Articles

Paris, le 19 septembre 2022 – SAP SE (NYSE : SAP) a lancé l’édition 2023 de son programme d’accélération de start-ups axé sur le futur du Retail and Consumer Products. Pour cette 8ème édition de SAP.iO Foundry Paris, 12 start-ups internationales ont été sélectionnées par un jury composé d’experts SAP, de partenaires, de clients et de fonds d’investissement. Ces start-ups ont été reconnues comme étant précurseur sur ce thème de “Future of Retail and Consumer Products ”, un thème plus que jamais d’actualité avec les bouleversements des usages et du parcours client observé durant la crise sanitaire, et qui résulte de l’accélération de la numérisation de toutes les entreprises.

SAP.iO Foundry Paris, véritable incubateur de SAP en France, a déjà aidé plus de 65 start-ups à développer leur business ou leur solution. En quatre ans, SAP a atteint l’objectif fixé avec le gouvernement français visant à soutenir l’économie des start-ups lors sur sommet #ChooseFrance.

Ce nouveau programme a pour objectif de proposer aux entreprises du Retail et Consumer Products un accompagnement de leur stratégie digitale, grâce aux solutions de ces 12 start-ups, au rythme de l’évolution technologique autour de deux enjeux clés :

  • Proposer à leurs clients une expérience d’achat améliorée et différenciante
  • Assurer la traçabilité et l’authenticité de leurs produits

Odilia von Zitzewitz, Interim Lead SAP.iO Foundry Paris déclare : “SAP.iO est un accélérateur de start-ups formidable et engagé. Pour cette édition, l’accent a été mis sur le Retail laissant place à des innovations de choix, et qui répondent aux enjeux prédominants des acteurs de ce secteur clé. Nous sommes très fiers d’accompagner cette nouvelle promotion de start-ups !”

Au cours des 5 prochains mois, les start-ups auront accès à un mentorat personnalisé de la part des dirigeants de SAP France, à une exposition à la technologie SAP® et aux interfaces de programmation d’applications (API), ainsi qu’à des opportunités de collaboration avec des clients SAP du monde entier.

Les start-ups suivantes participent au programme SAP.iO Foundry Paris :

Sorga Technology

La mission de Sorga Technologie est d’accompagner les marques retail dans leur innovation digitale en proposant une solution à faible consommation d’énergie assurant la transparence et la traçabilité de leurs produits

https://sorga.org/

Arianee

La mission d’Arianee est de fournir aux entreprises des solutions simples pour établir des relations directes avec les consommateurs, respectueuses des données des utilisateurs et indépendantes des grandes plateformes technologiques.

https://www.arianee.org

 

CollectID

CollectID permet de garantir l’authenticité d’un produit, l’amélioration de l’expérience phygitale, ou encore l’établissement d’un canal de communication direct entre les marques . Une solution qui garantit l’authenticité et l’unicité des produits tout en rapprochant les marques de leurs clients.

https://www.collectid.com/

DIAKSE

Diakse développe et commercialise une solution de création de showrooms virtuels dans le métavers avec un objectif : permettre aux marques de mieux communiquer sur leurs produits et ainsi les aider à augmenter leurs ventes.

www.diakse.com

 

Foodetective

Foodetective est une plateforme de gestion et une infrastructure (API) de l’industrie F&B. Les entreprises utilisent Foodetective pour automatiser leurs opérations, simplifier leur administration, augmenter leurs revenus en ligne et accélérer les nouvelles opportunités commerciales. business.foodetective.co

LIVEBUY GmbH

LIVEBUY est une solution d’achat en direct pour les détaillants leaders du marché,

qui fournit à la fois la technologie et les bons créateurs pour construire une plateforme de contenu réussie au sein des boutiques en ligne.

https://www.livebuy.io/

  

Priceloop

Priceloop a développé une IA permettant de faciliter et d’automatiser les processus de tarification, proposant les meilleurs prix en tenant compte de tous les paramètres essentiels.

