Dans une Supply Chain, certaines erreurs paraissent presque insignifiantes.
Un délai fournisseur renseigné à 10 jours alors qu’il en faut réellement 30. Une unité de mesure incorrecte. Un minimum de commande qui n’a pas été mis à jour. Un conditionnement passé de 12 à 24 unités sans modification dans le système.
Une ligne dans une base de données. Quelques chiffres. Rien de spectaculaire.
Pourtant, derrière, les conséquences peuvent rapidement s’enchaîner.
Le système calcule ses besoins à partir de ces informations. La planification devient incorrecte. Les commandes sont déclenchées trop tôt ou trop tard. Le stock augmente inutilement ou, au contraire, la rupture apparaît. Il faut alors trouver une solution en urgence : modifier le planning, accélérer une livraison, commander ailleurs ou expliquer au client pourquoi son produit n’est pas disponible.
Et tout cela peut partir… d’une donnée erronée.
C’est tout le paradoxe de la Master Data. Elle est beaucoup moins visible qu’un nouvel ERP, un WMS ou un projet d’intelligence artificielle. Pourtant, une grande partie des outils Supply Chain dépendent directement de sa qualité.
Article, fournisseur, délai d’approvisionnement, unité de mesure, taille de lot, conditionnement, paramètres de planification : si les informations à l’entrée sont mauvaises, le système pourra parfaitement exécuter… un mauvais calcul.
C’est le fameux principe « Garbage in, garbage out ».
À mesure que les entreprises automatisent leur Supply Chain, la qualité des données devient même encore plus importante. Car lorsqu’une décision est automatisée à grande échelle, une petite erreur peut elle aussi être reproduite à grande échelle.
Avant de chercher des algorithmes toujours plus performants, il reste donc une question beaucoup plus basique :
Peut-on vraiment faire confiance aux données sur lesquelles ils travaillent ?
