Dans un monde incertain et volatile où le nombre de variables ne cesse d’augmenter, intégrer une dimension prédictive aux systèmes décisionnels de l’entreprise est essentiel. C’est tout l’intérêt de l’analyse prédictive, une méthode d’analyse de données qui vise à prédire les résultats futurs. Derrière l’analyse prédictive, on retrouve les techniques d’exploration de données, le Machine Learning issu de l’Intelligence Artificielle (IA), mais aussi tout un panel de modèles statistiques. Aujourd’hui, ces technologies se démocratisent auprès du plus grand nombre et font même leur entrée au sein des services achats.
Qu’est-ce que l’analyse prédictive ?
Il existe communément trois types d’analyse de données aux implications techniques et finalités différentes :
· L’analyse descriptive est une technique qui décrit et analyse les événements passés (c’est ce que proposent, par exemple, les logiciels de Business Intelligence) ;
· L’analyse prédictive permet d’évaluer la probabilité que les mêmes résultats se répètent ;
· L’analyse prescriptive identifie un phénomène et propose des actions à mettre en œuvre pour y réagir.
L’analyse prédictive sert donc à identifier les tendances à venir dans des ensembles de données. Autrement dit, cela consiste à extrapoler des informations à partir d’un ensemble de données historiques et actuelles pour émettre des hypothèses sur l’avenir et permettre aux entreprises d’améliorer leurs processus décisionnels. Dans cette configuration, le maître mot est l’anticipation.
Cet outil est largement plébiscité par les entreprises. C’est notamment le cas dans les secteurs de la santé, de l’énergie, des services financiers ou encore des assurances pour identifier un modèle prédictif, anticiper des comportements ou détecter un risque qui pourrait advenir. Pour établir un contrat d’assurance automobile, par exemple, l’analyse prédictive peut anticiper les risques potentiels d’un conducteur en prenant en compte plusieurs facteurs prédictifs (son âge, son expérience au volant…), ce qui aide l’assureur à déterminer un montant de prime d’assurance adapté pour chacun de ses clients.
Finalement, cela confère à toute entreprise un temps d’avance sur son marché. Cela aide à réduire les risques, améliorer la prise de décisions et gagner en efficacité opérationnelle. À l’issue, cela se traduit par un véritable avantage concurrentiel.
Comment fonctionne l’analyse prédictive ?
Tout commence avec la définition d’une problématique. Il faut alors identifier les bons flux de données pour y répondre, puis collecter, organiser et traiter ces données. En matière de technologies, l’analyse prédictive s’appuie sur le Data Mining (exploration des données) afin de préparer et d’examiner de grands ensembles de données (notamment le Big Data) sous différents angles.
Vient alors le moment de développer des modèles prédictifs, en fonction du problème à résoudre et de la nature de l’ensemble des données. Le data scientist doit appliquer l’outil le plus pertinent pour obtenir les résultats souhaités. L’analyse prédictive se base en grande partie sur les techniques de Machine Learning (apprentissage automatique) pour créer les modèles prédictifs qui traiteront des ensembles de données non structurées avec une rapidité et une précision avancées. Rappelez-vous, le Machine Learning est une branche de l’Intelligence Artificielle (IA), au cœur de la data science. Parmi les modèles prédictifs les plus couramment utilisés, on retrouve les modèles de régression linéaire, de régression logistique, les arbres de décision ou encore les réseaux de neurones.
Enfin, il s’agit d’un processus continu. C’est pourquoi il convient de vérifier la justesse du modèle et de l’ajuster en conséquence. Pour cela, on va comparer les prédictions aux données réelles sur une période. On peut notamment s’appuyer sur des indicateurs comme le pourcentage d’erreurs pour évaluer la performance du modèle.
L’analyse prédictive appliquée aux achats
De par leur positionnement au cœur de l’écosystème de l’entreprise, les directions achats ont accès à une multitude de données. Correctement exploité, cet « or noir » renferme de formidables opportunités pour gérer l’activité et construire la stratégie d’achats. L’idée n’est plus d’agir uniquement en réaction aux événements, mais aussi de les comprendre et de les anticiper. Rappelons à juste titre que ces informations ne sont pas une fin en soi, mais bien un moyen d’optimiser la prise de décision rapide.
