Méthode d'analyse de causes racines supportée par la donnée pour les chaînes d'approvisionnement

L'utilisation de la donnée s'impose comme une pratique clé dans l'atteinte des objectifs stratégiques et opérationnels des chaînes d'approvisionnement. Toutefois, très peu de méthodes de valorisation de données issues des systèmes de gestion d'entreprises pour supporter la prise de décision au sein de ces dernières sont proposées dans la littérature. Nous avons cherché à combler ce manque en proposant une méthode d'analyse de causes racines supportée par la donnée et appliquée à un cas d'étude dans le secteur du transport urbain. Nos recherches, basées sur la littérature scientifique et sur les observations réalisées en entreprise, nous ont permis de mieux comprendre les enjeux de la valorisation de données pour supporter la prise de décision au sein des processus d'approvisionnement. Lors de ce projet de recherche, la Société de Transport de Montréal a exprimé le besoin de valoriser la donnée stockée dans son progiciel de gestion d'entreprise pour améliorer ses pratiques d'approvisionnement et la gestion de ses inventaires. La méthodologie DRM (Design Research Methodology) a été employée pour répondre à ces besoins. Cette méthodologie de recherche est mixte. Elle lie des études empiriques aux approches scientifiques pour nous permettre de proposer une méthode d'analyse de causes racines supportée par la donnée pour les chaînes d'approvisionnement. Dans cette proposition, une méthode combinant les avancées scientifiques sur le sujet aux requis indispensables au développement d'une méthode est présentée. Cette méthode d'analyse de causes racines fait intervenir un arbre de causes racines placé dans un outil de forage de la donnée permettant de pointer une procédure corrective à l'émergence d'une non-performance. La méthode proposée prend en considération les besoins et les contraintes du cas d'étude et les lie avec les travaux proposés dans la littérature. Avec la méthode développée, un gestionnaire de chaîne d'approvisionnement est en mesure de répliquer et d'implanter dans ses processus un outil de résolution de problèmes en réalisant rigoureusement les activités des différentes phases proposées dans cette étude. Les intrants, extrants, rôles et les techniques utilisées sont maintenus dans le système d'information de la méthode proposée. L'application de la méthode à un cas concret nous a permis de valider la faisabilité et l'efficacité de cette dernière. Depuis son implantation, la méthode a permis de diminuer la valeur des inventaires du partenaire de 8%, de réduire le taux d'autobus immobilisés par manque d'article de 6% et d'augmenter le taux de service du processus de distribution du partenaire de 16%. Les principales limitations mises en évidence sont la maîtrise de la donnée du partenaire industriel et la capacité à extraire cette donnée pour la valoriser. Cette étude nous a aussi permis d'analyser les pistes de recherches futures et les voies d'amélioration des travaux présentés dans ce mémoire. À la vue de la durée du projet de recherche qui se limite à huit mois d'étude, nous avons conclu qu'une analyse des performances de la méthode en phase de maturité apporterait beaucoup à la littérature dans le domaine de l'analyse de causes racines supportée par la donnée pour les chaînes d'approvisionnement. Si le cas d'étude nous a permis de définir les fondements de cette dernière, l'analyse des résultats nous a montré qu'une gouvernance de la donnée est requise pour faire performer efficacement la méthode proposée.

Abstract

Data analytics is becoming a key practice in achieving both strategic and operational goals in supply chains. However, very few data enhancement methods are proposed in the literature to support supply chains' decision-making processes. We have sought to fill this gap by proposing a data-driven root cause analysis method applied to an organization managing rolling assets. Our research, based on the scientific literature and interviews in companies, has allowed us to better assess the issues involved in using data to support decision-making within supply processes. A supply chain manager hoping to leverage the data stored in his information system to support decision-making processes lacks a clear and structured method. For this research study, the Société de Transport de Montréal expressed the need to enhance the data stored in its enterprise management software to improve its procurement practices and inventory management. A Design Research Methodology was used to meet these needs. This research methodology links empirical studies with scientific approaches, which helped us propose a data-driven root cause analysis method for supply chains. In this proposal, a method combining the scientific advances with the mandatory elements of a method suggested in the litterature is presented. We used a root cause tree set in a data drilling tool that links specifics root causes to identification metrics and corrective procedures to support decision-making in problem-solving phases. We took into consideration the needs and constraints of the case study and linked them with the work proposed in the literature. With the developed method, a supply chain manager can replicate and implement in his processes a problem-solving tool by thoroughly performing the activities of the four phases proposed in this study. Inputs, outputs, roles, and techniques used are maintained in the information system of the proposed method. Applying the method to a case study allowed us to assess the feasibility and effectiveness of our proposal. Since its implementation, the method has helped to decrease the partner's inventory value by 8%, to reduce the rate of buses grounded for lack of material by 6% and increased the service level rate by 16%. We highlighted that mastery of the data and the ability to extract it are the main limitations to build up a data-driven root-cause method to support decision-making process. This study also allowed us to analyze further improvement of the work presented. Because of the duration of the research project, we concluded that an analysis of the method's performances in a more mature phase would add a lot to the literature in the field of data-supported root cause analysis for supply chains. While the case study allowed us to define the foundations of the method, the analysis of the results showed us that data governance is required to make the proposed method perform effectively.