Acheteur : comment exploiter la data et en tirer profit ?

Si pendant longtemps les achats ont été réduit à l’image de « cost-killers », désormais ils jouent un véritable rôle dans la performance globale de l’organisation et ils sont devenus des « Business-Partner » à part entière. Le Big Data, l’analyse prédictive ou encore les technologies d’intelligence artificielle leurs ouvrent de nouvelles perspectives.

Les défis de la fonction achat en 2023

Pénurie de matière première, ruptures d’approvisionnement, coûts en hausse… : en 2023 les acheteurs sont confrontés à de nombreux obstacles qui ont un impact certain sur la rentabilité de l’organisation.

La pandémie de la covid-19 ou les dernières instabilités géopolitiques ont mis en évidence la fragilité de la chaine d’approvisionnement et la nécessité de s’adapter face à la volatilité des marchés mondiaux.

D’autre part, la mondialisation, la diversification des fournisseurs et l’augmentation des réglementations ont rendu la gestion du risque encore plus difficile. Selon l’Usine Nouvelle, dans certains secteurs, 70% des organisations ne connaissant pas leurs fournisseurs de rang 2 ou 3 et les risques inhérents.

À cela s’ajoute les défis liés à la RSE. De plus en plus, les organisations sont soumises à des pressions pour s’assurer que leurs chaînes d’approvisionnement soient responsables et durables. Il faut désormais s’assurer que les fournisseurs respectent des normes éthiques et environnementales strictes.

Enfin, les différentes crises ont mis en évidences les lacunes dans la disponibilité de données fraîches et fiables pour la fonction achat. Le manque d’analyse et de diffusion de la donnée tout au long du processus d’achat ne permettent pas un pilotage fin, ni une réactivité forte face aux diverses perturbations internes ou externes à l’organisation. Il est temps de changer la donne, et de faire de la donnée achat un véritable actif stratégique.

Le contexte de crise a incontestablement mis en relief le rôle stratégique et crucial de la fonction achats. Cela oblige les dirigeants d’entreprise de repenser l’ensemble des process et pas seulement les chaînes d’approvisionnement […] Cela oblige à repenser tous les schémas, à innover pour se projeter dans de nouvelles stratégies durables.

Romaric Servajean-Hilst, professeur associé chez Kedge Business School pour L’Usine Nouvelle.

Big Data et révolution du rôle de l’acheteur

Le Big Data a profondément modifié le rôle des acheteurs en leur fournissant une quantité de données considérable sur les marchés, les fournisseurs et les performances passées et présentes de la fonction achat.

Voici une liste non exhaustive des bénéfices du Big Data pour la fonction achats :

• Compréhension accrue du marché et des tendances d’achat.
• Identification plus rapide et précise des opportunités d’achat.
• Surveillance de la performance des fournisseurs et évaluation de leur capacité à répondre aux besoins de l’organisation.
• Anticipation et identification des risques dans la chaîne d’approvisionnement.
• Réduction des coûts et optimisation des dépenses grâce à des analyses plus précises.
• Automatisation des tâches administratives et répétitives pour se concentrer sur des tâches à plus forte valeur ajoutée.
• Suivi de la performance des achats pour identifier les opportunités d’amélioration et surveiller les coûts.
• Prise de décisions plus éclairées grâce à une quantité plus importante de données disponibles.
• Optimisation de l’efficacité de la fonction achats grâce à une meilleure collaboration et coordination avec les autres fonctions de l’organisation.
• Mise en place d’une culture de la donnée et d’une gestion proactive de la performance de la fonction achats.

De plus, la combinaison du Big Data avec des outils d’analyse avancée, tels que l’apprentissage automatique et l’intelligence artificielle, permet de réaliser des prévisions plus précises et d’optimiser les achats en temps réel. Les acheteurs peuvent ainsi travailler de manière plus efficace et stratégique.

Stratégie Achat : comment faire parler ses données ?

Pour établir un processus d’achat monitoré par la donnée, il est important de suivre les étapes suivantes :

1. Collecte de données : il est essentiel de collecter des données précises et fiables provenant de différentes sources, telles que les fournisseurs, les marchés, les échanges de données électroniques (EDI) et les systèmes internes de l’organisation.
2. Traitement des données : une fois collectées, les données doivent être nettoyées, normalisées et structurées pour une analyse plus facile.
3. Analyse des données : les outils d’analyse des données tels que les tableaux de bord, les algorithmes d’apprentissage automatique et l’intelligence artificielle peuvent être utilisés pour explorer les données, identifier les tendances et les opportunités, évaluer la performance des fournisseurs et la conformité des achats aux politiques de l’organisation, ainsi que pour effectuer des analyses prédictives.
4. Visualisation des données : les données peuvent être présentées sous forme de graphiques, de cartes et de tableaux pour une compréhension plus facile et une prise de décision plus rapide. La performance doit être surveillée en continu et des mesures d’amélioration doivent être mises en œuvre pour réduire les coûts, améliorer la qualité, réduire les risques et améliorer l’efficacité des processus d’achat.
5. Collaboration : les données doivent être partagées et communiquées de manière transparente pour une prise de décision collective. En effet, la collaboration entre les différents acteurs de l’organisation (achats, opération, finance, métiers) est essentielle pour une utilisation efficace des données.
6. Réévaluation : le processus d’achat doit être régulièrement réévalué pour s’assurer qu’il reste pertinent et qu’il prend en compte les changements du marché, les fournisseurs et les besoins de l’organisation.

En somme, la collecte et l’analyse de données peut aider les entreprises à améliorer leur performance achats, à minimiser les risques et les coûts, et à renforcer leur chaîne d’approvisionnement dans son ensemble.

L’analyse prédictive : un incontournable de la fonction achat

L’analyse prédictive est une méthode d’analyse de données qui utilise des techniques statistiques, de modélisation et d’apprentissage automatique pour identifier des modèles et des tendances dans les données et prédire des résultats ou événements futurs.

L’analyse prédictive peut être très utile pour la fonction achat car elle permet d’anticiper les comportements futurs et les tendances du marché en utilisant des données historiques et en temps réel.

Voici quelques exemples d’utilisation de l’analyse prédictive pour la fonction achat :

• Prédire la demande future : l’analyse prédictive peut aider à prévoir la demande future pour des produits ou des matières premières, ce qui permet aux acheteurs de prendre des décisions d’achat plus éclairées et de mieux planifier les approvisionnements.
• Optimiser les niveaux de stock : en utilisant l’analyse prédictive, les acheteurs peuvent déterminer les niveaux de stock optimaux pour différents produits ou matières premières, en fonction de la demande future prévue.
• Prévoir les prix : l’analyse prédictive permet de mieux prévoir les fluctuations des prix des matières premières, des produits finis ou des services, ce qui permet aux acheteurs de mieux négocier les contrats avec les fournisseurs.
• Anticiper les risques : l’analyse prédictive peut également aider à identifier les fournisseurs à risque, en prévoyant les risques de rupture de stock, de défaillance du fournisseur ou de retard de livraison.
• Améliorer la qualité des produits : en utilisant l’analyse prédictive pour identifier les défauts de qualité potentiels avant qu’ils ne se produisent, les acheteurs peuvent travailler avec les fournisseurs pour améliorer la qualité des produits.

En somme, l’analyse prédictive permet à la fonction achat de prendre des décisions plus éclairées, d’optimiser les processus d’achat et d’améliorer la performance globale de la chaîne d’approvisionnement.

La rédaction vous conseille

> Exploitation des données : le guide pour réussir son projet

> Stratégie data : comment définir sa vision et mener à bien sa feuille de route ?