L'essentiel
Les innovations récentes dans le domaine de l'intelligence artificielle ont montré un potentiel de transformation dans toutes les industries du monde. Néanmoins, le rythme d'adoption des innovations en matière d'intelligence artificielle dans les différentes industries est beaucoup plus lent que le rythme d'évolution de la recherche dans ce domaine. De nombreux facteurs peuvent expliquer ce phénomène : la difficulté d'obtenir une visibilité sur la valeur commerciale "réelle" potentielle par rapport au battage publicitaire, le temps nécessaire pour réaliser cette valeur, ou encore les préoccupations relatives à la confidentialité des données.
Les entreprises qui utilisent l'ERP SAP et d'autres solutions du portfolio SAP sont confrontées à plusieurs défis lorsqu'elles décident d'adopter des innovations en matière de Machine Learning :
• Choisir entre les solutions et les produits de Machine Learning de SAP et ceux d'autres fournisseurs,
• Trouver la valeur commerciale et hiérarchiser les cas d'utilisation,
• Identifier les améliorations nécessaires dans les processus commerciaux,
• Evaluer la qualité et la quantité de données,
• Elaborer une stratégie de migration des données pour la mise en œuvre de S/4 HANA...
Découvrez nos réponses pour traiter ces différents sujets.
Qu'est-ce que le Machine Learning et à quoi sert-il ?
Le Machine Learning se décrit comme la science qui consiste à faire interagir des ordinateurs qui ne sont pas explicitement programmés à travers l’exploitation de modèles de données. Celles-ci peuvent être structurées, provenant de base de données, mais également non structurées, comme des textes, des sons, des images ou bien des vidéos. Un algorithme de Machine Learning peut être utilisé par les entreprises pour résoudre différents problèmes, que nous pouvons classer de la manière suivante :
| 1. Faire des prédictions afin de mieux comprendre ce qui se passera à l'avenir en se basant sur les expériences passées. Exemple : prédire une panne d'équipement ou prévoir les ventes pour le prochain trimestre. |
| 2. Offrir une assistance pour certaines tâches qui peuvent être longues et fastidieuses. Exemple : proposer des correspondances entre les postes de factures et de paiements sur la base des décisions de rapprochement prises par les comptables dans le passé. |
| 3. Offrir un aperçu dans le but de trouver une corrélation dans les données pour pouvoir expliquer les faits. Exemple : trouver ce qui affecte le plus les chiffres de ventes de votre entreprise, qu'il s'agisse du prix, de la météo ou bien d’éventuelles remises de votre concurrent. |
| 4. Apprendre des experts humains et appliquer ces connaissances à de nouvelles situations. Exemple : acheminer les tickets des clients à l'équipe responsable pour résoudre le problème en se basant sur la façon dont l'ensemble a été traité dans le passé. |
| 5. Simuler des environnements complexes pour trouver la meilleure façon d'agir. Exemple : simuler une optimisation du prix en se basant sur de multiples variables de la chaîne d'approvisionnement. |
La spécificité des algorithmes de Machine Learning est que nous ne pouvons pas estimer d'emblée la qualité de leurs prédictions sans leur fournir au préalable d'importantes quantités de données.
Pourquoi choisir le Machine Learning pour votre ERP SAP ?
Dans une étude réalisée par McKinsey en 2019[1], les adoptants de l'IA ont constaté des augmentations de revenus principalement dans des domaines comme le marketing et les ventes, ainsi que le développement de produits et de services, tandis que des réductions de coûts ont été observées dans la fabrication et la gestion de la Supply Chain. Les risques, la stratégie et la finance d'entreprise ont connu une augmentation des revenus et une réduction des coûts à la même échelle. Nous pouvons observer que plusieurs des domaines susmentionnés sont gérés par des systèmes ERP, qui saisissent par conséquent une quantité importante de données.
