Agilent Technologies – Planification des besoins au niveau de l’entreprise
Du fait de l’implémentation de GIB, le service pathologies d’Agilent a pu remplacer des processus basés sur e-mails et feuilles de calcul par une solution automatisée évolutive.
Agilent Technologies produit des appareils d’analyse, logiciels et consommables qui sont utilisés notamment dans les laboratoires bio scientifiques. Au cours des années passées, l'entreprise a connu une forte croissance dans de nouvelles régions ainsi que dans les régions où elle est déjà implantée. Outre la croissance organique, Agilent a repris une série d’entreprises afin d’élargir sa gamme analytique.
Cette croissance a mené à une hausse rapide du chiffre d’affaires, en particulier dans le service pathologies d’Agilent. Mais il s’est aussi avéré que les pratiques de la planification des besoins du service ne sont plus appropriées, car elles s’effectuent encore majoritairement de façon manuelle et se basent sur des logiciels de productivité de bureau plutôt que sur une vraie solution d’entreprise.
Afin de mieux pouvoir soutenir la demande croissante, la division commerciale a opté pour une solution offrant une plus grande marge évolutive et une modélisation statistique plus flexible. Agilent a tenté d’optimiser les stocks, la disponibilité de livraison et la planification des ressources moyennant une planification des besoins et des prévisions plus efficaces et plus sophistiquées.
Identifier les exigences d’une chaîne d’approvisionnement
plus intelligente
La méthode basée sur les feuilles de calcul comprenait de nombreuses étapes manuelles n’offrant qu’une faible valeur ajoutée mais consommant des ressources considérables et préjudiciant l’efficacité de l’entreprise.
Les analystes effectuaient des requêtes dans SAP ERP Central Component (ECC) et téléchargeaient des données dans des bases de données de Microsoft Access, qu’ils formataient à nouveau puis transféraient dans des feuilles de calcul pour les analyser à l’aide de formules et macros. Plus les requêtes devenaient complexes, plus le téléchargement des données durait longtemps, et les bases de données Access se plantaient de plus en plus souvent. L’analyse en tant que telle se limitait à des opérations relativement simples comme le calcul de moyennes numériques. Il était tout bonnement impossible d’intégrer dans une feuille de calcul des méthodes et facteurs algorithmiques plus sophistiqués comme la prise en compte de variations saisonnières et de tendances.
La distinction entre événements uniques et tendances à long terme fut identifiée comme l’une des capacités de prévision les plus importantes qu’il fallait améliorer. La pandémie de COVID-19, par exemple, a reconfiguré le marché mondial en un tournemain d’une manière inédite et les répercussions à long terme sont incertaines. Comme beaucoup d’autres entreprises mondiales, Agilent a enregistré, vers la fin du premier trimestre 2020, un recul dramatique de son chiffre suite à la réaction des économiques nationales.
Cet événement exceptionnel était plutôt une exception et n'était pas le signe d'un changement à long terme de la demande. Le service devait s’assurer que ses modèles de prévision ne pondéraient pas de manière erronée ces événements dramatiques, par exemple comme variation saisonnière ou comme mutation durable. Fasco croit que l’ancien modèle de prévision se serait révélé insuffisant : «Nous aurions fini par déceler ces valeurs hors tolérances, mais seulement au cours d’un processus manuel très lent. Les reculs enregistrés en mars et avril auraient été détectés, et on aurait pu dire : ‘Je vais planifier en tablant que vous vendrez moins en mars et avril 2021.’ Or, ce n’est exact. Il aurait pu s’agir d’une baisse liée à la pandémie.»
L’entreprise voulait optimiser ses cycles de production et de ventes en améliorant les méthodes statistiques d’élaboration prévisionnelle afin d’être le plus proactif et efficace possible. Au centre de ces exigences figurait une meilleure prévisibilité des calculs statistiques servant à la planification des besoins et un meilleur contrôle sur ceux-ci.
De telles erreurs peuvent être évitées à l’aide des approches mathématiques et de corrections au niveau informatique, mais les feuilles de calcul ne sont tout simplement pas conçues pour une telle profondeur d’analyse. Fasco fait remarquer qu’une fonction importante du planificateur des besoins consiste à améliorer la précision et l’utilité des prévisions grâce à ses connaissances détaillées des produits et des marchés. Sur ce point, «il y a toute une série de choses que l’on peut faire pour affiner la prévision avec exactitude», affirme-t-il.
Les analystes peuvent influer sur le choix des données historiques qui vont être utilisées, procéder à des adaptations pour réagir aux conditions effectives du marché, ou contrôler un large éventail d’autres facteurs. Si les calculs en deviennent assurément plus complexes, des méthodes de calcul efficaces pour influencer les modèles statistiques restent une ressource importante dans la boîte à outils d’un analyste. Pour l’équipe d’Agilent, la possibilité d’une utilisation élargie de telles méthodes statistiques est décisive pour le succès de sa solution prévisionnelle.
Rapprochement des
scénarios commercial et technologique
L’entreprise utilise une instance SAP ECC globale unique sur quelque 25 sites de production et dans 15 centres de distribution ainsi que sur des sites de stockage et dépôts de service après-vente largement décentralisés. Le profil de chaîne de livraison SAP d’Agilent comprend aussi les logiciels d’achat SAP Ariba, SAP Manufacturing Execution, SAP Advanced Planner et Optimizer ainsi que des solutions opérationnelles supplémentaires pour les opérations d’achats et la planification des besoins et de la production.
