Le grossiste multinational en soins de santé avait du mal à maintenir son modèle d'optimisation de la chaîne d'approvisionnement. Initialement intégré à Alteryx, le modèle calculait des mesures clés essentielles pour optimiser les niveaux de stock afin de répondre à la demande tout en minimisant les coûts. Cependant, au fil du temps, les connaissances requises pour maintenir le modèle se sont érodées et de nouvelles exigences opérationnelles sont apparues qui devaient être intégrées au processus. Pour répondre à ces besoins changeants, l'équipe s'est tournée vers Excel, un outil avec lequel elle était plus à l'aise, pour appliquer manuellement des ajustements aux règles opérationnelles.

‍

Ces rajustements ont créé une grande complexité, nécessitant de multiples couches de logique et générant des fichiers supplémentaires dans différentes unités opérationnelles. Le processus est devenu de plus en plus fragmenté, les changements reposant fortement sur une seule personne qui possédait l'expertise nécessaire pour les mettre en œuvre. Cela a créé un point de défaillance unique, où la perte des connaissances de cette personne pourrait perturber l'ensemble de l'effort d'optimisation de la chaîne d'approvisionnement.

‍

Au-delà du risque de perte de connaissances, le recours croissant à Excel a rendu la logique opérationnelle de plus en plus difficile à suivre et à maintenir. Les calculs et les règles appliqués dans le cadre de ces processus manuels avaient déjà permis à l'entreprise d'économiser des millions de dollars en optimisant les niveaux de stock, mais à mesure que le processus devenait plus lourd, il était clair qu'une solution plus évolutive et structurée était nécessaire pour maintenir ces économies et assurer une efficacité à long terme.

‍

De plus, le système principal de l'entreprise pour établir des niveaux de stock optimaux était ouvert aux changements de la part de plusieurs utilisateurs dans l'ensemble de l'organisation. Cela a parfois donné lieu à des écarts entre les valeurs optimales calculées et les ajustements effectués manuellement dans le système. Pour remédier à ce problème, l'entreprise avait mis au point un outil de validation dans Excel pour comparer les valeurs du système avec les extrants du modèle. Cependant, comme le reste du processus basé sur Excel, cet outil devenait également de plus en plus difficile à entretenir, ce qui soulignait davantage la nécessité d'une solution plus robuste et automatisée.

Manque de maintenabilité

Le principal défi pour le client était la complexité croissante et le manque de maintenabilité de la logique opérationnelle intégrée à Excel. Au fil du temps, le processus est devenu difficile à suivre, ce qui a nécessité des efforts importants pour comprendre les transformations mises en œuvre. Sans un changement fondamental vers une approche plus structurée, le modèle risquait de devenir ingérable.

Connaissances spécialisées requises

L'utilisation des règles métier dans Excel nécessitait une expertise approfondie en raison du réseau complexe de multiples onglets, de formules complexes et de connexions liées. La connaissance de la mise en œuvre et de la mise à jour de ces règles était en grande partie concentrée sur une seule personne, créant une dépendance critique. Si cette personne quittait l'organisation, l'entreprise serait confrontée à des risques importants, puisque personne d'autre n'avait une compréhension complète du fonctionnement du modèle.

Garantir la précision du système

Au-delà des défis liés à la maintenance, le client a également eu du mal à assurer la précision du système. Étant donné que de nombreux employés avaient accès à la modification des valeurs des stocks dans le système source, des écarts pourraient survenir entre les niveaux de stock optimaux calculés et les valeurs réelles dans le système. Bien que l'entreprise ait développé un outil de validation dans Excel pour comparer ces valeurs, il devenait également difficile à maintenir. Une approche plus automatisée et évolutive était nécessaire pour s'assurer que les niveaux de stock corrects étaient maintenus de manière uniforme dans l'ensemble de l'organisation.

