L’intelligence de vos systèmes est-elle limitée par la vôtre?

Co-écrit en étroite collaboration avec Angel Ruiz et Jean-François Bélisle, voici le second d’une courte série de cinq(5) billets inspirés du thème: Intelligence des systèmes en approvisionnement (Big Data / BI)

 

Vous êtes assis sur un actif incroyable dont vous ignorez la valeur.  Vos systèmes accumulent des données qui « dorment » et auxquelles vous ne vous référez presque jamais.  Parallèlement, l’Internet contient d’innombrables flux continus de données qui pourraient vous rapporter gros si vous pouviez les intercepter et leur donner du sens.

Savez-vous comment en profiter?

Du baseball à l’approvisionnement

En 2003,  Michael Lewis a publié le livre “Moneyball:  The Art of Winning an Unfair Game” qui a inspiré le film du même nom lancé en 2011 et mettant en vedette Brad Pitt.

Le film raconte l’histoire du directeur général d’une équipe de baseball majeur devant composer avec le plus petit budget de toute la ligue.  Il a eu l’audace de baser le recrutement des nouveaux joueurs sur la vision et les talents d’un jeune mathématicien; non sur l’expérience de ses recruteurs vétérans.  Il n’a pas eu peur de penser “en dehors de la boîte”.

Les résultats ont été tels que cette histoire a inspiré de nombreuses autres équipes et entreprises depuis.

Gagner grâce à une équation mathématique et non à l’expérience des vétérans?

Pour la première fois, ce n’était pas le “flair” et l’expérience des vétérans recruteurs qui déterminaient les sélections du recrutement, mais un modèle d’analyse inspiré de ceux utilisés à Walll Street.

Ce modèle d’évaluation des joueurs était basé sur des évidences mesurables, de nouveaux paramètres, des données statistiques sous-estimées, de nouveaux indicateurs de mesure et d’analyse.

Il a permis d’identifier et d’embaucher à peu de frais des joueurs dont le talent individuel n’était pas extraordinaire, mais, en combinaison avec d’autres, contribuerait au succès de l’équipe à long terme.

Pour savoir et non deviner

Cette histoire stimule les leaders à examiner la manière dont ils prennent leurs décisions. Quelles sont les données à partir desquelles ils devraient baser leurs analyses.

Malgré leur compétence et leur expérience, est-il possible que des données soient ignorées ou sous-estimées dans leur équation?  Est-il possible qu’ils n’aient tout simplement pas la bonne équation?  Tout à fait!

Non seulement les serveurs des entreprises contiennent des données qui “dorment”, mais les leaders sont incapables de “voir” et d’identifier les données disponibles dans l’Internet qu’ils devraient considérer.

Dans une économie liée mondialement par l’Internet, pour baser les décisions sur des faits et non des impressions, il importe de s’arrêter et se poser les questions suivantes:

  • Quelles évidences devrais-je mesurer?
  • Quels sont les indicateurs de performance (KPI) sous-estimés ou simplement ignorés?
  • Quels nouveaux paramètres devrais-je considérer?
  • Quelles données statistiques disponibles sont actuellement sous-estimées?
  • Quels nouveaux indicateurs de mesure et d’analyse devrais-je développer?
  • Quelles données devrais-je intégrer dans un algorithme d’analyse?

Données + équation = algorithme

Le principale problème pour résoudre une équation mathématique est de comprendre l’énoncé.  Ensuite, c’est de s’assurer de disposer des bonnes données.  Finalement, on exécute les règles de calculs établies.

“Un algorithme est une suite finie et non-ambiguë d’opérations ou d’instructions permettant de résoudre un problème.”   Il s’agit d’une approche quantitative, méthodique et objective à la résolution d’un problème.  « Un algorithme par lui-même a besoin d’une théorie et des idées pour être vraiment utile »  Avant de les numériser, les Gens doivent comprendre les Processus pour les optimiser au préalable.

Comme il est possible de développer des algorithmes pour toute sorte de problème, voici quelques références liées à la gestion des performances et de la qualité des approvisionnements:

Un billet très intéressant pour mieux apprivoiser les algorithmes:  Les filtres contrôlent le Web, les algorithmes contrôlent le monde.  Avons-nous La bonne équation pour un bon système de santé?

Pour propulser votre organisation

Savez-vous quelles données combinées à un algorithme performant pourraient rendre vos systèmes plus « intelligents » et propulser vos affaires loin devant vos compétiteurs?

Disposez-vous d’un écosystème numérique vous permettant de générer une certaine intelligence à partir de données inertes sur vos systèmes et/ou des flux gargantuesques de données circulant constamment dans l’Internet?

Pour stimuler votre curiosité et nourrir votre réflexion

L’intention de cette série de billets n’est pas de vous transformer en mathématicien.  Nous voulons stimuler votre curiosité à explorer un domaine que vous méconnaissez, à améliorer votre capacité de “lecture” de vos approvisionnements et à amorcer une révision de vos habitudes de gestion.

Qu’il s’agisse de produits, de services ou de données, cette capacité d’analyse algorithmique doit couvrir ces sept (7) étapes de la gestion de vos approvisionnements

  • Trouver de nouveaux
  • Qualifier et inviter les plus pertinents
  • Négocier avec eux
  • Confirmer la commande et assurer le suivi
  • Recevoir les produits/services/données
  • Intégrer et utiliser les produits/services/données
  • Évaluer les fournisseurs

Nous souhaitons également  inspirer les leaders en éducation pour qu’ils incluent le développement de ces habilités dans leurs programmes de formation le plus tôt possible.  Finalement, nous vous invitons à ouvrir votre esprit et à penser autrement, à penser mathématiquement.

Trois questions guideront la rédaction de billets suivants:

  • Quels sont les défis pour convertir une culture de gestion des urgences en anticipation de tendances en approvisionnement?
  • Quelles données permettraient de mieux gérer l’intégrité et le coût total en approvisionnement des appels-d’offres?
  • Comment les données sur le comportement de vos clients peuvent influencer votre stratégie d’approvisionnement?

——————————

Billet déjà publié:

Billets à venir:

 

Commentaires

Aucun commentaire jusqu’à présent.

Écrire un commentaire

(obligatoire)

(obligatoire)