webleads-tracker

Le data scientist est-il indispensable à l’acheteur ?

Le data scientist est-il indispensable à l’acheteur ?

Au lieu de se mettre en quête de data scientists et de se confronter à la rareté de ces derniers sur le marché, il est sans doute préférable d’initier le changement au sein de l’organisation. Chaque employé doit acquérir la compréhension de ce que contient comme valeurs informatives les bases de données et ce qu’elles peuvent leur apporter au quotidien.

La science des données révolutionne les politiques d’achat, mais cela ne nécessite pas forcément de devoir solliciter des experts : les acheteurs peuvent devenir eux-mêmes des Data Scientists.

Il faut aussi et surtout des collaboratrices et collaborateurs formés, ayant acquis des compétences d’analyse des données

Pour les services achats, l’analyse des données procure de très nombreuses opportunités et possibilités. En effet, analyser les données ne permet pas seulement l’amélioration des relations avec les fournisseurs, mais aussi l’identification très rapide des risques, et ainsi de pouvoir prendre des mesures immédiates, synonymes de gain de temps et d’argent. Toutefois, pour que cela soit efficace, d’importantes bases de données ne suffisent pas. Il faut aussi et surtout des collaboratrices et collaborateurs formés, ayant acquis des compétences d’analyse des données leur permettant d’en extraire des informations utiles, à partir desquelles leurs prises de décisions seront plus pertinentes. 

Par ailleurs, ce sont précisément les membres du département achat qui ont des compétences analytiques ad hoc pour résoudre les problèmes auxquels elles sont confrontées.

Quel rôle peut jouer la science des données dans le domaine des achats ? 

Le principe de base est l’évaluation des volumes de données collectées en interne ou en externe pour obtenir des informations qui ne seraient pas visibles à l’œil humain. Concrètement, les acheteurs travaillent au quotidien avec une quantité de fournisseurs, et ce depuis des années, voire des décennies, même en temps de crise. Cependant, ce qui peut s’amoindrir au fil du temps, c’est le sens du détail et la perte du potentiel d’optimisation. Par exemple, un fournisseur peut pratiquer des tarifs très compétitifs, mais la qualité du produit peut s’avérer être inférieure lorsqu’il est livré chez le client final, ce qui peut entraîner des plaintes. Cela pourrait donc augmenter la charge de travail du service client, mais aussi générer un coût supplémentaire, ce qui compenserait le prix d’achat inférieur. 

La science des données peut aider à l’identification de tels points de faiblesse.

L’ère des datascientists

La perte de son emploi causée par l’avènement du numérique est une crainte qu’on enregistre chez de nombreux employés. Selon une enquête du cabinet Roland Berger, 44% des emplois français seraient automatisables à l’horizon 2040.

Pour autant, cette crainte est infondée pour la majorité des employés. En premier lieu, le risque de suppression des emplois est beaucoup plus important si les organisations n’effectuent pas leur transformation numérique. Par ailleurs, ce sont précisément les membres du département achat qui ont des compétences analytiques ad hoc pour résoudre les problèmes auxquels elles sont confrontées. Le terme “data science” ne devrait en aucun cas les effrayer, bien au contraire.

La pandémie et la crise économique associée ont prouvé qu’il n’y a pas moyen d’échapper à la transformation numérique, et les départements achats ne font pas exception. Toutefois, au lieu de se mettre en quête de data scientists et de se confronter à la rareté de ces derniers sur le marché, il est sans doute préférable d’initier le changement au sein de l’organisation. Chaque employé doit acquérir la compréhension de ce que contiennent comme valeurs informatives les données et ce qu’elles peuvent leur apporter au quotidien.

C’est ensuite aux organisations de mettre à leur disposition les solutions dont ils ont besoin pour mettre leurs compétences en pratique. En plus de leur fournir ces solutions ad hoc, il s’agit avant tout de leur enseigner comment formuler et modéliser leurs questions. Cela leur offrira des possibilités d’identification des difficultés ou d’autres leviers d’optimisation, à partir des données disponibles. Ainsi, il leur sera possible de trouver eux-mêmes les clés de résolution de leurs problèmes, sans avoir à faire appel à un data scientist dédié.