Résumé
Les directions achats multiplient les investissements dans des outils digitaux, des plateformes de e-procurement¹ et des solutions d'intelligence artificielle. Pourtant, un angle mort persiste dans la plupart des organisations : la qualité des données achats. Sans données fiables, structurées et complètes, aucune technologie ne peut délivrer sa promesse. Cet article s'adresse aux directeurs achats, responsables procurement² et DSI qui souhaitent comprendre les enjeux concrets de la donnée, mesurer les impacts d'une donnée dégradée et activer des leviers pragmatiques de structuration durable.
Sommaire
1. La donnée achats : d'une contrainte administrative à un actif stratégique
2. Les coûts cachés d'une mauvaise qualité des données pour la fonction achats
3. Pas d'intelligence artificielle performante sans données achats propres
4. Comment garantir une donnée achats structurée et fiable durablement ?
5. Manutan, partenaire de la structuration de vos données achats indirects
Les directions achats investissent massivement dans leur transformation digitale. Pourtant, un prérequis fondamental est régulièrement sous-estimé : la qualité des données achats. Des outils performants bâtis sur des données incomplètes, incohérentes ou mal structurées ne produisent pas les résultats escomptés. Ce décalage entre ambition technologique et réalité du terrain génère des projets coûteux, des décisions biaisées et une perte de confiance dans les outils déployés. Comprendre ce que recouvre réellement la qualité de la donnée, et pourquoi elle conditionne toute transformation digitale, est le point de départ incontournable de toute stratégie achats moderne.
La donnée achats : d'une contrainte administrative à un actif stratégique
La donnée achats a longtemps été perçue comme un résidu administratif : un enregistrement comptable, un bordereau de livraison, une ligne dans un tableau Excel. Cette vision est aujourd'hui dépassée. Dans un contexte de transformation digitale accélérée, la donnée est devenue un actif stratégique à part entière, au même titre qu'un portefeuille fournisseur ou un budget d'investissement.
Qu'entend-on par qualité des données achats ? Fiabilité, complétude, structuration
Qu'est-ce que la qualité des données achats, et pourquoi est-elle stratégique ? La réponse tient en trois attributs fondamentaux.
La fiabilité signifie que la donnée reflète fidèlement la réalité : un tarif unitaire à jour, une référence article active, un délai fournisseur vérifié. La complétude garantit qu'aucun champ critique n'est manquant : codification comptable, unité de commande, pays d'origine. La cohérence assure que les données sont homogènes d'un système à l'autre, qu'il s'agisse de l'ERP, de la plateforme de e-procurement ou du système de gestion des fournisseurs.
Dans les achats indirects, ces trois attributs sont souvent les plus difficiles à maintenir : les références se multiplient, les fournisseurs sont nombreux et les processus de saisie restent fragmentés.
Pourquoi la donnée achats est-elle encore sous-exploitée dans la plupart des entreprises ?
Les causes de cette sous-exploitation sont avant tout organisationnelles. Les saisies manuelles introduisent des erreurs et des incohérences à chaque étape du processus. Les systèmes d'information coexistent sans être interconnectés : ERP, outils achats, outils comptables parlent des langages différents. L'absence de gouvernance dédiée laisse chaque utilisateur libre d'interpréter les règles de saisie à sa manière.
La notion de Smart Data³ (donnée intelligente, structurée et exploitable) reste peu ancrée dans la culture des fonctions achats. Traiter la donnée comme un actif à piloter plutôt que comme un résidu de processus est un changement de posture que peu d'organisations ont pleinement opéré. C'est précisément cette capacité à transformer la donnée brute en levier décisionnel, ce que recouvre la data intelligence, qui distingue aujourd'hui les directions achats les plus matures de celles qui subissent encore leur propre patrimoine informationnel.
Les coûts cachés d'une mauvaise qualité des données pour la fonction achats
Combien coûte réellement une donnée achats non maîtrisée ? La question mérite d'être posée avec précision. Les impacts ne se mesurent pas uniquement en erreurs visibles : ils s'accumulent silencieusement dans les processus, les relations fournisseurs et les décisions stratégiques.
Erreurs de commandes, doublons fournisseurs, écarts de facturation : le prix de la donnée sale
Une référence article obsolète dans le système génère une commande erronée, un retour fournisseur, un réapprovisionnement d'urgence. Un référentiel fournisseurs mal tenu produit des doublons : deux enregistrements pour un même prestataire, deux paiements pour une même prestation. Des écarts de facturation non détectés s'accumulent sur des dizaines de lignes de commande sans que personne ne soit en mesure de les identifier rapidement.