https://priceloop.ai/

 

Replika Software

Le logiciel Replika est une solution de vente sociale clé en main. Replika permet aux marques d’activer un réseau de vendeurs sociaux avec une entreprise clé en main pour inspirer sur les médias sociaux, vendre en ligne et se connecter avec les clients.

www.replikasoftware.com

  

Shopreme GmbH

Shopreme GmbH Développe notamment une technologie appelée « Scan & Go » qui transpose les avantages des achats en ligne dans les vrais magasins (rapidité, facilité de paiement, recommandations personnalisées, listes de course partagées…).

https://www.shopreme.com/

 

SmartPixels

SmartPixels fournit un outil de configuation et de visualisation de produits en 3D, l’objectif est d’aider les marques de mode et de luxe à créer des expériences personnalisées et interactives en ligne et en magasin.

https://www.smartpixels.fr/

 

SMARTZER LTD

La plateforme de Smartzer est utilisée par les marques pour transformer leurs vidéos et leurs flux en direct en expériences interactives et exploitables, ce qui leur permet d’obtenir un retour sur investissement direct du contenu et de mesurer les données détaillées des interactions vidéo.

www.smartzer.com

 

YZR

YZR automatise et accélère tous les projets de données textuelles de ses clients grâce à une solution puissante basée sur le traitement automatique des langues.

https://www.yzr.ai/en/

The post SAP.iO Foundry Paris lance la nouvelle édition de son programme consacré aux start-ups sur le thème de « Futur of Retail » appeared first on SAP France News.

Source de l’article sur sap.com

La modélisation des données correspond au processus de création de diagrammes de flux de données. Lors de la création d’une structure de base de données, qu’elle soit nouvelle ou non, le concepteur commence par élaborer un diagramme illustrant la façon dont les données entreront et sortiront de la base de données. Ce diagramme est utilisé pour définir les caractéristiques des formats et structures de données, ainsi que des fonctions de gestion de base de données, afin de répondre efficacement aux exigences des flux de données. Une fois la base de données créée et déployée, le modèle de données servira de documentation expliquant les motifs de création de la base de données ainsi que la manière dont les flux de données ont été conçus.

Le modèle de données résultant de ce processus établit une structure de relations entre les éléments de données dans une base de données et sert de guide d’utilisation des données. Les modèles de données sont un élément fondamental du développement et de l’analyse de logiciels. Ils fournissent une méthode standardisée pour définir et mettre en forme les contenus de base de données de manière cohérente dans les systèmes, ce qui permet à diverses applications de partager les mêmes données.


Pourquoi la modélisation des données est-elle importante ?

Un modèle de données complet et optimisé permet de créer une base de données logique et simplifiée qui élimine la redondance, réduit les besoins en stockage et permet une récupération efficace. Elle dote également tous les systèmes de ce que l’on appelle une « source unique de la vérité », ce qui est essentiel pour assurer des opérations efficaces et garantir une conformité vérifiable aux réglementations et exigences réglementaires. La modélisation des données est une étape clé dans deux fonctions vitales d’une entreprise numérique.

Projets de développement logiciel (nouveaux ou personnalisations) mis en place par le service informatique

Avant de concevoir et de créer un projet logiciel, il doit exister une vision documentée de ce à quoi ressemblera le produit final et de son comportement. Une grande partie de cette vision concerne l’ensemble de règles de gestion qui régissent les fonctionnalités souhaitées. L’autre partie est la description des données : les flux de données (ou le modèle de données) et la conception de la base de données qui les prendra en charge.

La modélisation des données est une trace de cette vision et fournit une feuille de route pour les concepteurs de logiciels. Grâce à la définition et à la documentation complètes des flux de données et de la base de données, ainsi qu’au développement des systèmes conformément à ces spécifications, les systèmes devraient être en mesure de fournir les fonctionnalités attendues requises pour garantir l’exactitude des données (en supposant que les procédures ont été correctement suivies).

