Il existe une règle non écrite dans tous les projets de transformation supply chain : les équipes qui réussissent passent 60% de leur temps sur les données avant de toucher aux algorithmes ou aux outils. Les équipes qui échouent font l'inverse.
La qualité des données supply chain n'est pas un sujet technique réservé aux équipes IT. C'est une question métier, avec des conséquences directes sur les prévisions, les stocks, les ruptures, et in fine sur la satisfaction client.
Dans cet article, vous apprendrez :
- Quelles sont les dimensions de la qualité des données supply chain
- Les erreurs les plus fréquentes et leurs impacts opérationnels
- Comment évaluer la qualité de vos données avec un audit simple
- Les actions concrètes pour améliorer la qualité durablement
Pourquoi la qualité des données est le prérequis de tout
L'effet GIGO : Garbage In, Garbage Out
C'est le principe fondamental de l'informatique appliqué à la supply chain. Un ERP, un outil de prévision, ou un modèle d'IA ne peut pas corriger des données erronées en entrée. Il les amplifie.
Une nomenclature incorrecte génère de mauvaises suggestions de commande. Un délai fournisseur mal renseigné crée des ruptures ou du surstock. Un stock théorique décalé de la réalité rend les alertes de réapprovisionnement inutiles.
Ce que les mauvaises données coûtent concrètement
Une PME de 150 personnes dans la plasturgie a réalisé un audit de ses données de délais fournisseurs. Elle a découvert que 43% de ses délais dans l'ERP étaient sous-estimés de plus de 2 semaines par rapport à la réalité. Ces erreurs expliquaient une large part de ses ruptures récurrentes sur des références pourtant bien stockées en théorie.
La correction des délais dans le système, sans aucun autre changement, a réduit le taux de rupture de 15 points en 3 mois.
Les 5 dimensions de la qualité des données supply chain
1. L'exactitude (Accuracy)
Les données correspondent-elles à la réalité ? Les stocks théoriques sont-ils cohérents avec le stock physique ? Les délais fournisseurs sont-ils les délais réels (pas contractuels) ?
Indicateur : Taux d'exactitude = (nombre de références sans écart) / (nombre total de références).
Cible : < 2% d'écart sur les références A, < 5% sur les références B et C.
2. La complétude (Completeness)
Toutes les données nécessaires sont-elles renseignées ? Délais fournisseurs manquants, prix d'achat absents, unités de mesure non saisies : les champs vides forcent les planificateurs à travailler sur des bases incomplètes.
Indicateur : Taux de complétude = (champs remplis) / (champs requis) × 100.
Cible : > 95% de complétude sur les champs critiques (délai, prix, unité, fournisseur principal).
3. La cohérence (Consistency)
La même information a-t-elle la même valeur dans tous les systèmes ? Si l'ERP dit que la référence X a un délai de 4 semaines et le fichier Excel de l'acheteur dit 6 semaines, laquelle est correcte ?
Les incohérences sont fréquentes dans les environnements où plusieurs systèmes coexistent (ERP + WMS + Excel + outil de prévision séparé).
4. L'actualité (Timeliness)
Les données sont-elles mises à jour à la bonne fréquence ? Un délai fournisseur mis à jour une fois par an dans un contexte de chaîne d'approvisionnement volatile est une donnée obsolète, même si elle était exacte le jour de sa saisie.
Règle pratique : Délais fournisseurs des références A : revue trimestrielle. Références B et C : semestrielle.
5. La granularité (Granularity)
Les données sont-elles au bon niveau de détail ? Des ventes enregistrées au niveau du produit fini alors que la prévision nécessite le détail par région ou par canal ne permettront pas une segmentation pertinente.
L'audit qualité données supply chain en 5 étapes
Étape 1 : Audit des stocks
Comparer le stock théorique du système avec un comptage physique (inventaire tournant) sur un échantillon de 20 à 30 références A.
Si l'écart moyen dépasse 3%, l'inventaire de réconciliation s'impose sur toute la base de données actives.
Étape 2 : Audit des délais fournisseurs
Pour les 20 fournisseurs représentant 80% du volume d'achat, comparer le délai renseigné dans le système avec le délai réel moyen des 12 derniers mois (à partir des dates de commande et de réception dans l'ERP).
Étape 3 : Audit des nomenclatures
Pour 20 à 30 articles finis représentatifs, comparer la nomenclature dans le système avec la composition réelle (bon de fabrication, données atelier). Identifier les quantités incorrectes, les composants manquants, les unités incohérentes.
Étape 4 : Audit de l'historique de ventes
Sur les 24 derniers mois, identifier les anomalies : semaines à zéro ventes pour des références actives (rupture ? fermeture ? erreur de saisie ?), pics aberrants (commande exceptionnelle non filtrée ?), doublon de commandes.
