Les entreprises qui réussissent sont celles qui parviennent à trouver un équilibre entre la demande pour leurs produits et services et leur offre. Cela semble évident, et il en a toujours été ainsi.
“ L’IBP intègre la stratégie, le portefeuille, la demande, l’offre et les finances au sein d’un plan d’activité unique, sous la responsabilité de la direction générale, grâce à un processus mensuel de réajustement axé sur les exceptions, aboutissant à un plan opérationnel unique dont l’horizon s’étend sur 24 mois ou plus. ” (Oliver Wight, 2005)
Bien que l’objectif et la structure du processus n’aient pas changé au cours des 20 dernières années — depuis qu’il est passé d’un simple équilibrage de l’offre et de la demande à l’élaboration d’un plan unique et intégré visant à optimiser la valeur globale de l’entreprise —, la rapidité et la qualité de cette intégration sont aujourd’hui totalement différentes.
Une solution data plus intégrée, dotée d’une plus grande capacité de traitement et s’appuyant sur des outils d’IA, a permis de maîtriser un niveau de complexité qui relevait autrefois du domaine de l’utopie : des scénarios dont l’élaboration prenait auparavant des semaines sont désormais mis à jour en temps réel, le data, autrefois cloisonné, est désormais comparatif, et les décisions qui dépendaient de réunions d'alignement interminables peuvent désormais se résumer à de simples confirmations.
Nous avons constaté des écarts importants dans le degré d’adoption de l’IA au sein des IBP sur l’ensemble du marché. Alors que certains secteurs et certaines fonctions maîtrisent déjà ces outils et ont atteint un niveau de maturité dans leur utilisation, d’autres défis restent latents et sont mal pris en compte, comme le montre le tableau ci-dessous :
| Étape IBP | Échéance | Ce qui est déjà en vigueur | Exemple Artefact |
|---|---|---|---|
| Évaluation de portfolio | Faible | Utilisation de l'IA générative pour synthétiser les données issues de la R&D et du marketing et simuler différents scénarios de portefeuille. | Grand secteur des parfums B2B : mise en œuvre d'une IA générative permettant de convertir des concepts marketing visuels en descriptions techniques et en recherches de formules. Résultats : 99% : réduction du temps nécessaire au recoupement des données du portefeuille (passant de plusieurs jours à seulement 20 minutes) et multiplication par 35 du nombre de nouvelles simulations de formules analysées. |
| Examen de la demande | Élevé | Modèles d'apprentissage automatique intégrant plusieurs facteurs influant sur la demande, au-delà des ventes historiques : saisonnalité, conditions météorologiques, marché, signaux commerciaux. | Leader du secteur de la distribution de gaz : plateforme d'IA unifiée qui intègre et prévoit les courbes de demande commerciale pour le GPL en vrac et en bouteille. Résultats : • Réduction de 2% de la MAPE globale pour les prévisions de la demande par rapport au modèle précédent. • Réduction de 33% des erreurs critiques en matière de planification commerciale. • Multiplication par 4 du nombre de portefeuilles clients fonctionnant selon le niveau idéal de précision de l'approvisionnement. |
| Bilan des approvisionnements | Moyen-élevé | Jumeaux numériques et optimisation par apprentissage automatique pour les décisions relatives à la capacité, à l'affectation des ressources et aux niveaux de stock. | Secteur agroalimentaire : simulateur d'usine et modèle d'optimisation adaptés à plusieurs lignes de production, permettant de réduire les pertes et d'optimiser la marge par usine. |
| Rapprochement intégré | Faible à moyen | Des agents qui regroupent automatiquement les données data provenant de différents domaines afin d'accélérer le rapprochement des plans opérationnels, commerciaux et financiers. | Secteur de la grande distribution : outil qui rassemble les données relatives à l'expansion, au géomarketing et aux finances (data) et génère en quelques minutes une étude de faisabilité complète pour un nouveau magasin (un processus qui, auparavant, prenait plusieurs semaines et mobilisait trois équipes). |
| Synthèse de la direction | Faible | Une BI augmentée permettant d'explorer des scénarios en langage naturel, avec des résultats adaptés au profil du dirigeant. | Secteur des biens de consommation : un parcours pluriannuel axé sur des cas d'utilisation de bout en bout reliant les fonctions financières, la tarification, les opérations et les ressources humaines, démontrant que la valeur s'accroît lorsque ces cas d'utilisation sont interconnectés, plutôt que de rester isolés. |
Comme on pouvait s'y attendre, plus une étape se rapproche d'un problème statistique bien défini, plus son adoption a été rapide. Plus elle dépend de négociations au sein de l'organisation, plus la maturité est lente à s'installer.
