La D c’est le S : les datas, sang de la logistique ?

Pourquoi la qualité des données conditionne t’elle la réussite d’un projet logistique ?

On parle beaucoup de digitalisation des entrepôts : logiciels métiers type WMS, robots, RF, pick-to-light, IA de slotting… Pourtant, avant les solutions, il y a un prérequis vital : la qualité des données.

Attention, analogie anatomique : dans un entrepôt, le WMS est le cœur qui rythme les opérations ; la donnée en est le sang. Si le sang est propre, tout l’organisme fonctionne. S’il est impur, les caillots s’accumulent : exceptions, blocages, surcoûts…

Qu’est-ce qu’une “bonne” donnée ?

Une bonne donnée doit être tout à la fois :

• Exacte : conforme à la réalité (dimension réelle du colis, poids, classe de danger…).
• Complète : les champs critiques sont renseignés (hiérarchie d’unités, codes-barres, stratégies de mise en stock).
• À jour : reflète l’état présent (statuts article, calendriers transporteurs, fériés de l’année en cours).
• Unique : pas de doublon (un SKU = une seule référence).
• Cohérente : mêmes règles d’une table à l’autre (même unité de mesure entre ERP / WMS / TMS par exemple).
• Intègre : relations valides (un emplacement appartient à une zone existante, une unité de mesure connue dans la hiérarchie).
• Contrôlée : validée par des règles automatiques ou manuelles le cas échéant (formats, plages, référentiels).
• Traçable : lignée connue (source, transformations, date de mise à jour).
• Accessible & sécurisée : disponible pour ceux qui en ont besoin, protégée contre les altérations.

Pourquoi est-ce décisif dans un projet logistique comme un WMS ?

Un WMS vit de données de référence (master data) et de données transactionnelles. Sans qualité des ces informations, chaque processus se grippe.

• Réception & ASN : si les EAN ou dimensions sont faux, les réceptions déclenchent des écarts, des re-étiquetages et donc des files d’attente.
• Mise en stock : sans stratégies et contraintes fiables (température, empilabilité, capacité emplacement, incompatibilités chimiques – ICPE), le WMS propose des localisations inadaptées, multipliant les déplacements.
• Préparation & vagues : si les unités de préparation ou les familles incompatibles sont mal paramétrées, on casse les vagues, on repique, on se déplace de nouveau, on perd en performance.
• Réassort & slotting : des stocks fantômes ou des tailles de lot erronées mènent à des ruptures en cours de préparation ou des mouvements de réassorts “inutiles”.
• Traçabilité & qualité : lots/DLUO/numéros de série mal gérés = non-conformités, retours clients, risques réglementaires.
• KPIs & pilotage : une donnée non fiable donne des décisions… non fiables.

Poursuite de l’analogie anatomique : le WMS est le cœur qui pompe des ordres. La donnée est le sang qui transporte l’oxygène (réalités physiques, contraintes, statuts). Un sang “sale” crée des caillots (exceptions), de l’hypertension (stress opérationnel), voire un arrêt du système (gel de l’activité). On ne soigne pas un cœur en changeant seulement la pompe ; on s’attache également à traiter la qualité du sang.

D’autant que c’est le sang que l’on échange avec les autres systèmes dans le cas d’interfaçages EDI. Et s’il est corrompu, la pollution s’étend à l’ensemble des autres systèmes !

Les données qui comptent pour une bonne santé logistique :

Articles (SKU)

• Codes, descriptions, statuts, familles
• Hiérarchie d’unités (pièce, carton, UC, palette) et facteurs de conversion
• EAN/GTIN par niveau d’emballage
• Dimensions, poids, empilabilité, contraintes (dangereux, température)
• Règles de lot/numéro de série, DLUO/DLC, FEFO/ FIFO
• Stratégies de rangement/prélèvement, ABC/XYZ

Emplacements

• Zone / allée / travée / niveau / case
• Type (palettier, picking, masse), capacités (volumique, poids, quantité)
• Contraintes (température, incompatibilités, chimiques)

Référentiels partenaires

• Fournisseurs (calendriers, tolérances réception, ASN)
• Transporteurs (services, cutoffs, gabarits)
• Clients (exigences d’étiquetage, unités de livraison, adresses de livraison exacte)

Paramétrage process

• Règles de vague, priorités, unités de préparation
• Codes motifs, statuts, causes d’écart

Les effets d’une donnée “sale”

Les impacts d’une donnée corrompue sont immédiats en logistique :

• Surcoûts cachés : re-travail, re-étiquetage, manutention additionnelle
• Productivité en baisse : prélèvements annulés, réappros d’urgence après signalisation par l’opérateur
• Service dégradé : retards, erreurs, ruptures, non-livraison faute d’adresse correcte
• Algorithmes standards bridés : on désactive le slotting “faute de confiance” qui laisse le champ libre aux “héroïnes/héros de l’Excel” qui contournent le système faute de Data en bonne santé

Imaginons un instant :

Un entrepôt déploie un nouveau WMS. La hiérarchie d’unités de plusieurs SKU est erronée (on confond pièce et carton – erreur classique hélas !). Résultat : les vagues explosent, le picking, faute de confiance dans les données, repasse en “by-pass papier”.
Le cœur était bon, mais le sang était corrompu. En catastrophe, un chantier express de qualité est mené (mesure réelle des packs, correction des EAN, verrouillage des règles) et remet la machine en route avec la performance associée.

Encore faut-il que les usagers soient convaincus que le sang est aussi important que le coeur pour engager le chantier express dont il est question. La question de la maturité digitale notamment sur la qualité des données est un sujet récurrent et “malheureusement” trop souvent non identifié et/ou traité.

En substance

Avant d’automatiser, soignons les données.

La meilleure solution WMS ne compensera pas un référentiel faux, incomplet ou incohérent.

Inversement, une donnée propre démultiplie la valeur des algorithmes, stabilise l’exploitation et fiabilise le service client : l’optimisation est alors possible dans bien des dimensions.

Par Pierre