Le coût du traitement manuel de ces anomalies est considérable : temps opérateur mobilisé, litiges avec les fournisseurs, risques d'audit comptable. Ces coûts restent invisibles dans les tableaux de bord classiques, mais ils pèsent lourd sur la performance réelle de la fonction achats. Une part significative de ces dépenses se dissimule dans les dark data, ces données existantes mais inexploitées qui recèlent des gisements d'économies insoupçonnés au sein même des flux d'achats indirects.
Le principe "Garbage In, Garbage Out" appliqué aux achats indirects
Le principe Garbage In, Garbage Outâ´ est bien connu en informatique. Il s'applique avec une précision redoutable aux achats : toute analyse de spendâµ, tout reporting fournisseur, toute négociation bâtis sur une donnée non fiable produisent des décisions erronées.
Dans les achats indirects, ce phénomène est amplifié. La donnée y est souvent la moins structurée de toutes les catégories achats : multiplicité des fournisseurs, faible standardisation des références, processus de commande décentralisés. Consolider un spend indirect à partir de données hétérogènes revient à naviguer sans carte : les grandes lignes semblent visibles, mais les détails qui fondent la décision restent dans l'ombre.
Pas d'intelligence artificielle performante sans données achats propres
Les entreprises investissent dans des outils d'intelligence artificielle pour automatiser, prédire et optimiser. Mais un paradoxe s'installe : ces outils sont déployés sur des socles de données non préparés, ce qui compromet leur performance dès les premières semaines d'utilisation. L'IA ne crée pas de la qualité là où il n'y en a pas.
IA et achats : analyse de spend, détection d'anomalies, automatisation des commandes
Les cas d'usage de l'intelligence artificielle dans la fonction achats sont nombreux et concrets : analyse automatisée du spend, détection d'anomalies de facturation, recommandation de fournisseurs alternatifs, automatisation des commandes récurrentes à faible valeur ajoutée.
Chacun de ces cas d'usage repose intégralement sur la qualité de la donnée en entrée. Un algorithme de détection d'anomalies entraîné sur des données incohérentes produit des faux positifs en masse ou, pire, ne détecte pas les vraies anomalies. Un moteur de recommandation fournisseur alimenté par un référentiel incomplet oriente vers des prestataires non qualifiés. L'IA amplifie la donnée, dans ses forces comme dans ses failles. Le risque s'accentue lorsque des collaborateurs adoptent des outils d'IA non encadrés par la DSI, un phénomène désormais identifié sous le terme de Shadow AI, qui fragmente encore davantage le capital données de l'organisation et échappe à toute gouvernance.
La qualité des données : le vrai prérequis avant tout investissement technologique
Pourquoi l'intelligence artificielle a-t-elle besoin de données propres pour fonctionner ? Parce qu'elle ne fait qu'exploiter, à grande échelle et à grande vitesse, ce que les données lui transmettent. Sa puissance réside dans sa capacité à identifier des patterns sur des volumes importants, mais cette capacité devient un risque si les volumes sont constitués de données mal structurées.
Structurer, nettoyer et gouverner la donnée avant de déployer un outil IA ou un ERP avancé n'est pas une étape préliminaire optionnelle. C'est le vrai prérequis de toute transformation digitale achats durable. Les organisations qui sautent cette étape investissent dans des technologies qui ne peuvent pas délivrer leur potentiel.
Comment garantir une donnée achats structurée et fiable durablement ?
Après avoir posé le diagnostic, la question devient opérationnelle : comment bâtir une donnée achats fiable dans la durée ? Deux leviers se complètent : la gouvernance organisationnelle et la structuration à la source via les outils techniques.
Mettre en place une gouvernance de la donnée achats : rôles, processus, outils
Une gouvernance de la donnée achats efficace repose avant tout sur des choix organisationnels. Les étapes clés sont les suivantes :
- Désigner un data ownerⶠachats, responsable de la fiabilité et de la cohérence du référentiel ;
- Définir des règles de saisie standardisées, partagées et documentées ;
- Mettre en place un processus de validation et d'enrichissement des référentiels fournisseurs ;
- Choisir des outils capables d'interconnecter les systèmes en place sans recréer de silos ;
- Former les équipes achats à la culture de la donnée, au même titre qu'aux processus métier.
