1. BIG DATA & SCM
Réalisé Par :
Chtourou Mohamed Khalil
1
2. Plan de la Présentation
1) Introduction
2) Les Problèmes du SCM
3) BIG DATA : Définition
4) BIG DATA : Caractéristique
5) Relever les défis avec le BIG DATA
6) Conclusion
2
3. Introduction : SCM ?
• Le SCM Supply Chain Management -
regroupe toutes les fonctions exercées et
actions menées par l'ensemble de ses
intervenants.
• Le SCM concerne toutes les étapes internes
et externes impliquant une identification,
une coordination et une rationalisation des
flux (physiques, humains, monétaires et
surtout d'information).
• Il a pour but d'optimiser l'ensemble de la
chaîne d'approvisionnement.
3
14. Caractéristiques de BIG DATA :
• Le Big Data se caractérise essentiellement par
trois critères :
14
15. Caractéristiques de BIG DATA :
• Volume (Quantité de
données) :
les applications Big Data se
distinguent par le fait qu'elles
peuvent maîtriser de très
grands volumes de données.
Le traitement et
l'enregistrement du flux de
données représentent
simultanément un grand défi.
15
16. Caractéristiques de BIG DATA :
• Vélocité (Actualité des
données) :
l'actualité se réfère à la vitesse à
laquelle les données sont traitées.
Les applications Big Data
prétendent maîtriser les grands
volumes de données à une vitesse
élevée. Ceci va jusqu'au traitement
des données en temps réel
16
17. Caractéristiques de BIG DATA :
• Variété (Multitude des
données) :
la multitude de données
désigne le grand nombre de
types, de formats et de sources
de données auxquels les
entreprises sont confrontées et
qui sont intégrés dans les
applications Big Data.
17
18. Caractéristiques de BIG DATA :
• Variété (Multitude des données):
Ainsi la multitude de sources de
données pour le Big Data s'étend des
sources de données internes à
l'entreprise.
par ex : les systèmes de gestion de
marchandises,
jusqu'aux sources de données non
structurées, comme les réseaux
sociaux, les messages sur les
conditions climatiques et le trafic
18
19. Selon deux rapports, parus l’année (2015),
(Boston Consulting Group, Supply Chain Insights)
quatre axes se dessinent où la supply chain peut
profiter du big data :
19
Relever les défis avec le BIG DATA
20. 1. Planification
stratégique du réseau
Avec des entrepôts, des
fabriques, et des centres de
distribution disséminés, la
planification des réseaux
logistiques défie les
méthodes d’optimisation
traditionnelle
20
Relever les défis avec le BIG DATA
21. 1. Planification
stratégique du réseau
Le big data doit aider au
façonnage du réseau avec
davantage de rapidité,
minimisation des coûts de
fret et d’entreposage et
une diminution de
l’empreinte écologique.
21
Relever les défis avec le BIG DATA
22. 2. Optimisation dynamique des livraisons
L’analyse big data ouvre la voie au monitoring et à l’optimisation en temps
réel des livraisons.
Grâce aux données de localisation provenant des équipements télématiques
des véhicules, et à des données tierces comme le trafic routier, il est possible
de décider de re-router des livraisons de manière dynamique et de les calibrer
jusqu’au niveau désiré. Avec un impact positif sur les coûts de transport.
22
Relever les défis avec le BIG DATA
23. 2. Optimisation dynamique des livraisons
L’analyse big data ouvre la voie au monitoring et à l’optimisation en temps
réel des livraisons.
Grâce aux données de localisation provenant des équipements télématiques
des véhicules, et à des données tierces comme le trafic routier, il est possible
de décider de re-router des livraisons de manière dynamique et de les calibrer
jusqu’au niveau de la rue (last mile). Avec un impact positif sur les coûts de
transport.
23
Relever les défis avec le BIG DATA
24. 3. Supply chain basée sur la demande
L’analyse combinée de nouvelles sources
de données externes (fournisseurs,
senseurs, réseaux sociaux,
environnement) permet de répondre
mieux et plus vite aux changements de
demande.
Donc une meilleure performance et une
réduction des inventaires.
24
Relever les défis avec le BIG DATA
25. Relever les défis avec le BIG DATA
4. Résilience et gestion du risque
Le big data permet de mieux identifier les facteurs
de risque (routes, équipements, fournisseurs) au
sein de n’importe quel enchevêtrement.
Des travaux de prédiction peuvent être entrepris.
D’autre part, l’analyse de données des réseaux
sociaux peut contribuer à détecter des incidents
avant que ceux-ci ne viennent aux oreilles et soient
rapportés par le service client.
Enfin, l’exploitation de senseurs et de codes QR
peut aider à surveiller pour des produits sensibles
ou pour les produits de luxes, et à réagir en
conséquence.
25
26. Conclusion
• L’analyse de données est déjà employée par la
plupart des organisations au niveau de leur
chaîne logistique.
26
27. Conclusion
• Dans de nombreux cas, la logistique est gérée via de savants
tableaux Excel intégrant des données éparses.
• Et l’essentiel des investissements IT est vraisemblablement
consacré aux ERP et autres applications dédiées.
27
28. Conclusion
• Investir dans le big data peut dès lors sembler un saut trop
conséquent. La plupart des enquêtes montrent un intérêt
généralisé pour le concept, mais peu de cas concrets
d’implémentation. Et les arguments sont légion pour
attendre.
28