En poursuivant votre navigation sur ce site, vous acceptez l'utilisation de cookies pour vous proposer des contenus et services adaptés à vos centres d'intérêts. En savoir plus et gérer ces paramètres. OK X
 
 

 

 

Actualité des entreprises

Les leaders mondiaux utilisent Neo4j pour gérer leurs chaînes d’approvisionnement

Publication: Mai 2020

Partagez sur
 
L’Armée américaine, Caterpillar, Lockheed Martin Space et d’autres tirent parti des bases de données de graphes pour analyser leurs chaînes d’approvisionnement...
 

Neo4jⓇ, le leader de la technologie des graphes, annonce une hausse de la demande de la part de grandes entreprises qui cherchent à utiliser les bases de données de graphes pour gérer plus efficacement les chaines d’approvisionnement et assurer la continuité de leur activité.

Les clients de Neo4j ont été parmi les premiers à réaliser que la technologie des graphes est essentielle pour optimiser les flux de marchandises, découvrir les vulnérabilités et renforcer la résilience globale de la chaîne d’approvisionnement. Gérer efficacement les chaînes d’approvisionnement actuelles nécessite d’analyser les interdépendances ainsi que de découvrir le type de risques cachés qui peuvent causer des perturbations. Voici quelques exemples d’entreprises qui utilisent Neo4j pour optimiser leurs chaînes d’approvisionnement :

- L’armée américaine : pour le suivi de la maintenance et du soutien des équipements

- Caterpillar : pour analyser et automatiser la maintenance des produits et la gestion de la chaîne d’approvisionnement

- Lockheed Martin Space : pour intégrer les processus et les données tout au long du cycle de vie des produits

- Volvo : pour aligner la conception des produits sur les besoins des clients

- Daimler : pour comprendre les compétences de son personnel afin de réunir des équipes inter hiérarchiques

- Airbus : pour réinventer leur processus de maintenance

Le contexte actuel illustre combien les chaînes d’approvisionnement, même les plus solides, sont en réalité vulnérables. Alors que certaines économies tentent une relance tandis que d’autres restent à l’arrêt, les entreprises doivent anticiper et prévoir les incertitudes à courts et longs termes, parmi lesquelles :

- Des changements dans les modèles d’achat des consommateurs ;

- Des modifications dans les protocoles de production et la règlementation ;

- Des coûts imprévisibles de matières premières, de l’entreposage et du fret ;

- La fraude et la contrefaçon d’articles recherchés ;

- Une instabilité des réseaux de fournisseurs.

Les chaînes d’approvisionnement modernes sont des réseaux complexes qui englobent des sites de production, des fournisseurs, des entrepôts, des transports, de la main d’œuvre, des composants et des processus. Ces systèmes interdépendants sont de plus en plus difficiles à visualiser et à analyser en utilisant les approches traditionnelles des bases de données relationnelles : ceci en raison de la complexité des modèles de données et des requêtes, comme de la performance des transactions en temps réel et de l’analyse de graphes nécessaires.

L’analyse, la visualisation et l’exploration complètes de chaînes d’approvisionnement entières exigent une transparence absolue des relations entre ces entités. Récemment, Gartner a publié le rapport COVID-19 Demands Urgent Use of Graph Data Management and Analytics (« Le COVID-19 nécessite de recourir d’urgence à l’analyse et à la gestion des données de graphes ») en avril 2020, lequel explique l’importance des relations entre les données.

« L’analyse des graphes montre que les relations entre les données ne sont pas seulement aussi importantes que les données pertinentes mais font en fait partie de ces données. Aussi, cette technologie ne devrait jamais être considérée comme optionnelle dans une analyse. Tout particulièrement, l’analyse des graphes excelle dans la détection des données parce qu’elle permet aux utilisateurs d’identifier ce qu’ils « ignorent ne pas savoir » - c’est-à-dire repérer des modèles au sein des données sans savoir en premier lieu quelle est la bonne question à poser. L’analyse des graphes donne cette possibilité en dégageant les relations qui ne sont pas manifestes, par reconnaissance des relations non évidentes (NORA). »

Frédéric Daniel, directeur technique de Transparency-One, explique que les perturbations actuelles de la chaîne d’approvisionnement affectent globalement la fiabilité du sourcing. Ces facteurs exposent davantage les entreprises au risque de livrer des produits qui ne répondent pas aux normes des autorités et des entreprises, notamment la réglementation fédérale et les principes de commerce équitable.

