Pourquoi les professionnels des achats doivent devenir des data scientists
Publié par Raphaël Savy, Alteryx le - mis à jour à
Au lieu de chercher des data scientists, il est bien plus judicieux d'initier le changement au sein de l'entreprise. Chaque employé doit comprendre ce qui se cache derrière les données et la valeur qu'elles peuvent leur apporter au quotidien.
La data science peut révolutionner les achats, mais cela n'implique pas forcément de devoir faire appel à des experts : les professionnels des achats peuvent devenir eux-mêmes des Data Scientists.
Pour les départements achats, l'analyse des données offre d'innombrables opportunités et possibilités. Elle ne permet pas seulement d'améliorer la collaboration avec les fournisseurs, mais également d'identifier les risques à un stade précoce, et ainsi de prendre des mesures immédiates - un gain de temps et d'argent. Cependant, pour que cela fonctionne dans la pratique, de grandes quantités de données ne suffisent pas. Il faut aussi et surtout des employés formés, capables de les analyser et d'en tirer de véritables enseignements, à partir desquels ils pourront prendre des décisions plus efficaces.
Ce que signifie réellement la data science dans le domaine des achats
En bref, cela signifie l'acquisition de connaissances basées sur les données. Concrètement, les volumes de données collectées en interne ou en externe sont évalués pour obtenir des connaissances qui ne seraient pas visibles à l'oeil humain. Notamment, les professionnels des achats travaillent quotidiennement avec une quantité de fournisseurs, et nombre de ces relations commerciales durent des années, voire des décennies, même en temps de crise. Cependant, ce qui se perd souvent dans le processus, c'est le sens du détail et la perte du potentiel d'optimisation. Par exemple, un fournisseur peut être très bon marché et fiable, mais la qualité du produit s'avère être inférieure lorsqu'il arrive chez le client final, et entraîne donc des plaintes. Cela augmente la charge de travail pour le service clientèle, mais rajoute aussi un coût supplémentaire, ce qui compense le prix d'achat inférieur.
La data science peut aider à révéler précisément de tels points faibles. D'après une étude IDC, les utilisateurs de tableaux Excel perdent huit heures par semaine à répéter les mêmes tâches liées aux données. Supprimer des tâches fastidieuses et mettre en place des outils qui permettent aux équipes achat de maximiser leur temps devient indispensable.
L'ère des Data Scientists
Perdre son emploi à cause du numérique est une crainte qui existe chez de nombreux employés. Selon une étude du cabinet Roland Berger, 42% des emplois français seraient automatisables dans 20 ans.
Cependant, ce danger est infondé pour la majorité des employés. Tout d'abord, le risque de devoir supprimer des emplois est beaucoup plus grand si les entreprises ne procèdent pas à une transformation numérique. Par ailleurs, ce sont précisément les équipes qui travaillent dans les achats qui ont des compétences analytiques nécessaires pour résoudre les problèmes auxquels elles sont confrontées. Elles ont toujours une vue d'ensemble et sont donc idéalement placées pour évaluer l'impact commercial de certains facteurs. Le terme "data science" ne devrait en aucun cas les dissuader, bien au contraire. Leur esprit analytique associé à la valeur ajoutée potentielle du big data peuvent révolutionner les départements achats.
Ce qui compte, ce sont les bonnes bases
La crise sanitaire a prouvé qu'il n'y a pas moyen d'échapper à la transformation numérique, et les départements achats ne font pas exception. Cependant, au lieu de chercher des data scientists, il est bien plus judicieux d'initier le changement au sein de l'entreprise. Chaque employé doit comprendre ce qui se cache derrière les données et la valeur qu'elles peuvent leur apporter au quotidien. Une fois que cette compréhension de base est en place, c'est aux entreprises de leur donner les outils dont ils ont besoin pour mettre leurs compétences en pratique. En plus de fournir les bons outils, il s'agit avant tout de leur apprendre à formuler et modéliser leurs questions. Cela leur donne la possibilité d'identifier les difficultés ou d'autres leviers d'optimisation basés des données disponibles. Ainsi, il leur est possible de résoudre leurs problèmes par eux-mêmes - le tout sans un data scientist dédié à leurs côtés.
