Pourquoi les données ne sont presque jamais le vrai problème

Prenons un cas fréquent en usine : un délai fournisseur de 21 jours, entré dans le système il y a trois ans. Depuis un an, ce même fournisseur livre plutôt en 35 jours — mais personne n'a touché au paramètre. Résultat : l'APS planifie chaque fois avec une réalité qui n'existe plus, produit des dates intenables, et l'équipe finit par ajouter ses propres marges par-dessus, à la main, parce qu'elle a cessé de faire confiance au système.

C'est le genre de situation qui mène presque toujours à la même conclusion :

« Notre planification ne fonctionne pas parce que nos données ne sont pas bonnes. »

C'est parfois vrai. Mais ce n'est généralement pas toute l'histoire.

Un APS ne peut pas faire de miracle : si les données sont mauvaises, il générera un mauvais plan. Les délais, capacités, calendriers, stocks, nomenclatures ou paramètres de planification doivent représenter suffisamment bien la réalité pour que le résultat soit pertinent.

Mais le véritable problème est souvent ailleurs : comment ces données sont-elles maintenues?

Une donnée correcte aujourd'hui peut être fausse demain

Prenons un délai de fabrication de 5 jours. Il peut être parfaitement exact au moment où il est établi. Mais que se passe-t-il si la demande augmente; une machine devient un goulot; les temps de changement augmentent; un fournisseur devient moins fiable; les équipes changent; une nouvelle contrainte de qualité apparaît?

Si les paramètres ne sont révisés qu'une fois par année, le système finit nécessairement par planifier avec une réalité qui n'existe plus. Une mise à jour annuelle n'est pas nécessairement un signe de rigueur. Elle peut être le symptôme d'un processus qui n'est pas suffisamment connecté aux opérations.

Les données critiques devraient évoluer presque en temps réel lorsque la réalité change. C'est exactement ce qu'un APS comme DELMIA Ortems permet, une fois bien connecté à l'ERP et aux opérations : détecter l'écart et déclencher la correction, plutôt que d'attendre la révision annuelle.

Pourquoi les données deviennent obsolètes

Si un délai fournisseur est systématiquement dépassé, pourquoi conserve-t-on l'ancien délai? Si la capacité réelle d'une machine diffère régulièrement de sa capacité théorique, pourquoi le système continue-t-il d'utiliser la mauvaise valeur? Si les stocks réels diffèrent constamment des stocks système, pourquoi le processus ne permet-il pas de corriger la situation rapidement?

Ce sont des questions de processus, de responsabilité et de discipline opérationnelle — pas seulement de système.

Qui possède la donnée? Qui détecte qu'elle n'est plus représentative? Qui la met à jour? Et surtout, à quel moment?

Attention aux « tampons »

Face à des données imparfaites, certaines organisations ajoutent des marges de sécurité partout : un délai de 10 jours devient 15, une capacité de 100 heures tombe à 80, le stock de sécurité augmente encore, le délai de transport est gonflé « pour être sûr ».

Cela peut protéger le plan contre certaines incertitudes. Mais il y a une limite. À force de protéger le système contre l'incertitude, on finit par planifier une réalité qui n'existe pas. Le plan devient plus robuste en apparence, mais moins optimal — on accumule des stocks, on allonge les délais, on crée de la capacité inutilisée, et on perd des opportunités d'optimisation.

Un APS doit travailler avec la meilleure représentation possible de la réalité, pas avec une réalité artificiellement gonflée pour compenser des données déficientes.

Rapprocher le système de la réalité

La qualité des données n'est pas un projet informatique ponctuel. Ce devrait être une caractéristique du processus de planification. Lorsque la réalité change, les données doivent pouvoir changer rapidement. Lorsque la performance réelle s'éloigne des paramètres, le système doit permettre de le détecter. Lorsque les paramètres changent, les planificateurs doivent comprendre pourquoi.

C'est cette boucle qui permet à un APS de devenir réellement performant : la réalité alimente les données, les données nourrissent le plan, le plan guide l'exécution, l'exécution se mesure, et la mesure ajuste les données — le cycle recommence. Plus cette boucle est rapide, plus le plan reste représentatif de ce qui se passe réellement dans l'entreprise.

Avant de blâmer l'ERP ou l'APS

La prochaine fois que quelqu'un dit « nos données ne sont pas assez bonnes pour utiliser un APS », il faut prendre le problème au sérieux. Mais il faut aussi poser une deuxième question : pourquoi ne sommes-nous pas capables de maintenir nos données représentatives de la réalité?

Un bon APS avec de mauvaises données donnera un mauvais plan. Mais un excellent processus de gestion des données combiné à un système mal utilisé donnera aussi de mauvais résultats. Le bon objectif n'est pas d'avoir des données parfaites, mais des données qui reflètent assez vite la réalité pour permettre de bonnes décisions.

Et ça, ce n'est pas seulement un problème informatique. C'est un problème d'entreprise.

Vous reconnaissez cette situation? La bonne nouvelle, c'est qu'un diagnostic honnête du cycle de vie de vos données prend généralement quelques semaines, pas des mois. Chez Stragmatic, c'est souvent la première chose qu'on regarde avant même de parler d'implantation — parce qu'un APS mal nourri en données ne réglera jamais un problème de processus.