Bien qu’une telle application ne soit pas encore très répandue, les observateurs constatent un certain intérêt de la part de la communauté des achats. Dans la dernière enquête menée par Deloitte, plus d’un tiers des décideurs achats estiment que les analyses prédictives figurent parmi les ressources les plus utiles dans leur domaine.
Cette timide adoption de l’analyse prédictive par les directions achats s’explique avant tout par sa mise en place complexe. D’abord, il convient de disposer d’un système d’analyse de dépenses. Avant d’anticiper quoi que ce soit, il faut commencer par savoir quels produits sont consommés, par qui et auprès de quel fournisseur, en temps donné. Puis, il s’agit d’y intégrer toutes les autres données pertinentes issues de diverses sources d’informations (d’où l’utilisation du Data Mining). Pour le moment, l’analyse prédictive est un projet à plus large échelle dans l’entreprise, dont les ressources humaines et techniques sont mises au service de plusieurs départements (ventes, marketing, finance, achats…).
Les bénéfices de l’analyse prédictive pour les achats
Les schémas et modèles prédictifs peuvent être utilisés de multiples façons par les directions achats. Dans le domaine des achats, le premier champ d’actions de l’analyse prédictive réside dans la gestion efficace des stocks. En analysant les commandes passées aux fournisseurs, les demandes des clients, ou encore les ventes, on peut imaginer des modèles statistiques et algorithmiques pour prévoir les volumes d’achats de son entreprise. Voilà de quoi anticiper les besoins en approvisionnement, optimiser les stocks et améliorer la planification. À l’issue, cela se traduit par moins de surstockage et de rupture de stock, tout en optimisant les coûts.
Les acheteurs peuvent transposer cette vision dynamique et prédictive à d’autres applications concrètes :
· Le pilotage des relations fournisseurs ;
· La gestion des performances fournisseurs ;
· La fluctuation des prix ;
· Les évolutions du marché ;
· La gestion et l’anticipation des risques potentiels ;
· La saisie de nouvelles opportunités d’achats ;
· La prédiction des dépenses…
À la clé, ils gagnent en agilité et en performance pour contribuer à la stratégie d’achats. Ils peuvent ainsi sécuriser leurs approvisionnements, réduire leurs coûts, ou encore renforcer leurs partenariats fournisseurs avec une efficacité accrue. C’est ce qui leur permet de continuer à asseoir leur positionnement stratégique au sein de l’entreprise.
Au-delà de l’analyse prédictive, il est facile d’imaginer les avantages que présente l’analyse prescriptive grâce à ses recommandations. Patrick Chabannes, qui était à l’époque Senior Solution Strategist chez Determine, éditeur SaaS/Cloud de solutions logicielles de gestion des contrats, gestion fournisseur, sourcing stratégique et Procure-to-Pay, partage un exemple concret : « Les SI Achats auront la possibilité de pousser des recommandations aux utilisateurs en tenant compte de règles métier personnelles en créant des situations interactives. Imaginez un acheteur de direct de production suivant ses deux fournisseurs qualifiés en mode série. Et une recommandation tombe lui indiquant qu’un concurrent de ses deux fournisseurs a augmenté son CA de 17 % alors que ses deux fournisseurs sont respectivement à 1 et 3 %. L’acheteur se pose alors les bonnes questions : que s’est-il passé ? Qu’ont-ils trouvé ? De quoi bénéficient mes propres concurrents en travaillant avec ses sources ? »
Vous l’avez compris, les analyses prédictives permettent aux directions achats d’anticiper, d’accélérer et de sécuriser leurs décisions. Cela représente donc un formidable levier de création de valeur pour la fonction, l’entreprise et les parties prenantes.
Toutefois, pour être en mesure d’entamer le chemin qui conduit à de telles possibilités, il est primordial de s’assurer de la disponibilité des données. Pour ce faire, les directions achats doivent se mettre en ordre de bataille et générer un maximum de données afin de pouvoir les analyser. Le premier pas à franchir est alors de digitaliser l’ensemble du processus Procure-to-Pay.
