contactez-nous

Optimisation des données de référence FMCG

Repérez les articles en double ou quasi identiques entre sites et ERP.

Un moteur de similarité assisté par IA regroupe les articles qui se ressemblent, chiffre les économies de consolidation par cluster et offre aux data stewards un circuit de revue.

NDA 2024

Optimisation des données de référence : circuit de revue des clusters
Vue similarité de la version de démonstration autonome de la mission. Ouvrir l'image entière

Défi

Un même article physique enregistré sous des codes et des descriptions différents selon les sites, les régions et les filiales.

Livré

Un moteur de similarité fondé sur les descriptions, les attributs et les habitudes d'achat, complété par un circuit de revue par les data stewards.

Aide à la décision

Chaque cluster s'accompagne d'un business case de consolidation : conserver, bloquer ou rendre obsolète.

Défi

Les industriels mondiaux gèrent des centaines de milliers d'articles dans leurs ERP, un même article physique étant enregistré sous des codes, des noms et des descriptions différents selon les sites, les régions et les filiales acquises. Conséquences : des remises sur volume manquées, du surstockage, des achats hors contrat et l'impossibilité de consolider les dépenses d'achats. Chacun sait que le nettoyage des données de référence est nécessaire, et chacun le remet à plus tard, jusqu'à ce que le coût de l'inaction s'accumule.

Approche

Nous avons construit un moteur de similarité assisté par IA qui détecte les articles en double ou quasi identiques entre sites et ERP. Le moteur s'appuie sur les descriptions des articles, leurs attributs et les habitudes d'achat pour regrouper les articles qui se ressemblent, puis chiffre les économies de consolidation par cluster, à partir des volumes d'achat réels et des barèmes de remise des fournisseurs.

Un circuit de revue permet aux gestionnaires de données d'examiner chaque cluster et de décider : conserver, bloquer ou rendre obsolète. Chaque action de nettoyage s'appuie sur un business case.

Résultats

Les chiffres proviennent du jeu de démonstration (voir la note ci-dessous), et non du site du client.

  • 228 articles analysés dans le jeu de démonstration, dont 98,2 % identifiés comme appartenant à des clusters de doublons

  • 48 candidats signalés pour blocage ou nettoyage

  • 1 382 973 € d'économie annuelle estimée sur 84 clusters de consolidation (illustratif)

  • Un nettoyage plus rapide, avec un business case derrière chaque changement

  • Moins de surstockage, moins de remises manquées, moins d'achats hors contrat

  • Une vue fiable et unique des articles, au service de meilleures décisions d'approvisionnement et d'exploitation

Les chiffres présentés sont illustratifs : ils proviennent d'une version de démonstration autonome de la mission, construite sur des données synthétiques. Les résultats réels chez le client sont protégés par un NDA.

Python Moteur de similarité IA/ML Intégration ERP Power BI

Un défi similaire ?

Venez avec un domaine d'articles ou un site. Voyons comment l'analyse de similarité et un circuit de revue par les data stewards pourraient appuyer le nettoyage de vos données de référence.

Réservez un échange de 30 min