L’ETL : Colonne incontournable de la Digitalisation de la Supply Chain

On se passe un coup d’ETL ?

La digitalisation de la supply chain est devenue un impératif pour les entreprises modernes cherchant à améliorer leur efficacité opérationnelle, à réduire les coûts et à rester compétitives sur leurs marchés respectifs. Cela nécessite d’administrer des projets de plus en plus complexes avec une dimension IT systématique et en forte croissance.

Dans ce contexte, l’ETL (Extract, Transform, Load) émerge comme un outil essentiel de ce travail de digitalisation des flux. Cependant, ce terme 100% informatique peut sembler complexe pour les gens du métier non issus des équipes IT.
Et pourtant, ce terme revient régulièrement dans de nombreux projets et il est important de le connaître. L’ETL nécessite en effet d’allier finement connaissances informatiques et terrain pour traduire et faire correspondre les besoins mutuels.

Comprendre l’ETL en trois étapes, par l’éclairage de chaque lettre de l’acronyme

Extraction (Extract)

L’étape d’extraction consiste à collecter les données à partir de sources variées. Dans le contexte de la supply chain, ces sources peuvent inclure des systèmes de gestion d’entrepôt (WMS), des systèmes de gestion des commandes (OMS), des capteurs IoT, des bases de données, des fichiers Excel, etc. Imaginons que votre entreprise exploite plusieurs entrepôts répartis dans plusieurs localités différentes. Chaque entrepôt génère des données sur les niveaux de stock, les mouvements de marchandises, les commandes, etc. L’étape d’extraction consisterait à rassembler ces données dispersées depuis chaque entrepôt.
Dans cette 1ère étape, la multiplicité des sources est à considérer. Ce n’est pas un point bloquant pour autant.

Transformation (Transform)

Une fois que les données sont extraites, elles peuvent être hétérogènes et non structurées. La transformation consiste à nettoyer, normaliser et restructurer ces données pour les rendre exploitables. Cela implique souvent des tâches telles que la conversion des unités de mesure, la correction des erreurs de saisie, la suppression des données dupliquées, et la création de nouvelles métriques ou indicateurs basés sur les données brutes.
Reprenons notre exemple : si les entrepôts utilisent des unités de mesure différentes pour le stockage (par exemple, boîtes, palettes, cartons), la transformation des données les convertirait toutes en une unité de mesure commune, facilitant ainsi la comparaison et l’analyse.

Durant cette étape, le mappage des données sera particulièrement important. Il consiste à établir une correspondance précise entre les champs de données provenant de sources hétérogènes et les champs de données de la destination cible, en définissant comment les données doivent être transformées et reformatées pour s’adapter au schéma de données de la cible.
Les étapes clés du mappage des données comprennent la correspondance des champs sources aux champs cibles, la définition des règles de transformation, la normalisation des données, la validation et le nettoyage des données, et enfin, la préparation des données pour le chargement.

Chargement (Load)

Une fois que les données ont été extraites et transformées, elles sont prêtes à être chargées dans une destination cible, souvent une base de données ou un entrepôt de données. Cette étape permet de stocker les données de manière structurée et de les rendre accessibles aux applications et aux utilisateurs finaux.
Dans le cadre de la supply chain, ces données peuvent être utilisées pour la planification des stocks, la gestion des commandes, l’optimisation des itinéraires de livraison, ou tout autre besoin métier nécessaire à l’exploitation et/ou analyse.

L’exemple de l’optimisation de tournées

Imaginons une entreprise de logistique qui doit livrer des produits à ses clients dans plusieurs villes. Chaque jour, des informations sur les commandes, les camions disponibles, les horaires de livraison, et les conditions de circulation sont collectées à partir de diverses sources, telles que des applications mobiles des chauffeurs, des systèmes GPS, et des bases de données de commandes.

Extraction (Extract) : Les données sont extraites de ces sources hétérogènes. Cela comprend les détails des commandes (produits, quantités, adresses de livraison), les informations sur les véhicules (capacité, position, spécificités techniques), les attendus client (plage d’ouverture, stationnement), les conditions de circulation en temps réel, etc.

Transformation (Transform) : Les données extraites sont nettoyées et transformées. Par exemple, les adresses de livraison peuvent être normalisées pour garantir leur précision et leur cohérence. Les données sur la circulation peuvent être agrégées et analysées pour identifier les itinéraires optimaux en fonction des conditions actuelles.
De retour d’expérience sur ce sujet, l’étape de transformation est bien nécessaire, même sur un champ aussi simple et usuel que les adresses de livraison. C’est dans ce cas que l’on se dit qu’il y a une énorme valeur ajoutée à bien travailler et encoder ses data dès la saisie initiale (source).

Chargement (Load) : Les données transformées sont chargées dans une base de données centrale. Cette base de données contient désormais des informations structurées sur les commandes en attente, les itinéraires recommandés, les véhicules disponibles, et les prévisions de livraison.

Grâce à ce processus ETL, l’entreprise de logistique peut optimiser les itinéraires de livraison en temps réel. Lorsqu’une nouvelle commande est passée ou qu’une perturbation survient sur la route, les données sont mises à jour automatiquement, ce qui permet d’ajuster les itinéraires en conséquence pour minimiser les retards et les coûts.
Une haute qualité des adresses de livraison permet une optimisation fine des trajets en phase de planification puis d’exécution opérationnelle.

L’ETL, colonne nécessaire pour une Supply Chain robuste

Grâce à la centralisation et transformation des données, les modifications peuvent être actualisées de façon réactive et produire des décisions éclairées tant pour l’analyse que pour la réalisation sur le terrain.

Il est donc important de démystifier cet acronyme ETL.
Et bien que ce terme soit très IT et qu’il connecte, de fait, des systèmes informatiques entre eux, il reste primordial que l’étape de transformation soit menée avec les équipes métiers pour s’assurer de la cohérence des données travaillées et de leur correspondance aux processus terrain en place.

Parler d’ETL sans dimension métier associée n’est clairement pas une bonne pratique et conduira tôt ou tard vers un point de blocage dans l‘échange des données informatisées du projet.