Analyses et visualisation (ou Business Intelligence) : un outil de prise de décision clé pour les utilisateurs

Avec l’augmentation des volumes de données et le nombre croissant d’utilisateurs, les entreprises ont besoin de transformer les données brutes en informations exploitables pour prendre des décisions. Sans surprise, la demande en analyse des données a augmenté de façon spectaculaire. La visualisation des données rend les données encore plus accessibles aux utilisateurs en les présentant sous forme graphique.

Les modèles de données actuels transforment les données brutes en informations utiles qui peuvent être transposées dans des visualisations dynamiques. La modélisation des données prépare les données pour l’analyse : nettoyage des données, définition des mesures et des dimensions, amélioration des données par l’établissement de hiérarchies, la définition d’unités et de devises et l’ajout de formules.


Quels sont les types de modélisation des données ?

Les trois types de modèles de données clés sont le modèle relationnel, le modèle dimensionnel et le modèle entité-association. Il en existe d’autres qui ne sont pas communément utilisés, notamment les types hiérarchique, réseau, orienté objet et à plusieurs valeurs. Le type de modèle définit la structure logique, à savoir comment les données sont stockées, organisées et extraites.

  1. Type relationnel : bien qu’« ancien » dans son approche, le modèle de base de données le plus couramment utilisé aujourd’hui est le relationnel, qui stocke les données dans des enregistrements au format fixe et organise les données dans des tables avec des lignes et des colonnes. Le type de modèle de données le plus basique comporte deux éléments : des mesures et des dimensions. Les mesures sont des valeurs numériques, telles que les quantités et le chiffre d’affaires, utilisées dans les calculs mathématiques comme la somme ou la moyenne. Les dimensions peuvent correspondre à des valeurs numériques ou textuelles. Elles ne sont pas utilisées dans les calculs et incluent des descriptions ou des emplacements. Les données brutes sont définies comme une mesure ou une dimension. Autres termes utilisés dans la conception de base de données relationnelle : « relations » (la table comportant des lignes et des colonnes), « attributs » (colonnes), « nuplets » (lignes) et « domaine » (ensemble de valeurs autorisées dans une colonne). Bien qu’il existe d’autres termes et exigences structurelles qui définissent une base de données relationnelle, le facteur essentiel concerne les relations définies dans cette structure. Les éléments de données communs (ou clés) relient les tables et les ensembles de données. Les tables peuvent également être explicitement liées, comme une relation parent/enfant, y compris les relations dites un-à-un (one-to-one), un-à-plusieurs (one-to-many) ou plusieurs-à-plusieurs (many-to-many).
  2. Type dimensionnel : moins rigide et structurée, l’approche dimensionnelle privilégie une structure de données contextuelle davantage liée à l’utilisation professionnelle ou au contexte. Cette structure de base de données est optimisée pour les requêtes en ligne et les outils d’entreposage de données. Les éléments de données critiques, comme une quantité de transaction par exemple, sont appelés « faits » et sont accompagnés d’informations de référence appelées « dimensions », telles que l’ID de produit, le prix unitaire ou la date de la transaction. Une table de faits est une table primaire dans un modèle dimensionnel. La récupération peut être rapide et efficace (avec des données pour un type d’activité spécifique stockées ensemble), mais l’absence de relations peut compliquer l’extraction analytique et l’utilisation des données. Étant donné que la structure des données est liée à la fonction qui produit et utilise les données, la combinaison de données produites par divers systèmes (dans un entrepôt de données, par exemple) peut poser des problèmes.
  3. Modèle entité-association (modèle E-R) : un modèle E-R représente une structure de données métier sous forme graphique contenant d’une part des boîtes de différentes formes pour représenter des activités, des fonctions ou des « entités », et d’autre part des lignes qui représentent des dépendances, des relations ou des « associations ». Le modèle E-R est ensuite utilisé pour créer une base de données relationnelle dans laquelle chaque ligne représente une entité et comporte des zones qui contiennent des attributs. Comme dans toutes les bases de données relationnelles, les éléments de données « clés » sont utilisés pour relier les tables entre elles.