« Les bases de données de graphes sont agiles et évolutives, et la technologie de Neo4j donne la possibilité de stocker, visualiser, rechercher et analyser des millions de nœuds, quelle que soit l’ampleur ou la complexité de la chaîne d’approvisionnement, » déclare Frédéric Daniel. « C’est ce qui permet aux clients de Transparency-One d’identifier rapidement comment un fournisseur, un site ou un composant impacté affecte tout leur portefeuille, et de prendre des mesures correctives. Neo4j apporte les puissantes capacités de calcul requises pour faciliter l’analyse de chaînes d’approvisionnement complexes grâce auxquelles les entreprises peuvent rapidement repérer les failles et réagir à la rupture. »

Alex Mills, Ph.D. et professeur associé du Baruch College de la Zicklin School of Business à l’université de la ville de New York, axe ses recherches sur la réponse des systèmes de santé face aux dysfonctionnements. Il fait part de sa réflexion sur « l’effet de fouet » résultant d’une demande inhabituelle.

« Les systèmes de santé s’efforcent de réagir face aux interruptions d’approvisionnement en équipements et en médicaments tout en tentant d’atténuer les risques pesant sur la chaîne d’approvisionnement, » explique Alex Mills. « De nombreuses organisations partent du principe qu’une diversité de fournisseurs va réduire le risque, mais c’est plus compliqué que cela. Par exemple, imaginons que vous avez quatre fabricants étrangers d’écouvillons pour la gorge, qui tous dépendent du même importateur, lui-même dépendant du fret aérien sévèrement réduit par la diminution drastique des vols de passagers. Dans ce cas, un goulot d’étranglement subsiste dans la chaîne d’approvisionnement et les écouvillons n’arriveront pas à destination en temps voulu ».

Amy Hodler, experte Neo4j de l’analyse des graphes et de la science des réseaux, revient sur l’importance de bien comprendre les dépendances évidentes et subtiles dans les chaînes d’approvisionnement actuelles.

« De nombreux points de vulnérabilité sont nuancés et difficiles à repérer » indique Amy Hodler. « Par exemple, il peut être difficile de remonter à la cause première d’un mauvais assemblage ou de l’emploi d’un adhésif de moindre qualité. Des négligences de ce genre peuvent augmenter la responsabilité de l’entreprise et le nombre de rappels. Seule une base de données de graphes native permet de conserver efficacement et très fidèlement ces relations complexes et seule l’analyse des graphes permet effectivement de répondre à ces questions autrement insolubles sur les structures de la chaîne d’approvisionnement. »

Neo4j et l’analyse de la chaîne d’approvisionnement

Représenter, visualiser et explorer une chaîne d’approvisionnement sous forme de graphes met en lumière les relations superposées et complexes entre un fabricant et ses clients, ce qui permet aux data scientists et aux analystes de créer facilement des requêtes complexes.

De plus, Neo4j pour la Science des données de graphes (Neo4j for Graph Data Science™) fournit une boîte à outils pour évaluer plus en détail les chaînes d’approvisionnement et y réduire le risque, dont des algorithmes tels que les suivants :

- Les algorithmes de recherche de chemins (pathfinding) évaluent la disponibilité et le coût des chemins dans la chaîne d’approvisionnement. Ils identifient les redondances et exécutent rapidement des scénarios d’hypothèses « What if » pour diversifier les chemins et assurer une planification d’urgence.

- Les algorithmes de centralité révèlent les goulots d’étranglement et l’infrastructure critique qui peuvent compromettre toute la chaîne d’approvisionnement. Par exemple, l’algorithme de centralité intermédiaire (Betweenness) détecte les relations essentielles au sein du graphe afin que les organisations puissent identifier les risques et optimiser les alternatives de façon proactive.

En combinant la puissance des requêtes de graphes avec ces algorithmes, la bibliothèque Neo4j pour la science des données de graphes apporte un avantage concurrentiel unique aux fabricants, aux détaillants et aux entreprises de logistique qui cherchent à s’adapter rapidement dans des environnements difficiles.

http://www.neo4j.com/

Suivez Industrie Mag sur le Web

 

Newsletter

Inscrivez-vous a la newsletter d'Industrie Mag pour recevoir, régulièrement, des nouvelles du site par courrier électronique.

Email: