Rechercher
  • DataGenius

Optimisation des achats : acheter mieux et au meilleur prix



Acheter mieux, c’est acheter au meilleur prix, au meilleur moment et au meilleur endroit. A l’ère du Big Data, une multitude de données sont disponibles aussi bien au sein des entreprises et de leurs fournisseurs qu’en Open Data ou sur le Web. L’évaluation de l’influence conjuguée de nombreux facteurs internes et externes permet aux acheteurs d’avoir un maximum de clés en main pour acheter le plus sereinement possible.

Analyses avancées des prix du marché

Dans le domaine des achats, le prix est bien souvent le nerf de la guerre. Les technologies de Web Scraping, permettant la récupération massive de données sur le web, sont à ce titre de vraies aubaines pour les acheteurs. Il est alors possible d’alimenter des algorithmes de Machine Learning pour analyser les tendances et cours du marché de matières premières afin de mieux en anticiper les fluctuations de prix. Cela peut s’avérer particulièrement utile pour des fabricants dont l’activité dépend directement de leur approvisionnement en matières premières. Plus généralement, les analyses de marché ont également leur utilité pour détecter des anomalies de prix. Après avoir fixé un seuil de tolérance, l’acheteur peut alors être averti en cas d’écart anormal du prix proposé par rapport au prix moyen trouvé sur internet ou par rapport au prix de ces précédents achats pour un produit donné. Ainsi, en analysant conjointement les données externes et les historiques des achats antérieurs, un acheteur est en mesure de se positionner sur un marché avec de forts arguments de négociation.

Optimisation des choix fournisseurs

Le choix du fournisseur ne dépend pas uniquement du prix. De nombreux critères tels que la qualité des produits, les délais de livraison, les contraintes RSE, la solvabilité ainsi que la réactivité sont tout aussi importants. Certaines mesures telles que la loi Sapin 2* ont d’ailleurs durci la législation sur le sujet en imposant aux entreprises une responsabilité et un devoir de vigilance envers leurs partenaires. Dans ce contexte, l’identification et l’évaluation de fournisseurs correspondant aux attentes peut devenir très chronophage. L’intelligence artificielle permet d’automatiser cette étape en scorant les fournisseurs selon des critères précis afin de proposer un panel personnalisé. Ces analyses sont alors basées conjointement sur des données internes (historiques d’achats de l’entreprise) et des données externes (assureurs crédits, informations en ligne, etc). Il est par exemple possible de détecter les fournisseurs ne respectant pas leurs engagements éthiques, sociaux ou écologiques. En plus du gain de temps, les équipes achats sont alors en possession d’outils pouvant détecter les signaux faibles d’un fournisseur et leur permettre de limiter les risques associés.

*Loi relative à la transparence, à la lutte contre la corruption et à la modernisation de la vie économique

Achats groupés & Paniers d’achats prédictifs

Afin d’augmenter le pouvoir de négociation des entreprises vis à vis de leurs fournisseurs, il est souvent pertinent de grouper les achats de plusieurs filiales/agences. Ces achats groupés imposent toutefois une mutualisation préalable des données et connaissances. Pour ce faire, les techniques de Data Engineering, et notamment les entrepôts de données, sont efficaces pour corréler plusieurs bases de données. Il est alors possible de s’assurer de l’uniformité des prix et besoins, d’augmenter la force de négociation, et de partager les connaissances acquises dans les différents secteurs. L’analyse statistique avancée de tous les historiques d’achats répartis dans les différentes structures peut permettre de déceler les fournisseurs les plus avantageux et les plus fiables. En privilégiant ces fournisseurs, l’entreprise bénéficie de la meilleur qualité au meilleur prix tout en réduisant son nombre de fournisseurs et donc ses coûts de gestion. Par ailleurs, pour faciliter la passation de commande, il est possible d’implémenter des paniers d’achats prédictifs se basant sur les historiques mutualisés afin de proposer des associations de produits pertinentes. Pour aller plus loin, il est également possible d’ajouter à cela un système de recommandations alimenté par une veille technologique automatisée, à la recherche de nouveaux produits similaires ou de mises à jour produit.

L’implémentation des nouvelles technologies dans les processus imposent de repenser les manières de travailler et d'interagir avec son marché. Néanmoins, les retombées économiques et stratégiques de l’intelligence artificielle n’ont jamais été aussi concrètes et apportent d’ores et déjà une valeur ajoutée aux entreprises ayant franchi le pas.

--

Jan Negri

Business Developer @DataGenius

&

Marina Cappai

Data Consultante @DataGenius

#Achats #MachineLearning #IntelligenceArtificielle #DataScience #BigData #DataEngineering

101 vues

A propos - Mentions légales

40 rue de Bruxelles - 69100 Villeurbanne (Lyon) -

  • Black Facebook Icon
  • Black Twitter Icon
  • Black LinkedIn Icon
  • Black Google+ Icon

DataGenius vous accompagne dans vos projets de Data Science et Intelligence Artificielle en utilisant les technologies de Machine Learning et Big Data

DataGenius édite la solution AI-Compare