Quels sont les trois niveaux d’abstraction des données ?

Il existe de nombreux types de modèles de données, avec différents types de mises en forme possibles. La communauté du traitement des données identifie trois types de modélisation permettant de représenter les niveaux de pensée au fur et à mesure que les modèles sont développés.

Modèle de données conceptuel

Ce modèle constitue une « vue d’ensemble » et représente la structure globale et le contenu, mais pas le détail du plan de données. Il s’agit du point de départ standard de la modélisation des données qui permet d’identifier les différents ensembles de données et flux de données dans l’organisation. Le modèle conceptuel dessine les grandes lignes pour le développement des modèles logiques et physiques, et constitue une part importante de la documentation relative à l’architecture des données.

Modèle de données logique

Le deuxième niveau de détail est le modèle de données logique. Il est étroitement lié à la définition générale du « modèle de données » en ce sens qu’il décrit le flux de données et le contenu de la base de données. Le modèle logique ajoute des détails à la structure globale du modèle conceptuel, mais n’inclut pas de spécifications pour la base de données en elle-même, car le modèle peut être appliqué à diverses technologies et divers produits de base de données. (Notez qu’il peut ne pas exister de modèle conceptuel si le projet est lié à une application unique ou à un autre système limité).

Modèle de données physique

Le modèle de base de données physique décrit comment le modèle logique sera réalisé. Il doit contenir suffisamment de détails pour permettre aux techniciens de créer la structure de base de données dans les matériels et les logiciels pour prendre en charge les applications qui l’utiliseront. Il va sans dire que le modèle physique est spécifique à un système logiciel de base de données en particulier. Il peut exister plusieurs modèles physiques dérivés d’un seul et même modèle logique si plusieurs systèmes de base de données seront utilisés.

Processus et techniques de modélisation des données

La modélisation des données est par essence un processus descendant qui débute par l’élaboration du modèle conceptuel pour établir la vision globale, puis se poursuit avec le modèle logique pour s’achever par la conception détaillée contenue dans le modèle physique.

L’élaboration du modèle conceptuel consiste principalement à mettre des idées sous la forme d’un graphique qui ressemble au diagramme des flux de données conçu par un développeur.

Les outils de modélisation des données modernes peuvent vous aider à définir et à créer vos modèles de données logiques et physiques et vos bases de données. Voici quelques techniques et étapes classiques de modélisation des données :

  • Déterminez les entités et créez un diagramme entité-association. Les entités sont considérées comme des « éléments de données qui intéressent votre entreprise ». Par exemple, « client » serait une entité. « Vente » en serait une autre. Dans un diagramme entité-association, vous documentez la manière dont ces différentes entités sont liées les unes aux autres dans votre entreprise, et les connexions qui existent entre elles.
  • Définissez vos faits, mesures et dimensions. Un fait est la partie de vos données qui indique une occurrence ou une transaction spécifique, comme la vente d’un produit. Vos mesures sont quantitatives, comme la quantité, le chiffre d’affaires, les coûts, etc. Vos dimensions sont des mesures qualitatives, telles que les descriptions, les lieux et les dates.
  • Créez un lien de vue de données à l’aide d’un outil graphique ou via des requêtes SQL. Si vous ne maîtrisez pas SQL, l’option la plus intuitive sera l’outil graphique : il vous permet de faire glisser des éléments dans votre modèle et de créer visuellement vos connexions. Lors de la création d’une vue, vous avez la possibilité de combiner des tables et d’autres vues dans une sortie unique. Lorsque vous sélectionnez une source dans la vue graphique et que vous la faites glisser dans une source déjà associée à la sortie, vous pouvez soit la joindre, soit créer une union de ces tables.

