Gr\u00e2ce au traitement dans SAP IBP, Integrated Business Planning, et \u00e0 l'utilisation du Machine Learning, les entreprises tirent le meilleur parti de leurs programmes de livraison. Un programme de livraison indique quels articles seront command\u00e9s, \u00e0 quelles conditions et \u00e0 des dates pr\u00e9cises au cours d'une p\u00e9riode donn\u00e9e. Mais le plan ne fonctionne pas toujours. En septembre, 65 % des entreprises interrog\u00e9es par l'institut ifo ont \u00e9t\u00e9 emp\u00each\u00e9es de produire en raison d'une p\u00e9nurie de mati\u00e8res premi\u00e8res et de sous-produits. Par cons\u00e9quent, toutes les commandes n'ont pas pu \u00eatre trait\u00e9es. La p\u00e9nurie de mat\u00e9riaux a actuellement beaucoup \u00e0 voir avec les r\u00e9percussions de la crise de la Corona et de la guerre en Ukraine sur les cha\u00eenes d'approvisionnement. Toutes les productions ne peuvent pas \u00eatre adapt\u00e9es assez rapidement aux fluctuations de l'offre et de la demande. Mais la p\u00e9nurie de mat\u00e9riaux est aussi fondamentalement un ph\u00e9nom\u00e8ne r\u00e9current - parce que les plans de livraison ne sont souvent pas fiables et qu'ils entra\u00eenent \u00e9galement des modifications du plan de livraison en raison de changements de derni\u00e8re minute. Au lieu de la s\u00e9curit\u00e9, le plan de livraison rec\u00e8le une incertitude croissante.<\/p>\n\n\n\n
L'id\u00e9e des plans de livraison est pourtant bonne : les clients et les fournisseurs partagent des informations sur les besoins futurs et s'aident ainsi mutuellement \u00e0 lutter contre les incertitudes \u00e0 un stade pr\u00e9coce. Si cela fonctionne correctement, cela cr\u00e9e une grande fiabilit\u00e9 de livraison pour le client et permet une efficacit\u00e9 pour le fournisseur - un gagnant-gagnant.<\/p>\n\n\n\n
Les fluctuations dans l'\u00e9change d'informations sont source de maux de t\u00eate. Un programme de livraison contient essentiellement des informations pertinentes sur les besoins et le moment des besoins, qui sont collect\u00e9es puis transmises par le client. On obtient ainsi une image de l'\u00e9volution future des besoins. Les informations mises \u00e0 jour remplacent continuellement les donn\u00e9es obsol\u00e8tes. Cela se produit une fois par semaine ou plusieurs fois par jour, en fonction des processus individuels. A chaque fois, les informations sur les besoins et donc l'input pour la satisfaction des besoins sont modifi\u00e9s - parfois plus, parfois moins. A court terme, les fluctuations sont emp\u00each\u00e9es par des horizons de fixation. Mais \u00e0 moyen et long terme, elles provoquent des maux de t\u00eate massifs - et g\u00e9n\u00e8rent des inefficacit\u00e9s co\u00fbteuses.<\/p>\n\n\n\n
Le probl\u00e8me r\u00e9side dans le sujet lui-m\u00eame. Les programmes de livraison relient deux cha\u00eenes d'approvisionnement. De nombreux facteurs influencent la r\u00e9ussite de cette op\u00e9ration : les propres processus, les priorit\u00e9s et les restrictions, mais aussi les fournisseurs et les clients. Une fois les informations disponibles, les entreprises doivent d'abord \u00e9valuer les informations relatives aux programmes de livraison de leurs clients. Concr\u00e8tement, il s'agit de savoir quelle information est valable \u00e0 partir de quel appel sur programme de livraison et \u00e0 quel moment, et comment l'utiliser. C'est l\u00e0 que commence la recherche de l'aiguille dans la botte de foin. La \"bonne\" information peut \u00eatre contenue dans le programme de livraison d'hier ou de la semaine derni\u00e8re. Une concertation personnelle avec le client serait trop compliqu\u00e9e et n'aurait aucun sens sur le plan \u00e9conomique. <\/p>\n\n\n\n
Mais avec SAP IBP et des extensions comme le Machine Learning, cette recherche devient r\u00e9alisable : Le type de donn\u00e9es de base est d'abord configur\u00e9 dans IBP. Il contient des attributs cl\u00e9s tels que les informations client, les informations produit, les informations sur le programme de livraison, la date et la quantit\u00e9. Ces informations sont repr\u00e9sent\u00e9es dans IBP \u00e0 l'aide de donn\u00e9es de base et de ratios. Les diff\u00e9rents \u00e9tats du programme de livraison sont alors enregistr\u00e9s et stock\u00e9s pour une utilisation ult\u00e9rieure. Dans l'\u00e9tape suivante, les \u00e9tats des programmes de livraison, qui \u00e9taient auparavant repr\u00e9sent\u00e9s par des ratios, sont int\u00e9gr\u00e9s dans les pr\u00e9visions - ils offrent ainsi non seulement une valeur ajout\u00e9e informative dans SAP IBP, mais aussi une utilisation r\u00e9elle : les modifications des programmes de livraison et de leurs positions peuvent d\u00e9sormais \u00eatre repr\u00e9sent\u00e9es dans le temps.<\/p>\n\n\n\n
Il s'agit ensuite de d\u00e9terminer le moment o\u00f9 le plan de livraison \u00e9tait le plus stable, c'est-\u00e0-dire le plus proche de la r\u00e9alit\u00e9. Pour ce calcul, l'IBP dispose des algorithmes classiques. Le moindre \u00e9cart dans le syst\u00e8me sert de base \u00e0 l'\u00e9tablissement d'un pr\u00e9visionnel statistique. Les planificateurs peuvent alors comparer ce pr\u00e9visionnel avec la p\u00e9riode la plus fiable du programme de livraison - et continuer \u00e0 travailler avec les meilleurs indicateurs dans le processus de vente et d'exploitation.<\/p>\n\n\n\n
