Aller au contenu principal
Data science to support MRO cost reduction and reduce diversity

#Procurement & Sourcing

La data science au service de la Maintenance Réparation et Révision : rationalisation des achats et réduction de coûts

Alors que les équipes Achats ont l'intention de réduire les coûts (et la diversité) grâce à des catalogues préconfigurés, les équipes de Maintenance exigent une disponibilité totale des pièces, afin de ne pas perturber les lignes de production.

Réduire les coûts et la diversité des pièces d'entretien, de réparation et de révision (MRR) est très difficile. Alors que les équipes Achats ont l'intention de réduire les coûts (et la diversité) grâce à des catalogues préconfigurés, les équipes de Maintenance exigent une disponibilité totale des pièces, afin de ne pas perturber les lignes de production.

Les constructeurs automobiles et aéronautiques gèrent des milliers de références et de fournisseurs, sur des dizaines de sites de production. Les catalogues digitaux intégrés aux solutions « Sourcing to Pay »  permettent une première optimisation des achats MRR. Les stratégies d'approvisionnement sont de plus en plus axées sur les données. La data science peut-elle nous permettre d’aller encore plus loin ?

Les outils de science des données, tels que le traitement du langage naturel (NLP), peuvent accélérer considérablement le nettoyage des données, la détection des anomalies et la comparaison des références. Grâce à l’intelligence artificielle, l'hétérogénéité des références peut être ralentie en signalant les chevauchements et redondances de références.

 

Conformité et compétitivité des prix

Les équipes d'approvisionnement ont accès à trois types de données :

  • Catalogues des fournisseurs avec prix négociés à partir de contratscadres
  • Agrégation des prix facturés à partir des bons de commande
  • Catalogues complets avec des prix "publics" de chaque fournisseur principal, grâce à des techniques de data capture comme le « webscraping »

Compte tenu du volume de données (des dizaines de milliers de références), l'automatisation est nécessaire pour traiter les données. Le nettoyage et le regroupement de ces 3 sources de données en une unique base de données sont très précieux pour les entreprises. Le rapprochement des éléments par leurs références respectives dans ces trois sources est difficile en raison de données souvent non structurées. Les techniques de NLP (pattern recognition, distances de Levenshtein, …) appliquées aux descriptions d'articles permettent de faire correspondre des articles appartenant à deux ou trois bases de données. Chaque article reçoit alors un numéro de référence partagé sur chaque base de données.

Pour chaque article, nous pouvons dorénavant comparer le prix facturé par rapport au prix négocié (conformité des prix). Les prix "publics" peuvent aussi être massivement comparés aux prix négociés (compétitivité des prix). Des écarts importants par rapport aux prix du marché sont donc mis en évidence.

Image

Par exemple, en appliquant le processus de conformité des prix à plus de 1 400 commandes d’un industriel, un surcoût injustifié de plus de 4 % a été identifié. L'analyse étendue peut alors facilement repérer les articles surévalués. démarche « Test & Learn ».

80% de ces 350 références sont achetées au prix attendu ou en dessous. Cependant, 20% des commandes présentent des articles surévalués correspondant à 4% des dépenses.
80% de ces 350 références sont achetées au prix attendu ou en dessous. Cependant, 20% des commandes présentent des articles surévalués correspondant à 4% des dépenses.
La plupart des articles de ce fournisseur ont un rabais de plus de 30% par rapport aux prix publics collectés par « web-scraping ». Certains articles n'ont cependant que peu ou pas de remise. La data science aide l'équipe d'approvisionnement à les repérer.
La plupart des articles de ce fournisseur ont un rabais de plus de 30% par rapport aux prix publics collectés par « web-scraping ». Certains articles n'ont cependant que peu ou pas de remise. La data science aide l'équipe d'approvisionnement à les repérer

La compétitivité prix a été étudiée pour 5 fournisseurs. Pour chacune d'entre elles, un algorithme de détection d'anomalie a été utilisé pour repérer les références dont le prix semble injustifié par rapport aux autres références ou par rapport au prix public. Les analystes des achats peuvent ensuite contrôler ces références pour s'assurer de leur juste prix.

 

Rationaliser les processus d'approvisionnement

Grâce à la saisie des données, l'équipe d'approvisionnement dispose d'une connaissance actualisée des produits, des prix, de la disponibilité ainsi que leur description détaillée. Les techniques de nettoyage des données et de rapprochement des bases de données rendent cette nouvelle source d'information très précieuse. L'équipe d'approvisionnement peut mettre en évidence les marges de d’optimisation et les partager avec les principaux utilisateurs finaux.

En outre, ces bases de données structurées contribuent fortement à rationaliser les processus d'approvisionnement. À partir des nouvelles données structurées, les algorithmes peuvent détecter les articles achetés auprès de deux fournisseurs ou plus, en vue d’une réduction potentielle du portefeuille de fournisseurs. Les techniques de NLP sur les descriptions d'articles peuvent repérer ceux qui sont similaires ou même interchangeables. Les utilisateurs finaux peuvent alors se concentrer sur ces éléments spécifiques pour réduire le nombre de références achetées, réduire la diversité et améliorer l'efficacité des process.

 

Comment s’y mettre ?

Nous l’avons vu, certains dysfonctionnements opérationnels peuvent être résolus avec l’aide de la data science. Pour tirer pleinement parti de l’usage de telles méthodologies, il faut au préalable identifier précisément le cas d’usage à adresser. Ensuite, définir un périmètre restreint sur lequel tester plusieurs méthodologies et en évaluer les résultats. Si ceux-ci s’avèrent probants, alors la construction d’une solution complète sera envisagée. Autrement, les tests pourront être réorientés afin d’améliorer la copie : c’est la démarche « Test & Learn ».

Si vous souhaitez en savoir plus sur nos solutions d'IA, rendez-vous sur notre site web Heka : https://heka.sia-partners.com/

#Procurement & Sourcing

Examen approfondi La contribution de l'IA en tant que source de retour clients
#Marketing & Customer experience #Machine Learning

IA et Ecoute clients : le NPS est-il dépassé ?

A Twitter vision on the campaign for the mayor of Paris
#Government #Data Capture #Deep Learning #Machine Learning

La course pour la mairie de Paris vue depuis Twitter

Foot_img

Dénicher les stars du football de demain via l'intelligence artificielle