Les solutions analytiques modernes peuvent également vous aider à sélectionner, filtrer et connecter des sources de données à l’aide d’un affichage graphique de type glisser-déposer. Des outils avancés sont disponibles pour les experts en données qui travaillent généralement au sein des équipes informatiques. Toutefois, les utilisateurs peuvent également créer leurs propres présentations en créant visuellement un modèle de données et en organisant des tables, des graphiques, des cartes et d’autres objets pour élaborer une présentation basée sur des analyses de données.


Exemples de modélisation des données

Pour toute application, qu’elle soit professionnelle, de divertissement, personnelle ou autre, la modélisation des données est une étape préalable nécessaire à la conception du système et à la définition de l’infrastructure nécessaire à sa mise en œuvre. Cela concerne tout type de système transactionnel, de suite d’applications de traitement des données, ou tout autre système qui collecte, crée ou utilise des données.

La modélisation des données est essentielle pour l’entreposage de données car un entrepôt de données est un référentiel de données provenant de plusieurs sources, qui contiennent probablement des données similaires ou liées, mais disponibles sous des formats différents. Il est nécessaire de mapper en premier lieu les formats et la structure de l’entrepôt afin de déterminer comment manipuler chaque ensemble de données entrant pour répondre aux besoins de la conception de l’entrepôt, afin que les données soient utiles pour l’analyse et l’exploration de données. Le modèle de données est alors un catalyseur important pour les outils analytiques, les systèmes d’information pour dirigeants (tableaux de bord), l’exploration de données et l’intégration à tous les systèmes et applications de données.

Dans les premières étapes de conception de n’importe quel système, la modélisation des données est une condition préalable essentielle dont dépendent toutes les autres étapes pour établir la base sur laquelle reposent tous les programmes, fonctions et outils. Le modèle de données est comparable à un langage commun permettant aux systèmes de communiquer selon leur compréhension et leur acceptation des données, comme décrit dans le modèle. Dans le monde actuel de Big Datad’apprentissage automatiqued’intelligence artificiellede connectivité Cloudd’IdO et de systèmes distribués, dont l’informatique en périphérie, la modélisation des données s’avère plus importante que jamais.


Évolution de la modélisation des données

De façon très concrète, la modélisation des données est apparue en même temps que le traitement des données, le stockage de données et la programmation informatique, bien que le terme lui-même n’ait probablement été utilisé qu’au moment où les systèmes de gestion de base de données ont commencé à évoluer dans les années 1960. Il n’y a rien de nouveau ou d’innovant dans le concept de planification et d’architecture d’une nouvelle structure. La modélisation des données elle-même est devenue plus structurée et formalisée au fur et à mesure que davantage de données, de bases de données et de variétés de données sont apparues.

Aujourd’hui, la modélisation des données est plus essentielle que jamais, étant donné que les techniciens se retrouvent face à de nouvelles sources de données (capteurs IdO, appareils de localisation, flux de clics, réseaux sociaux) et à une montée des données non structurées (texte, audio, vidéo, sorties de capteurs brutes), à des volumes et à une vitesse qui dépassent les capacités des systèmes traditionnels. Il existe désormais une demande constante de nouveaux systèmes, de nouvelles structures et techniques innovantes de bases de données, et de nouveaux modèles de données pour rassembler ces nouveaux efforts de développement.


Quelle est la prochaine étape de la modélisation des données ?

La connectivité des informations et les grandes quantités de données provenant de nombreuses sources disparates (capteurs, voix, vidéo, emails, etc.) étendent le champ d’application des projets de modélisation pour les professionnels de l’informatique. Internet est, bien sûr, l’un des moteurs de cette évolution. Le Cloud est en grand partie la solution car il s’agit de la seule infrastructure informatique suffisamment grande, évolutive et agile pour répondre aux exigences actuelles et futures dans un monde hyperconnecté.