SAP a commencé à fournir depuis 2016 des cas d'utilisation pour le Machine Learning intégrés dans S/4HANA ou dans différents autres produits. Nous les trouvons dans l’ensemble des modules ERP standard, de la finance jusqu’aux ventes en passant par les achats ou les produits.
Les cas d'utilisation standards et prêts à l'emploi de S/4HANA pour le Machine Learning traitent certains des problèmes de productivité et de décision typiques d'une entreprise. Ils peuvent également offrir un moyen simple et rapide d'apporter plus « d'intelligence » aux processus sans construire de solutions complexes. Pour une entreprise, le fait de commencer à réfléchir aux cas d'utilisation standards SAP est un bon moyen de comprendre ce qu’il est possible de faire et comment appliquer la même réflexion à d'autres situations. Toutefois, avant de prendre le train en marche, les entreprises souhaitent évaluer la valeur ajoutée à leur gestion actuelle de leurs processus dans SAP et trouver un équilibre entre cette valeur, les coûts et les efforts sous-jacents.
De nombreuses entreprises ont déjà mis en œuvre des solutions axées sur les données en dehors de SAP. Le défi consiste pour ces sociétés à les utiliser, ainsi que leurs architectures existantes, afin de pouvoir apporter plus de valeur à leurs processus liés à l'ERP.
Nous pourrions résumer les positions stratégiques adoptées par une entreprise en ce qui concerne l'adoption du Machine Learning dans ses processus ERP SAP par le schéma ci-dessous présentant une multitude de comportements et de défis.
Dans une étude réalisée par McKinsey en 2019[i], les adoptants de l'IA ont constaté des augmentations de revenus principalement dans des domaines comme le marketing et les ventes, ainsi que le développement de produits et de services, tandis que des réductions de coûts ont été observées dans la fabrication et la gestion de la Supply Chain. Les risques, la stratégie et la finance d'entreprise ont connu une augmentation des revenus et une réduction des coûts à la même échelle. Nous pouvons observer que plusieurs des domaines susmentionnés sont gérés par des systèmes ERP, qui saisissent par conséquent une quantité importante de données. SAP a commencé à fournir depuis 2016 des cas d'utilisation pour le Machine Learning intégrés dans S/4HANA ou dans différents autres produits. Nous les trouvons dans l’ensemble des modules ERP standard, de la finance jusqu’aux ventes en passant par les achats ou les produits.
Les cas d'utilisation standards et prêts à l'emploi de S/4HANA pour le Machine Learning traitent certains des problèmes de productivité et de décision typiques d'une entreprise. Ils peuvent également offrir un moyen simple et rapide d'apporter plus « d'intelligence » aux processus sans construire de solutions complexes. Pour une entreprise, le fait de commencer à réfléchir aux cas d'utilisation standards SAP est un bon moyen de comprendre ce qu’il est possible de faire et comment appliquer la même réflexion à d'autres situations. Toutefois, avant de prendre le train en marche, les entreprises souhaitent évaluer la valeur ajoutée à leur gestion actuelle de leurs processus dans SAP et trouver un équilibre entre cette valeur, les coûts et les efforts sous-jacents.
EXECUTION & STRATEGIE
De nombreuses entreprises ont déjà mis en œuvre des solutions axées sur les données en dehors de SAP. Le défi consiste pour ces sociétés à les utiliser, ainsi que leurs architectures existantes, afin de pouvoir apporter plus de valeur à leurs processus liés à l'ERP.
Nous pourrions résumer les positions stratégiques adoptées par une entreprise en ce qui concerne l'adoption du Machine Learning dans ses processus ERP SAP par le schéma ci-dessous présentant une multitude de comportements et de défis.
Quand commencer à réfléchir à l'optimisation de vos processus avec l'IA ?