La gouvernance est avant tout un sujet humain, pas uniquement technique. Une règle de saisie non comprise sera contournée. Un processus de validation non porté par le management sera ignoré. La durabilité de la qualité de la donnée se construit dans les comportements quotidiens. Cette exigence de rigueur dépasse le seul périmètre opérationnel : une politique RSE véritablement data-driven repose elle aussi sur des données achats fiables et traçables pour mesurer l'empreinte fournisseur et piloter les engagements responsables.
Le Punch-out et l'E-procurement comme leviers de structuration des données à la source
La méthode la plus efficace pour garantir une donnée fiable est de la structurer dès sa création. C'est précisément ce que permettent les solutions de e-procurement et le Punch-outâ·.
Le Punch-out connecte directement le système d'achat du client (ERP, outil procure-to-payâ¸) au catalogue en ligne du fournisseur. Résultat : la commande est générée sans ressaisie manuelle, avec des références normalisées, des tarifs contractuels à jour et une codification comptable cohérente. La donnée est propre dès son origine, sans intervention humaine susceptible d'introduire une erreur. Cette structuration à la source est la fondation sur laquelle repose toute exploitation analytique fiable en aval.
Manutan, partenaire de la structuration de vos données achats indirects
Manutan accompagne ses clients dans la structuration de leurs flux d'achats indirects depuis plusieurs décennies. Cet accompagnement ne se limite pas à la mise à disposition d'un catalogue : il s'étend à l'intégration technique, à la gouvernance des données et au pilotage de la performance achats.
« Nous allons utiliser la donnée pour montrer que telle usine consomme de telle manière, tandis qu'une autre usine comparable consomme différemment. Nous faisons des benchmarks : on prend toutes les entreprises, par exemple dans la construction, on regarde comment elles fonctionnent, et on peut dire : "Voilà comment se fait l'achat dans la construction." Ensuite, on peut expliquer au client : votre comportement est un peu différent ; vous avez sans doute à gagner sur la digitalisation, et sur l'arbitrage entre marques premium ou non. La donnée est primordiale pour ce type d'achat. » Xavier Laurent, Directeur des fusions acquisitions, Manutan, Smart @Work, décembre 2020.
Savin'Side et intégration Punch-out : comment Manutan structure les données dès la commande
Savin'Side est la solution Manutan dédiée au pilotage des achats indirects. Elle permet aux directions achats de disposer de données fiables et structurées sur l'ensemble de leur spend indirect : références normalisées, tarifs contractuels consolidés, indicateurs de pilotage exploitables.
L'intégration Punch-out avec les systèmes d'achat clients (ERP, plateformes procure-to-pay) supprime les saisies manuelles et garantit la cohérence des données de commande à chaque transaction. De la structuration du catalogue à l'exploitation des données de pilotage, cet accompagnement couvre l'ensemble de la chaîne de valeur de la donnée achats indirecte.
Savin'Side et intégrations e-procurement par Manutan :
Savin'Side et ses intégrations Punch-out sont compatibles avec les principaux ERP et plateformes procure-to-pay du marché. Ce service est disponible en France, Belgique, Pays-Bas, Royaume-Uni, Allemagne, Italie, Espagne, Suède, Finlande, Danemark, Norvège, Pologne, République tchèque, Slovaquie, Hongrie, Portugal et Suisse, à date de publication du contenu.
¹ e-procurement : processus d'achat dématérialisé réalisé via des plateformes numériques
² procurement : terme anglais désignant la fonction achats dans sa globalité, de la stratégie fournisseur à la gestion des commandes
³ Smart Data : donnée de qualité, structurée et contextualisée, réellement exploitable pour la prise de décision
â´ Garbage In, Garbage Out : principe informatique signifiant que des données de mauvaise qualité en entrée produisent des résultats inexploitables en sortie
âµ spend : terme désignant l'ensemble des dépenses achats d'une organisation, souvent utilisé dans l'expression "analyse de spend" (analyse des dépenses)
ⶠdata owner : responsable désigné de la qualité, de la cohérence et de la mise à jour d'un périmètre de données au sein d'une organisation
â· Punch-out : protocole d'intégration permettant à un acheteur de naviguer dans le catalogue d'un fournisseur directement depuis son propre système d'achat, sans ressaisie
⸠procure-to-pay : processus couvrant l'ensemble du cycle achats, de la demande d'achat au paiement du fournisseur