Les options de conception de base de données évoluent également. Il y a dix ans, la structure dominante de la base de données était relationnelle, orientée lignes et utilisait la technologie traditionnelle de l’espace disque. Les données du grand livre ou de la gestion des stocks d’un système ERP standard étaient stockées dans des dizaines de tables différentes qui doivent être mises à jour et modélisées. Aujourd’hui, les solutions ERP modernes stockent des données actives dans la mémoire à l’aide d’une conception en colonnes, ce qui réduit considérablement le nombre de tables et accroît la vitesse et l’efficacité.

Pour les professionnels du secteur, les nouveaux outils en libre-service disponibles aujourd’hui continueront à s’améliorer. De nouveaux outils seront également introduits pour rendre la modélisation et la visualisation des données encore plus simples et plus collaboratives.


Synthèse

Un modèle de données bien pensé et complet est la clé du développement d’une base de données véritablement fonctionnelle, utile, sécurisée et exacte. Commencez par le modèle conceptuel pour présenter tous les composants et fonctions du modèle de données. Affinez ensuite ces plans dans un modèle de données logique qui décrit les flux de données et définit clairement les données nécessaires et la manière dont elles seront acquises, traitées, stockées et distribuées. Le modèle de données logique donne lieu au modèle de données physique spécifique à un produit de base de données et constitue le document de conception détaillé qui guide la création de la base de données et du logiciel d’application.

Une bonne modélisation des données et une bonne conception de base de données sont essentielles au développement de bases de données et de systèmes d’application fonctionnels, fiables et sécurisés, qui fonctionnent bien avec les entrepôts de données et les outils analytiques, et facilitent l’échange de données entre les partenaires et entre les suites d’application. Des modèles de données bien pensés aident à garantir l’intégrité des données, ce qui rend les données de votre entreprise encore plus précieuses et fiables.


Découvrez les outils modernes de modélisation des données de SAP Data Warehouse Cloud

En savoir plus


 

The post Qu’est-ce que la modélisation des données ? appeared first on SAP France News.

Source de l’article sur sap.com

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

SAP propose depuis une quinzaine d’années une solution de gestion d’entrepôt appelée SAP Extended Warehouse Management, qui s’est enrichie pour répondre aux besoins des clients, quel que soit l’industrie ou le marché adressé : gestion avancée des vagues, mobilité, pilotage intégré de la mécanisation, Labor Management, pré colisage, intégration avec la production … Le tout dans une approche ‘Digital Supply Chain of One’, visant à fournir à nos clients une chaine logistique agile, unifiée et ‘end to end’.

Dans cette démarche d’amélioration et d’innovation continue, un nouveau module a vu le jour l’année dernière pour apporter un niveau supplémentaire d’optimisation aux clients qui le souhaitent.

SAP Warehouse Insights est un module basé sur la plateforme SCP (SAP Cloud Platform), et dédié à l’optimisation des entrepôts et de leurs ressources. Basé sur les dernières technologies : algorithmes, cloud computing et machine learning, cet outil complète les fonctions déjà avancées de la solution SAP Extended Warehouse Management. Les principaux domaines sont : la cartographie des entrepôts, des fonctions supplémentaires d’analyses et de monitoring de KPIs, la simulation de l’utilisation des ressources, et l’optimisation en temps réel.

SAP Warehouse Insights a été conçu pour tout type de clients et d’industries. Il apporte un niveau ultime dans l’optimisation des ressources et des missions en proposant les meilleurs scénarios possibles. Si le module s’enrichit en permanence de nouvelles fonctions, à ce jour il faut retenir 3 principaux sujets :

  • Visualisation dynamique de la cartographie entrepôt et des parcours des opérateurs,
  • Analyse des opérations, basées sur les données historiques comme la charge de travail et les distances de déplacement des ressources,
  • Optimisation / ré optimisation des missions (Warehouse Orders) affectées aux ressources pour réduire les déplacements à vide.

