sur des prévisions, mais sur la demande réelle.

The post La prédiction, un atout pour la planification de la supply chain appeared first on SAP France News.

Source de l’article sur sap.com

/par