La découverte de processus basée sur l'IA accélère l'approvisionnement en pièces pour les réseaux électriques

L'attention croissante apportée au changement climatique et à la durabilité n'ont pas pour autant dilué l'importance de ces valeurs fondamentales pour les services publics d'électricité. Mais de nouveaux défis opérationnels se profilent pour respecter ces valeurs. La gestion des actifs est au cœur du sujet.

Pour maintenir le réseau opérationnel, les fournisseurs doivent réduire au maximum l'impact du matériel usé ou défectueux. C'est l'une des principales raisons pour lesquelles beaucoup adoptent l'analyse avancée pour prévoir les pannes et effectuer une maintenance proactive pour les prévenir. Une fois qu'une commande de service est créée, qu'elle soit ou non planifiée, il incombe au service Achats d'obtenir les pièces nécessaires (transformateurs, disjoncteurs et isolateurs) à l'exécution du travail. Plus le délai est long, plus les risques potentiels liés aux performances du réseau sont importants. C'est l'une des raisons pour lesquelles l'efficience du processus de l'achat au paiement (procure-to-pay, P2P) est toujours plus importante pour les fournisseurs d'énergie.

Autre raison : le coût. Dans le marché déréglementé actuel, minimiser le coût total des biens achetés est un objectif essentiel. Lorsque des employés se livrent à des achats non autorisés, c'est-à-dire en dehors du processus établi d'approvisionnement, le coût et l'efficacité en pâtissent. D'une part, ces acheteurs finissent par payer plus cher parce qu'ils ne bénéficient pas des avantages sur les coûts prévus dans les contrats établis avec les fournisseurs.

D'autres part, d'autres types de dérives de processus, notamment l'achat sans bon de commande ou la création d'un bon de commande sans commande de service, augmentent également les coûts, imposant un travail supplémentaire de résolution. En effet, le temps passé à résoudre des factures erronées ou non concordantes peut alourdir considérablement les frais administratifs et détourner le personnel chargé des achats des aspects plus stratégiques de son travail.

Une fois les données introduites dans IBM Process Mining, ses modèles d'IA sous-jacents les ont toutes décomposées en cartes témoins de chaque étape du processus P2P, de la commande d'achat et du bon de commande à la réception et à la facturation pour chaque secteur d'activité. Pour le responsable des achats, la valeur de ces modèles ne réside pas uniquement dans leur capacité à identifier les problèmes liés aux flux actuels, mais aussi dans leur capacité à jeter un nouveau regard basé sur les données, sur ce que pourrait être le processus idéal. « Nous avons été en mesure de voir ce qui se passait réellement dans nos processus P2P et qui nous échappait auparavant », explique-t-il. « En outre, nous avons pu obtenir une perspective plus objective du processus de base optimal, non pas d'experts en processus mais des données-mêmes. »

Des principaux résultats du modèle, il ressort que seulement 20 % des activités d'achat liées au matériel (achat de pièces de rechange, etc.) suivaient le chemin optimal de l'approvisionnement. Pour les 80 % d'activités qui n'étaient pas conformes au chemin idéal, le délai moyen de commande était supérieur de plus de 30 %, en raison surtout du temps supplémentaire consacré au rapprochement des factures et à la rectification des commandes.

L'achat de services n'était guère plus performant. Alors que le modèle IBM Process Mining n'avait trouvé que 10 étapes dans le chemin de processus optimal, le chemin non conforme moyen en comptait presque 30. Pour le responsable des achats, découvrir pourquoi fut une véritable révélation. « Nous savions que le retraitement des commandes constituait un réel problème », souligne-t-il. « Mais le fait que plus de 50 % des commandes de services le nécessitait a vraiment été une surprise, et les données ont montré que c'était la réalité. »