Voil\u00e0 pour l'utilisation utile, mais aussi limit\u00e9e, dans l'IBP. Car il est possible de faire bien plus encore. Par exemple en utilisant le Machine Learning. Les planificateurs peuvent utiliser les erreurs calcul\u00e9es dans le programme de livraison comme variable ind\u00e9pendante pour enrichir des algorithmes externes. Ceux-ci peuvent ensuite \u00eatre utilis\u00e9s comme donn\u00e9es d'entr\u00e9e pour g\u00e9n\u00e9rer de meilleures pr\u00e9visions. Si suffisamment de donn\u00e9es sont disponibles, l'erreur de pr\u00e9vision elle-m\u00eame peut \u00e9galement \u00eatre utilis\u00e9e. Il est \u00e9galement possible d'extraire les donn\u00e9es de l'IBP via les services O-Data ou d'autres interfaces d'int\u00e9gration. Les donn\u00e9es y sont enrichies avec d'autres m\u00e9thodes statistiques disponibles dans la biblioth\u00e8que Python, puis r\u00e9int\u00e9gr\u00e9es dans SAP IBP. L'avantage est que de tels environnements ML permettent des analyses nettement plus \u00e9tendues que le standard issu d'IBP.<\/p>","protected":false},"excerpt":{"rendered":"
Les plans de livraison sont cens\u00e9s mettre en r\u00e9seau les clients et les fournisseurs, augmenter l'efficacit\u00e9 et le respect des d\u00e9lais de livraison et \u00e9viter les goulots d'\u00e9tranglement par l'effet bullwhip. Mais dans de nombreux cas, ces plans causent plus d'ennuis qu'ils n'apportent de b\u00e9n\u00e9fices.<\/p>","protected":false},"author":4312,"featured_media":127290,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","footnotes":""},"categories":[4,42541],"tags":[9000,480,42543,627,236,7631],"coauthors":[42858,42857],"class_list":["post-127289","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-management","category-mag-23-05","tag-ibp","tag-machine-learning","tag-mag-23-05","tag-ml","tag-sap","tag-scm","pmpro-has-access"],"acf":[],"featured_image_urls_v2":{"full":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"thumbnail":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-150x150.jpg",150,150,true],"medium":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-400x180.jpg",400,180,true],"medium_large":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-768x346.jpg",768,346,true],"large":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"image-100":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-100x45.jpg",100,45,true],"image-480":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-480x216.jpg",480,216,true],"image-640":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-640x288.jpg",640,288,true],"image-720":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-720x324.jpg",720,324,true],"image-960":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-960x432.jpg",960,432,true],"image-1168":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-1168x526.jpg",1168,526,true],"image-1440":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"image-1920":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"1536x1536":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"2048x2048":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"trp-custom-language-flag":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",18,8,false],"bricks_large_16x9":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"bricks_large":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"bricks_large_square":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin.jpg",1200,540,false],"bricks_medium":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-600x270.jpg",600,270,true],"bricks_medium_square":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-600x540.jpg",600,540,true],"profile_24":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-24x24.jpg",24,24,true],"profile_48":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-48x48.jpg",48,48,true],"profile_96":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-96x96.jpg",96,96,true],"profile_150":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-150x150.jpg",150,150,true],"profile_300":["https:\/\/e3mag.com\/wp-content\/uploads\/2023\/05\/shutterstock_1060874669_Mzorin-300x300.jpg",300,300,true]},"post_excerpt_stackable_v2":"
Lieferpl\u00e4ne sollen Kunden und Lieferanten vernetzen, Effizienz und Liefertreue steigern und Engp\u00e4sse durch den Bullwhip-Effekt vermeiden. Doch in vielen F\u00e4llen verursachen die Pl\u00e4ne mehr \u00c4rger, als dass sie Nutzen bringen.<\/p>\n","category_list_v2":"Business-Management<\/a>, Mag 23-05<\/a>","author_info_v2":{"name":"Diana Huying, Aflexio","url":"https:\/\/e3mag.com\/fr\/author\/diana-huying\/"},"comments_num_v2":"0 commentaire","_links":{"self":[{"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/posts\/127289","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/users\/4312"}],"replies":[{"embeddable":true,"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/comments?post=127289"}],"version-history":[{"count":1,"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/posts\/127289\/revisions"}],"predecessor-version":[{"id":137598,"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/posts\/127289\/revisions\/137598"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/media\/127290"}],"wp:attachment":[{"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/media?parent=127289"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/categories?post=127289"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/tags?post=127289"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/e3mag.com\/fr\/wp-json\/wp\/v2\/coauthors?post=127289"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}