À l’ère de l’IA, où la data est reine, les témoignages des entreprises qui ont partagé leurs retours d’expérience étaient unanimes : la qualité des master data est un sujet essentiel à traiter lors de la mise en place d’une démarche demand driven, ou, plus largement, d’une solution de planification.
C’est un sujet qui a été au cœur de nos échanges lors de notre conférence utilisateurs.
Aucune entreprise n'échappe à ce sujet. La qualité des données techniques est citée comme condition préalable au succès.
Surprenant ? Oui et non.
Surprenant, oui, car ce n’est pas nouveau : ces données sont au cœur des systèmes ERP, déployés depuis les années 90. Depuis ce temps, on devrait être rodés !
Surprenant, non, quand on sait que les systèmes ERP sont rarement réellement utilisés pour planifier, ordonnancer, approvisionner – toutes tâches bien souvent déportées dans les tableaux Excel et la connaissance individuelle de nos planificateurs.
Si les données ne sont pas utilisées, il n’y a pas de secret, elles ne sont pas maintenues.
Les retours d’expérience montrent que les données présentes dans l'ERP sont soit absentes, soit obsolètes, soit ne sont pas structurées pour permettre réellement la planification.
Approvisionner des composants sans avoir réellement de délai fournisseur ? Loin d’être l’exception, c’est très commun !
Articles sans codes planificateur (qui s’en occupe ?), minimums et multiples de commande, temps de gamme, ressources utilisées, nomenclatures, taux de rebuts… de fait, l’ERP qu’on espérait base de données de référence est rarement une source de données prête à l’emploi.
Les entreprises qui ont témoigné lors de notre conférence utilisateurs ont eu initialement des approches différentes à cet égard.
Il y a les adeptes de l’audit de fond en comble avant de démarrer : par exemple revue et correction systématique des délais, des MOQ etc. – en contactant la base de fournisseurs avec le concours des achats. C’est vertueux, mais fastidieux, et susceptible de retarder la mise en œuvre de plusieurs longues semaines.
Un consensus se dégage de nos clients : il vaut mieux y aller, charger dans Intuiflow les données telles qu’elles sont, car de toute manière les anomalies vont ressortir comme le nez au milieu de la figure. Les problèmes de master data "surfacent très vite en DDMRP" - la méthode agit comme un révélateur brutal des lacunes existantes.
C’est notamment le message partagé par Groupe Atlantic, Greif, Hutchinson, et par le groupe Sicame :
Charger les données disponibles, laisser le modèle tourner, laisser les problèmes remonter, puis corriger ce qui compte vraiment. Cette approche "load and learn" a deux vertus :
C’est un phénomène bien connu lorsque vous déployez une démarche d’amélioration : la recherche de perfection est l’ennemi du bien – lancez-vous et traitez les sujets par priorité selon la loi de Pareto.
Cette démarche présente un risque : faire douter les utilisateurs de la pertinence des recommandations de la solution de planification. Pour éviter cela, ils doivent être impliqués dans la démarche de conception et bien comprendre le pourquoi des calculs et des recommandations. De cette manière ils sont acteurs de la fiabilisation du système, et de son maintien futur en conditions opérationnelles.
La migration vers Intuiflow force une mise à plat que l'ERP n'avait jamais exigée.
N’oubliez pas que les données utilisées en Supply Chain sont majoritairement des estimations. Un délai est une estimation. Un temps de gamme, un temps de réglage sont des estimations. Une capacité est une estimation. Une demande moyenne jour est une estimation. Un taux de rebut est une estimation. Ne recherchez pas la perfection, recherchez la pertinence des ordres de grandeur !
La société Greif, avec 7 ans de recul et 70 sites déployés, apporte l'enseignement le plus précieux sur la durée : les données se dégradent silencieusement. Sans monitoring proactif, la dérive des données peut passer inaperçue pendant des semaines. Leurs recommandations concrètes :
La discipline sur les données ne se maintient pas seule. Elle suppose des propriétaires définis, une cadence de mise à jour documentée, et des règles formalisées — pas des pratiques tacites. Dans un environnement global impliquant des dizaines de sites et possiblement des systèmes ERP hétérogènes, il est crucial d’établir des règles partagées pour éviter les décisions locales non contrôlées.
Le message de fond commun à tous les cas : la master data n'est pas un prérequis projet à cocher une fois, c'est un processus opérationnel continu — à démarrer pragmatiquement et à maintenir rigoureusement !