Migration vers S/4 - le moment de fixer les objectifs
Que faire si le SAP ECC est toujours en place et que la migration vers S/4HANA est seulement prévue ? Nous pourrions penser que le sujet n'est pertinent que pour S/4HANA car les nouveaux cas d’usage de Machine Learning ne sont disponibles uniquement dans ce nouvel ERP. En réalité, la préparation de cette migration doit prendre en considération les données à migrer et les processus à améliorer. Il est donc de toute évidence nécessaire de réfléchir dès le départ aux types de données opérationnelles à migrer dans le nouveau système et à la manière dont il vous est possible de mettre en place vos nouveaux processus de manière plus efficace.
Le moment est également idéal pour réfléchir à de nouvelles façons de résoudre les problèmes existants avec les données déjà à votre disposition. L'objectif principal consiste à examiner les décisions prises sur la base de l'expérience et non des données, ce qui est fait actuellement de manière inefficace, ou du moins avec beaucoup d'efforts manuels, les tâches comportant des règles complexes et des volumes élevés. Le reporting est un autre domaine qui peut être amélioré en trouvant de meilleurs moyens d'offrir des informations pour la prise de décision.
À ce stade, les problèmes peuvent être formulés de manière générale. Une compréhension de haut niveau de la disponibilité des données et de la manière dont le processus actuel va évoluer permettra de mieux comprendre la faisabilité des idées générées. L'objectif de l'exercice est ainsi d'établir un plan stratégique des futures fonctionnalités intelligentes de votre ERP et de préparer une stratégie de données pour le maintenir. Celle-ci peut consister en la migration des données pertinentes vers S/4HANA, ou bien en l'adoption d'une architecture séparée axée sur les données.
Pouvez-vous encore innover si vous prévoyez de conserver votre SAP ECC encore quelques années ?
Néanmoins, la même approche de brainstorming peut être réalisée à tout moment de votre parcours dans le SAP. Il est essentiel de trouver les cas d'utilisation de Machine Learning à forte valeur ajoutée et les données qui apportent le plus à votre entreprise, indépendamment de votre pile technologique actuelle et des options d'architecture qui seront abordées plus loin dans l'article. Savoir d'emblée ce qui est déjà disponible dans S/4HANA peut vous éviter d'investir dans des solutions spécifiques alors que de telles options sont déjà disponibles dans votre solution cible.
Comment adopter avec succès les cas d'utilisation standards de Machine Learning dans S/4HANA ?
Si vous mettez déjà S/4HANA en œuvre, une approche pragmatique suivrait généralement les quatre étapes suivantes :
| 1. Trouver la valeur commerciale de ces cas d'utilisation et évaluer les coûts supplémentaires, en tenant compte du fait des frais de licence distincts de certaines applications. |
| 2. Comprendre les besoins en matière de données : en effet, pour former les modèles, les données doivent être disponibles ou migrées. Si aucune donnée n'est disponible, la mise en œuvre peut être reportée à une date ultérieure, lorsque le nombre de données aura suffisamment augmenté pour répondre aux besoins des modèles. Cette étape permettra d'estimer s'il y a suffisamment de données pour former les modèles, mais la qualité des prévisions ne pourra être évaluée qu'après formation des modèles avec des données productives. |
| 3. Comprendre comment vos processus actuels doivent être adaptés. Par exemple, il se peut que l'ancien processus comporte des parties qui soient exécutées en dehors de SAP, ou bien que le processus actuel dans SAP ne garantisse pas que toutes les données requises par le modèle soient disponibles. |
| 4. Activer, former et valider la qualité du modèle standard avec des données productives. La validation finale consiste à vérifier que le modèle donne de bons résultats sur la base de ces données. |
Si l'ensemble de ces critères est rempli, la mise en œuvre complète du processus pourra être effectuée et mise en production. Il est important de noter que les données évoluent avec le temps et qu’il est nécessaire d'entraîner fréquemment les modèles pour s'assurer du maintien de leur puissance de production.
TROUVER LA VALEUR, COMPRENDRE, FORMER, MISE EN OEUVRE
Comment intégrer une nouvelle fonctionnalité de Machine Learning dans vos processus ERP ?