Pour relever les défis, l'équipe de Compass Analytics a commencé par examiner en profondeur les flux de travail Alteryx existants et la logique opérationnelle basée sur Excel afin d'acquérir une compréhension approfondie du processus. Après avoir terminé la phase exploratoire, l'équipe a conçu une solution structurée composée de trois flux de travail principaux : un pour le nettoyage des données et des calculs, un autre pour l'application de règles opérationnelles et un troisième pour valider les résultats du système source par rapport aux résultats du modèle.

‍

Le processus de nettoyage et de calcul des données a intégré de multiples sources de données, y compris des entrées provenant de diverses bases de données, des fichiers Excel gérés par d'autres équipes et des sources de données internes. Une fois consolidé, le flux de travail a effectué des calculs de quantité de stock et généré des indicateurs commerciaux basés sur les caractéristiques des produits, assurant ainsi l'uniformité de la façon dont les niveaux de stock étaient déterminés.

‍

Le flux de travail des règles opérationnelles a appliqué des transformations clés et une logique aux données nettoyées. À l'aide de fichiers modèles Excel, le système a appliqué dynamiquement des règles d'arrondissement, une logique de catégorisation et d'autres transformations clés. De plus, plusieurs rapports sommaires ont été générés, y compris des classifications ABC, fournissant aux cadres supérieurs des informations de haut niveau sur le rendement des stocks.

‍

Le processus de validation a permis de s'assurer que les niveaux de stock demeurent exacts malgré les modifications manuelles potentielles apportées au système source. En comparant les niveaux de stock optimaux générés par le modèle avec les valeurs réelles enregistrées dans le système, le flux de travail a rapidement identifié les écarts, ce qui permet à l'entreprise de signaler et de corriger toute donnée mal alignée.

‍

Afin d'améliorer davantage la visibilité et le suivi historique, les résultats finalisés des règles opérationnelles ont été archivés, créant ainsi un enregistrement des valeurs générées précédemment. Cela a permis à l'entreprise de suivre les changements au fil du temps, d'assurer une meilleure vérifiabilité et une prise de décision à long terme fondée sur les tendances historiques.

La nouvelle solution développée par Compass Analytics offre au grossiste multinational de soins de santé une approche évolutive et maintenable pour effectuer les calculs de la chaîne d'approvisionnement, appliquer les règles commerciales et générer des rapports perspicaces. En automatisant des processus complexes et en éliminant le recours aux ajustements manuels d'Excel, l'entreprise peut continuer à optimiser efficacement les niveaux de stock, ce qui se traduit par des économies annuelles de millions de dollars tout en assurant la maintenabilité à long terme.

Une solution maintenable et évolutive

En convertissant la logique métier d'un réseau complexe de formules Excel en un flux de travail Alteryx structuré, la solution élimine les dépendances manuelles tout en conservant la flexibilité pour répondre aux besoins changeants de l'entreprise. Les utilisateurs professionnels peuvent maintenant comparer rapidement différents scénarios et obtenir des informations plus approfondies sur les niveaux de stock optimaux sans avoir besoin d'une expertise technique approfondie.

Processus simplifié exigeant moins de connaissances spécialisées

Auparavant, une seule personne possédait l'expertise nécessaire pour naviguer dans le processus basé sur Excel. Désormais, une documentation claire et des modèles normalisés permettent à tout membre de l'équipe d'ajuster les paramètres et d'appliquer de nouvelles règles opérationnelles. L'approche simplifiée réduit la complexité, ce qui entraîne une prise de décision plus rapide et un délai plus court pour obtenir des informations.

Garantir la précision du système grâce à la validation intégrée

Pour se protéger contre les écarts manuels, la solution comprend un flux de travail de validation qui compare automatiquement les niveaux de stock générés par le modèle avec les valeurs du système source. Toute incohérence est signalée et la sortie est formatée pour faciliter les mises à jour dans le système, garantissant ainsi que seuls les niveaux de stock les plus précis sont utilisés. Cela renforce la rentabilité et évite les erreurs coûteuses dans la planification des stocks.

‍

En passant à un système automatisé, structuré et convivial, l'entreprise a éliminé les inefficacités, réduit les risques opérationnels et assuré des économies à long terme grâce à une gestion optimisée des stocks.