 

Cartographie entrepôt

Les utilisateurs peuvent interroger la cartographie d’un site de façon dynamique et interactive. Cela se traduit par une visualisation précise et aisée des différentes zones, avec la capacité d’aller jusqu’à la granularité la plus fine  (emplacement), et de s’assurer de l’adéquation de la configuration avec les besoins du terrain, ainsi qu’aux fonctions d’optimisation des déplacements.

Exemple d’écran de visualisation de différents types de zones de stockage :

‘Travel distance Network’ : Configuration simplifiée des chemins

La configuration des chemins est utilisée pour l’optimisation des déplacements. Les utilisateurs peuvent visualiser rapidement sur la carte, la complétude et la bonne configuration des chemins et segments paramétrés. En cas de rupture ou de mauvaise configuration, il est alors aisé de ‘réparer’ ou créer de nouvelles connexions à partir des nœuds existants. Exemple d’écran :

Configuration assistée

SAP Warehouse Insights facilite par ailleurs la création et la maintenance de la cartographie des sites. Il est possible d’importer des plans ‘CAD’ (Computer Aided Design) sous format PDF et de les utiliser directement dans le système. L’opérateur va ensuite pouvoir enrichir les informations avec les données ‘business’ comme les allées ou types de stockage. Le système va alors automatiquement propager ces paramètres de configuration sur les emplacements éligibles.

Exemple d’écran :

Fonctions de simulation

Cette première approche repose sur une optimisation ‘Off Line’. Il s’agit d’utiliser les données historiques pour comprendre et remédier à une situation insatisfaisante. SAP Warehouse Insights va ainsi utiliser les missions (Warehouse orders) et les ressources dans un processus avancé de simulation, pour proposer des scénarios réoptimisés, visant à limiter les déplacements, le nombre de ressource et par conséquent permettre une meilleure productivité tout en réduisant les couts d’exécution.

Le système offre une représentation simple et claire des gains potentiels d’optimisation, à travers une représentation des déplacements modélisés et comparables en un simple coup d’œil (avant optimisation / après optimisation).

Exemple d’écran de visualisation et comparaison des chemins :

Heatmap intégrée

SAP Warehouse Insights propose également une fonction de heatmap, très utile à l’analyse des flux dans l’entrepôt et à l’identification des goulets d’étranglement au sein d’une zone, d’une allée ou d’une gare de préparation. La ‘chaleur’ est déterminée en fonction du nombre de tâches réalisées sur chaque emplacement.

Exemple d’écran :

Optimisation temps réel et continue

Le processus de ré optimisation présenté plus haut est alors réalisé en temps réel, avec la possibilité de configurer des règles différentes en fonction par exemple des types de flux ou zones.

Exemple d’écran de configuration :

Principe de fonctionnement :

Les Missions ‘ouvertes’ sont récupérées et traitées en lien avec le système de destination, comme SAP EWM, à une fréquence configurable (ex : toutes les 10 minutes).

La ré optimisation des missions et des ressources associées est alors réalisée et une nouvelle séquence est déterminée suivant les critères souhaités d’optimisation des déplacements ou de dates/heures « au plus tard ».

Les missions ré optimisées sont ensuite remontées vers le système de destination pour exécution par les opérateurs en mode ‘dirigé’ par le système.

Un écran de monitoring permet également de suivre et visualiser les résultats de l’optimisation proposée par le système, avec notamment pour chaque ressource les missions associées, séquences, trajet à vide et en charge … Exemple d’écran :

Indicateurs de performance

En complément, SAP Warehouse Insights inclut des indicateurs offrant une vue analytique sur les opérations et la performance :

  • Utilisation par ressources
  • Charge par groupes de ressources
  • Charge des ressources par groupes de missions (‘queues’)
  • Temps de déplacements à vides par type de ressources
  • Temps total de déplacement par ressource

Exemple d’écran de consultation des opérations en entrepôt

The post Nouveaux enjeux d’agilité et d’excellence opérationnelle : vers l’entrepôt 4.0 appeared first on SAP France News.

Source de l’article sur sap.com