Alliancy

Débuts prometteurs de la transformation Data de Danone

Encore « jeune » sur la donnée, Danone dispose depuis 2021 d’un premier algorithme de Machine Learning en production. L’entreprise développe par ailleurs une plateforme Data pour ses prochains cas d’usage. Acculturation et conduite du changement restent à mener.

Débuts prometteurs de la transformation Data de Danone.

Débuts prometteurs de la transformation Data de Danone.

Marque internationale de l’alimentaire, Danone compte plus de 100.000 salariés et une présence dans 120 pays dans le monde. Une telle couverture n’est pas sans générer de la complexité. Chaque entité conserve son autonomie dans la conduite de ses opérations, et notamment la supply-chain.

L’enjeu pour le groupe consiste donc à construire une « colonne » vertébrale, tout en laissant à chaque filiale la flexibilité suffisante pour lui permettre de développer l’activité localement. Et cela vaut également dans le domaine de la Data, un sujet encore jeune dans la multinationale. Les débuts de sa transformation remontent à trois ans.

Des données dispersées et sous-exploitées

Danone est une entreprise riche en données. Mais, comme dans de nombreuses organisations, ces données sont disséminées dans différents systèmes et détenues au niveau de chaque pays, mais également « sous-exploitées ». L’industriel souhaite donc consolider ses multiples sources de données et les centraliser, sans remettre en cause l’agilité de ses filiales.

Une plateforme Data centralisant les données monde de Danone est donc en cours de construction. Ce sera la première du groupe, qui ne disposait pas en effet d’une telle infrastructure à ce jour. Et cette plateforme doit notamment lui permettre de développer des cas d’usage en matière de Data Science.

Une équipe Data, en central, est déjà en place. Danone a également défini les grands axes d’une politique de gouvernance des données. Le groupe s’est également attelé à son premier projet en co-création avec les demand planners. Ces professionnels sont en charge d’établir des prévisions de vente.

Danone veut donc les augmenter grâce au Machine Learning. Comment ? Grâce à un algorithme de prévision des ventes à 14 semaines « flexible et adapté aux besoins de chacun des pays », décrit  Anne-Laure Cébile, Data Science Project Manager. Pour mener ce projet, Danone est accompagné sur les plans technique et organisationnel par un cabinet expert de la Data, Artefact.

La complexité d’un tel algorithme est conséquente. Impossible, comme a pu le constate l’équipe Data, de définir un modèle unique applicable à l’ensemble des pays ou à un sous-ensemble en raison de spécificités locales fortes.

9 mois de développement pour les 2 premiers pilotes

« Nous avons abandonné cette approche pour nous concentrer plutôt sur deux pilotes, les eaux et les produits laitiers. Mais chaque pays a ses propres processus de supply et ses propres données. Cela crée une complexité immense », témoignait Anne-Laure Cébile lors du Hubday Data.

Pour concevoir son algorithme, Danone travaille donc à la fois en central et au niveau local. Mais l’objectif, dès le départ, était bien de passer à l’échelle. La stratégie a consisté à développer le « Studio », un cœur de Machine Learning. Ce noyau doit être déployé dans chaque pays, puis complété par des briques répondant aux besoins locaux.

Le modèle est alimenté en entrée avec les données disponibles dans chaque pays, et qui lui sont propres : ventes, promotions, mais aussi des données météorologiques et de calendrier, comme les jours fériés. Ces paramètres ont une influence significative sur la demande.

Pour concevoir les deux premiers pilotes de cet algorithme prédictif, 9 à 10 mois ont été nécessaires. Ces projets sont en production depuis le début de l’année. Quatre déploiements sont par ailleurs en cours de finalisation. Ils seront en production dans les prochaines semaines. Et pour ceux-ci, Danone a pu raccourcir les cycles de développement à 5 mois au travers d’une méthodologie plus industrialisée. Elle s’appuie sur des Data Scientists, Data Engineers et product owners en central, mais aussi les métiers et l’IT, au siège comme en local.

Les premiers retours sont positifs. L’entreprise annonce un retour sur investissement inférieur à un an et un gain de deux points de précision sur les prévisions de vente. L’incrément peut même atteindre 5 à 10 points sur les eaux, comme c’est le cas pour la France. Mais le projet, comme la transformation Data de Danone, est néanmoins loin d’être achevé.

Inscrire les produits Data dans la culture des métiers

« Grâce à ce projet, nous avons réussi à centraliser des données et commencé à créer une base de données commune aux différents pays. Elle nous permettra de construire la transformation Data de Danone et de continuer à persuader tous les pays de la valeur que la Data peut avoir pour eux », commente Anne-Laure Cébile.

L’industriel dispose donc à ce jour des « bases pour des nouveaux cas d’usage ». Mais sa représentante le reconnaît, les points d’amélioration sont multiples. Ils portent en particulier sur la conduite du changement. L’outil de prévision est utilisé par les demand planners de certains pays. Ils doivent être accompagnés dans l’utilisation d’une solution qui transforme leur métier.

L’application d’IA doit ainsi être intégrée dans leurs processus et leur quotidien. C’est un changement culturel pour une fonction habituée jusqu’alors à s’appuyer sur ses propres prévisions. L’algorithme ne vise cependant pas à se substituer à eux, insiste l’experte en Data Science de Danone.

« Le but est de donner aux collaborateurs des outils Data pour leur permettre de mieux faire leur travail », précise-t-elle. En outre, l’algorithme a également besoin des retours des métiers pour s’améliorer et pour corriger ses anomalies.

Mais le changement culturel et la montée en compétences touchent également l’IT et l’équipe Data pour un fonctionnement en squads agiles intégrant nativement les métiers. Elles doivent aussi adopter pleinement la logique produit. La finalité : ne plus seulement gérer des projets, mais tout le cycle de vie d’un produit Data (maintenance, évolutions, priorisation des demandes, etc.). La transformation est en marche.

Quitter la version mobile