Que faire si les cas d'utilisation standards de S/4HANA ne sont pas adaptés à vos besoins, mais que vous souhaitez néanmoins tirer parti de la technologie pour améliorer le fonctionnement de votre entreprise ? Pour répondre à cette question, nous vous proposons une approche par étapes.
DECOUVRIR, EVALUER, CONCEVOIR, VALIDER, PRODUIRE
Découvrir des cas qui méritent d'être résolus
La partie la plus difficile de l'adoption du Machine Learning dans le cadre des processus existants est, de loin, d'identifier les sujets importants qui pourraient être traités avec le Machine Learning.
Les sujets les plus courants dans un contexte d'ERP sont les suivants :
Classification - sur la base de classes d'objets existantes, classer de nouveaux exemples d'objets. Exemple : déterminer si une transaction est frauduleuse sur la base des fraudes identifiées par les experts dans le passé.
Prévision - sur la base d'une séquence de chiffres, prédire le prochain nombre. Exemple : prévoir la demande d'un produit sur la base des chiffres de ventes, de la météo et des prix des concurrents.
Regroupement - créer des groupes d'objets qui partagent des caractéristiques similaires. Exemple : segmenter les clients en fonction des préférences sur les produits et des données démographiques.
Détection d'anomalies - à partir d'un ensemble de données, trouver des exemples qui sortent de l'ordinaire. Exemple : des écritures frauduleuses sur un journal pourraient démontrer une combinaison unique d'attributs : utilisateur, compte du grand livre et département.
Recommandations - fournir des recommandations basées sur les schémas existants dans les données. Exemple : proposer aux clients d'autres produits à acheter, sur la base de modèles de produits achetés ensemble par d'autres clients dans le passé.
Comme pour tout nouveau paradigme, une simple définition ne suffit pas à susciter de nouvelles bonnes idées. Des exemples proches de notre expérience nous aident à mieux comprendre les concepts abstraits.
Sans ces exemples, l'identification du problème peut être longue et improductive car l'esprit humain est utilisé pour penser en termes de comparaisons et d'analogies plutôt qu'en termes de concepts abstraits. C'est pourquoi nous avons conçu un accélérateur comme une bibliothèque de cas d'utilisation pertinents pour les processus SAP ERP, à adopter tels quels ou pour guider et déclencher le processus de réflexion.
Penser par analogie aide en effet à apporter de la créativité et de la perspicacité pour trouver les conditions problématiques actuelles, qui autrement n'auraient pas été abordées, compte tenu du manque de solutions traditionnelles pour les gérer. Par exemple, les exceptions de rapprochement des comptes clients exigent traditionnellement beaucoup de temps et d'efforts pour effectuer un rapprochement manuel, mais un comptable peut gagner en productivité si nous pouvons proposer une recommandation pour chaque exception en fonction de la décision que lui et ses collègues ont prise dans le passé.
Il existe de multiples domaines fonctionnels SAP, qui peuvent bénéficier de l'adoption du Machine Learning dans les processus d'entreprise ou d'analyse. Voici un recueil synthétique des principales applications par domaine :
DOMAINE & APPLICATIONS PRINCIPALES
Le résultat de cette phase est une liste de sujets qui pourraient être résolus à l'aide du Machine Learning.
Le Machine Learning est-il vraiment la solution ?
Pour les sujets déjà identifiés, une solution du Machine Learning est-elle nécessaire, ou des règles de gestion peuvent-elle suffire ? Peut-on observer ou déduire un schéma ou est-ce simplement le hasard ? Quelles sont les attentes à l'égard de notre solution et comment pouvons-nous en mesurer le succès ? Quel est l'impact sur notre façon actuelle de travailler avec notre ERP ? Il est nécessaire de répondre à toutes ces questions pour qualifier et comprendre correctement le sujet et éviter les efforts inutiles.
Est-ce faisable ?