Cela permet également d’identifier les domaines dans lesquels il est intéressant d’investir dès à présent. En fonction de l’importance cruciale de cette étape pour le secteur et du degré de maturité de l’entreprise, les responsables de la chaîne d’approvisionnement et des systèmes d’information doivent évaluer les projets pilotes et les projets structurels. Dans une entreprise du secteur des biens de grande consommation (FMCG), par exemple, disposer de prévisions fondées uniquement sur des séries chronologiques revient à accuser un retard considérable par rapport à ce qui est déjà disponible et à générer de la valeur pour les concurrents depuis des années. D’un autre point de vue, pour les entreprises des secteurs des cosmétiques ou de l’industrie pharmaceutique, où le rythme d’innovation est élevé, investir dans le développement de l’analyse de portefeuille, malgré son faible niveau de maturité, peut générer un avantage concurrentiel significatif.
Ce que l'IA ne parvient toujours pas à résoudre
Malgré des progrès notables, nous constatons également que le processus IBP présente certains défis intrinsèques, car il repose encore largement sur le jugement humain et sur une compréhension approfondie du contexte organisationnel.
- Définition d'objectifs et mesures incitatives. Les services commerciaux, opérationnels et financiers évaluent souvent une même transaction de différentes manières (volume, marge, OTIF), et chaque service optimise ses propres indicateurs clés de performance (KPI). Aucun modèle ne permet à lui seul de résoudre ce problème, car il ne s'agit pas d'un problème de type « data » ni d'un problème de précision : il s'agit d'un problème de gouvernance, consistant à décider explicitement des priorités de l'entreprise lorsque les objectifs des services s'opposent. Tant que cette définition n'aura pas été établie à l'aide d'un critère de référence approprié, l'IA ne fera qu'automatiser ce conflit.
- Une collaboration qui dépasse les frontières de l'entreprise. Les outils CPFR et VMI existent depuis des décennies et ne cessent d'évoluer, mais la mise à l'échelle de leur application — c'est-à-dire la synchronisation systématique des plans avec les fournisseurs et les distributeurs — reste bien loin d'être une réalité pour la plupart des entreprises au Brésil. Il s'agit d'un goulot d'étranglement structurel : cela dépend des contrats, de la confiance commerciale entre les parties et de la compatibilité des systèmes entre les partenaires, et pas seulement de la technologie disponible.
- Confiance dans les modèles et adoption de l'IA. Même lorsque le modèle en est techniquement capable, l’organisation hésite à lui transférer le pouvoir de décision. Cette hésitation est en grande partie justifiée ; les décisions relatives aux capacités et au portefeuille ont des conséquences trop coûteuses pour être déléguées sans un historique avéré de précision. Le processus passe par une période de validation parallèle, au cours de laquelle le modèle prouve sa précision avant de prendre en charge la décision, plutôt que par un passage direct de “ pas d’IA ” à “ l’IA aux commandes ”.”
La prochaine étape : passer d'assistant à coordinateur
Les avancées du nouvel IBP s'appuyant sur l'IA, dans des étapes telles que la planification de la demande et la revue de l'offre, devraient continuer à générer des résultats supérieurs pour les entreprises et à s'intégrer de plus en plus aux autres étapes du processus. La vision d’une chaîne d’approvisionnement entièrement autonome reste encore un objectif ambitieux, mais il existe déjà des exemples d’agents qui collectent les signaux du marché et les informations pertinentes pour modeler la demande, déclenchent automatiquement des modèles d’optimisation et signalent les incohérences avant même qu’un être humain n’ait à les rechercher.
Dans ce nouveau contexte, le quotidien de l’analyste IBP subit une profonde transformation. Le professionnel qui consacrait auparavant les deux tiers de son temps à consolider des données data éparses, à structurer des tableaux croisés dynamiques et à organiser des colonnes pour en extraire des informations — pour ensuite aligner des cases dans des présentations déjà obsolètes dès leur création — verra son quotidien changer radicalement. Son attention se portera de plus en plus sur l’analyse critique et la vérification du travail des agents, la négociation avec les fournisseurs et les clients, ainsi que l’identification d’opportunités au sein du plan. Un métier bien plus intéressant et à plus forte valeur ajoutée. Et c’est précisément cet analyste, libéré du tableau croisé dynamique, qui fera progresser les étapes encore en retard.
Étant donné que l’objectif de l’IBP, à savoir l’équilibre entre l’offre et la demande, reste inchangé, mais que ses outils ont évolué vers l’intelligence artificielle, les connaissances accumulées par les responsables et les dirigeants au cours de ce processus deviennent encore plus précieuses. Loin de se substituer à des décennies d'expérience et à la lecture contextuelle, l'IA est capable d'élargir la portée de ce capital humain, permettant ainsi aux dirigeants de s'en servir pour mener des expériences là où ils se heurtaient auparavant à des limites, ce qui génère des gains d'efficacité à chaque étape critique et jette les bases d'une plateforme plus agile et plus intelligente à moyen terme.