Pour la mise en œuvre et la maintenance d’une planification des besoins la plus efficace possible pour soutenir la stratégie de croissance de l’entreprise à base de rachats de sociétés et ses conséquences pour la branche pathologies, Agilent avait besoin de ce que Fasco décrit comme suit : «Un outil professionnel pour l’actualisation de prévisions à base de faits et d’analyses.»
Agilent avait déjà intégré plusieurs modules GIB dans son environnement SAP afin de continuer à améliorer les informations de Supply Chain et son contrôle. GIB Operations joue un rôle important notamment dans la planification des besoins de matières (MRP) et garantit un déroulement sans faille des activités courantes. «Nous utilisons GIB Operationspour des exceptions MRP et notre gestion d’approvisionnement. Il s’agit essentiellement d’un cockpit avec lequel les planificateurs peuvent surveiller l’offre et la demande dans plusieurs centres logistiques et sites de production. Sur un site, l’entreprise utilise actuellement GIB Inventory Optimization pour vérifier l’offre quotidienne et l’état des stocks au jour le jour. Le moniteur d’alarmes GIB relie tous les composants GIB entre eux. Le planificateur obtient ainsi une meilleure vision d’ensemble et des informations ordonnées sur les retards possibles et les quantités manquantes.»
Du fait des investissements GIB déjà réalisés par Agilent, la branche pathologies tenait un scénario technologique et commercial convaincant et pouvait préconiser le déploiement de GIB Forecast pour la planification des besoins. L’équipe d’Agilent a perçu que l’intégration très simple offrait un avantage convaincant étant donné qu’aucun matériel spécial ni interfaces de programmation (API) inhabituelles ne sont requis. En outre, GIB Forecastest directement chargé dans SAP ECC, il n’est pas nécessaire d’installer une interface distincte. Du point de vue des utilisateurs de l’entreprise, GIB fait donc tout simplement partie de l’environnement SAP familier avec lequel ils travaillent déjà quotidiennement.
Rationalisation et approfondissement
du processus de planification des besoins
Après une implémentation d’environ six mois, la branche pathologies d’Agilent a mis en service GIB Forecasting. On a pu discerner très tôt que les utilisateurs de la branche d’entreprise ne devraient plus traiter manuellement des données à partir de fiches de calcul étendues ni les harmoniser entre elles – un processus gourmand en ressources et peu évolutif à plus grande échelle.
Comme les membres de l’équipe sont déchargés de ces activités monotones, ils peuvent davantage se concentrer sur des tâches plus utiles. Avant que les humains n’interviennent, des processus automatisés chargent les données et créent ensuite des modèles prévisionnels et des analyses des valeurs hors tolérances. Fasco explique: «Leur travail commence immédiatement par des tâches à valeur ajoutée et par le classement des données.
La préparation des données et l'analyse préliminaire étant déjà effectuées, les membres de l'équipe peuvent se concentrer sur le raffinement du modèle afin d'obtenir les meilleurs résultats possibles. Les analystes d’entreprise peuvent adapter les procédures prévisionnelles ou influencer des paramètres pour piloter le comportement du modèle. Plutôt que sur le traitement de données, les collaborateurs de la branche pathologies peuvent ainsi se concentrer davantage sur la modélisation des données, ce qui procure un bénéfice global plus important pour l’entreprise.
L’implémentation des prévisions de la branche permet aussi une modalité dans laquelle des super-utilisateurs de l’entreprise peuvent se servir eux-mêmes. Ces utilisateurs peuvent changer directement la configuration dans le système de production et modifier ainsi les procédures prévisionnelles sans faire appel au service IT. Cette approche renforce les unités opérationnelles, mais assure aussi que les changements soient réalisés plus rapidement. Selon les circonstances, la branche peut adapter rapidement sa planification des besoins sous la direction de ceux qui connaissent le mieux les données.
L’implémentation de GIB a fait en sorte que les utilisateurs de l’entreprise puissent mieux contrôler le processus, et la branche pathologies d’Agilent a un avantage conséquent étant donné qu’elle obtient une vue d’ensemble sans faille sur le cycle de vie prévisionnel. Toutes les personnes possédant une autorisation correspondante peuvent vérifier une prévision et voir quel modèle et quelles données ont été utilisés pour son élaboration. De plus, elles peuvent ajouter des données concernant des événements pertinents comme des salons ou des actions commerciales. D’après Fasco, tout est maintenant «entièrement transparent : ce que le planificateur de besoins fait avec les données, et ce que le planificateur effectif – par exemple un planificateur de production – fait pour exécuter ce plan».
Agilent qualifie cette intégration de «mise en œuvre naturelle», de la planification à l’exécution. Dans la pratique, cette approche a surtout fait ses preuves dans la gestion et l’adaptation des prévisions mensuelles de la branche. Avec le moniteur d’alarmes GIB, les utilisateurs de l’entreprise peuvent créer des avertissements définis par l’utilisateur, qui informent sur le moment où des résultats effectifs sortent des marges définies de la prévision. Agilent utilise ces avertissements pour adapter dynamiquement les prévisions et accorder la production avec exactitude et efficacité en termes de coûts.
Conclusion
Dans la branche pathologies, des prévisions plus précises et des processus plus transparents ont fait en sorte que les unités opérationnelles collaborent, s’accordent entre elles et abordent l’avenir conjointement. La planification modernisée des besoins a amélioré les processus et procuré plus de possibilités aux utilisateurs. Les analystes peuvent améliorer facilement les prévisions par des données réelles, et des utilisateurs dotés de diverses fonctions peuvent prendre en compte des grandeurs d’entrée issues de toutes les unités opérationnelles.
Du fait de prévisions plus efficientes, on obtient dès lors une meilleure vue d’ensemble sur l’entreprise et on peut aborder l’avenir de manière plus différenciée et plus précise.