Durée typique d'un audit qualité données supply chain en PME :
- Petite PME (< 500 références actives) : 2 à 3 jours
- PME moyenne (500 à 3 000 références) : 5 à 10 jours
- PME importante (> 3 000 références) : 2 à 4 semaines (audit par échantillon représentatif)
Étape 5 : Priorisation des corrections
Une fois les erreurs identifiées, les classer par impact potentiel :
- Priorité 1 : erreurs sur les références A avec impact direct sur les ruptures ou le surstock
- Priorité 2 : erreurs structurelles (nomenclatures, unités) qui se propagent sur tout le système
- Priorité 3 : erreurs sur les références B et C
Actions pour améliorer la qualité durablement
L'inventaire permanent (cycle counting)
Plutôt qu'un inventaire annuel exhaustif, l'inventaire permanent consiste à compter en continu une portion des références chaque semaine ou chaque jour. Les références A sont comptées plus fréquemment (mensuellement), les C moins (trimestriellement ou semestriellement).
Les alertes sur les anomalies de données
Configurer des alertes automatiques dans le système : référence sans mouvement depuis X jours alors qu'elle a du stock, commande dont le délai réel dépasse le délai système de plus de Y%, stock négatif (signe d'une erreur de saisie).
La gouvernance des données supply chain
Définir qui est responsable de la mise à jour de chaque type de donnée : délais fournisseurs (acheteurs), nomenclatures (BE ou production), prix d'achat (acheteurs), données de vente (ADV ou ERP). Sans responsable désigné, les données se dégradent naturellement.
Score de qualité : comment évaluer sa situation en 1 heure
La grille d'auto-évaluation rapide
Répondre à chaque question par oui (1 point) ou non (0 point) :
| Dimension | Question d'audit | Score |
|---|---|---|
| Exactitude | Le stock théorique de vos 10 premières références A correspond au physique à moins de 3% près ? | /1 |
| Délais | Les délais fournisseurs dans votre ERP ont été vérifiés contre le réel dans les 6 derniers mois ? | /1 |
| Complétude | 95% des références actives ont un délai, un prix et un fournisseur principal renseignés ? | /1 |
| Historique | Vos 24 mois d'historique de ventes sont nettoyés des pics exceptionnels et des périodes de rupture ? | /1 |
| Cohérence | Il n'existe pas de version "Excel parallèle" des données que le système ne connaît pas ? | /1 |
| Gouvernance | Chaque type de données a un responsable désigné pour sa mise à jour ? | /1 |
Interprétation :
- 5 à 6 : Bonne qualité. Vous pouvez déployer des outils avancés.
- 3 à 4 : Qualité moyenne. Un audit ciblé s'impose avant tout projet IA ou d'optimisation.
- 0 à 2 : Qualité insuffisante. L'amélioration des données est le chantier numéro 1 avant toute autre initiative.
La dette de qualité des données : comment elle s'accumule
La qualité des données supply chain se dégrade naturellement dans le temps. Ce n'est pas une question de mauvaise volonté : c'est une conséquence mécanique de la croissance et de l'évolution du business.
Les principaux facteurs de dégradation :
- Nouvelles références ajoutées sans renseignement complet des paramètres
- Changements de fournisseurs sans mise à jour des délais dans le système
- Promotions et événements exceptionnels non filtrés de l'historique de ventes
- Turnover dans les équipes qui connaissaient le "vrai" délai d'un fournisseur
- Évolution des gammes de production sans mise à jour des nomenclatures
Une PME qui ne fait pas d'audit qualité pendant 2 ans accumule en général suffisamment d'erreurs pour que ses prévisions soient significativement dégradées.
La règle du 1% par mois. Une donnée supply chain non maintenue se dégrade en moyenne de 1% par mois. Sur 12 mois sans audit, c'est 12% d'erreurs potentielles. Sur 2 ans, 24%. Pour les références A qui pilotent l'essentiel des approvisionnements, une erreur de 20% sur les délais ou les quantités se traduit mécaniquement par des ruptures ou du surstock non anticipés.
Ce qu'il faut retenir
- La qualité des données supply chain est le prérequis de toute amélioration : outils, IA, optimisation des paramètres. Sans données fiables, rien ne fonctionne.
- Les 5 dimensions à évaluer : exactitude, complétude, cohérence, actualité, granularité.
- L'auto-diagnostic en 6 questions prend 1 heure et révèle le niveau de maturité réel.
- L'audit qualité complet est rapide (2 jours à 2 semaines selon la taille de la PME) et révèle systématiquement des problèmes dont l'impact opérationnel est sous-estimé.
- L'inventaire permanent est la méthode la plus efficace pour maintenir l'exactitude des stocks dans la durée.
- Désigner des responsables par type de données est la condition pour que la qualité soit maintenue dans le temps, pas seulement améliorée ponctuellement.
Prêt à faire évoluer votre supply chain ?