Quel type de données provenant de SAP serait conceptuellement utile pour résoudre le cas, du point de vue de l'expertise du domaine ? Pouvons-nous estimer la quantité de données dont nous avons besoin pour former les modèles ? En analysant ces questions, nous pourrions découvrir que l'implémentation actuelle de SAP n'oblige pas les utilisateurs à maintenir certains champs qui sont obligatoires pour notre cas de Machine Learning, ou que l'annotation manuelle de certaines données est nécessaire.
Quelles sont les options architecturales disponibles ?
Plusieurs architectures sont possibles avec les produits SAP et les produits non-SAP, dont voici les plus importantes :
1. Pour les produits fonctionnant sur HANA (S/4HANA, ECC sur HANA), une bibliothèque prédictive automatisée (APL), une bibliothèque d'analyse prédictive (PAL) ainsi qu'un moteur de calcul R sont disponibles. Les modèles peuvent être formés directement dans la base de données, sans qu'il soit nécessaire d'extraire les données ou d'investir dans des outils externes et de construire l'architecture d'intégration. La prédiction des modèles peut être consommée dans S/4HANA/ECC en ABAP ou via des outils de reporting pouvant se connecter directement à HANA (SAP Analytics Cloud, Power BI, etc.). |
2. Si vous utilisez S/4HANA, le modèle peut être formé dans l'outil SAP Predictive Analytics, à condition d'en posséder la licence, et importé directement dans SAP S/4HANA en utilisant l'extension PAi (Predictive Analytics integrator). Avec S/4HANA PAi, vous pouvez facilement gérer le cycle de vie du modèle, reformer ou encore vérifier la qualité du modèle directement depuis l'ERP. |
3. Si vous êtes détenteurs d'une licence SAP Data Intelligence/SAP Data Hub, les données peuvent être extraites et traitées à partir des systèmes S/4HANA ou SAP ECC, puis utilisées pour la formation du modèle, avec une consommation sous forme d'API ou via un outil de reporting. |
4. Si vous utilisez déjà une plateforme de Machine Learning ou de Cloud, les données sont extraites de SAP et exploitées pour la formation des modèles, avec une consommation sous forme d'API ou via un outil de reporting, en fonction des capacités et des exigences de la plateforme. |
L'objectif de cette étape est de préparer la mise en œuvre productive de la solution, d'estimer le coût et les ressources, et de définir une feuille de route. L'architecture doit garantir l'évolutivité et les performances de la solution ainsi que permettre une formation répétitive facile et une évaluation de la qualité du modèle. Si vous n'êtes pas encore sous S/4HANA, la solution doit être conçue de manière à être facilement portable pendant la migration vers le nouvel ERP.
Validez vos idées avec un Proof of Concept
Le prototype de Machine Learning prouvera la faisabilité des idées sélectionnées, ce qui signifie que les modèles formés avec les données existantes présentent une certaine qualité de prédiction, conformément aux attentes des responsables métier.
Produisez votre solution
Il est maintenant temps de construire la solution finale et d'exploiter toutes les modifications des processus SAP qui l'entourent. Les modèles doivent être déployés en production, leur qualité doit être surveillée en permanence et il faudra procéder régulièrement à une reformation de vos modèles pour maintenir leur qualité. Cette étape est fortement dépendante de l'architecture et des outils choisis.
Comment pouvons-nous vous aider?
Nous pouvons vous soutenir dans toutes les phases de votre voyage pour apporter de la valeur à votre ERP SAP grâce à une approche de Machine Learning, adaptée à votre stratégie et à vos défis. Notre équipe est composée d'une grande variété d'experts, allant des spécialistes fonctionnels et techniques SAP, aux spécialistes en data tout en passant par des architectes cloud.
Auteurs
| Marco Casavecchia Associé, Technology Transformation |
| Hitesh Kapadia Director Advisory Enterprise Solutions |
| Ana-Maria Tarca Manager, Technology Transformation |
