De la donnée ERP à l'intelligence commerciale — entrepôt, couche sémantique et version unique de vérité

Le constat. La plupart des PME industrielles possèdent déjà, dans leur ERP, l'essentiel de ce qui ferait une bonne décision commerciale : chaque commande, chaque ligne de facture, chaque mouvement de stock y est enregistré. Et pourtant, la même question revient en réunion : quels produits accélèrent, lesquels ralentissent, et combien de semaines de couverture nous reste-t-il ? L'information existe ; elle n'est simplement pas rendue lisible. Transformer la donnée transactionnelle en intelligence commerciale n'est pas un projet d'outil : c'est un travail de modélisation, de gouvernance et de discipline.

Pourquoi l'ERP ne suffit pas tel quel

Un ERP est conçu pour exécuter des transactions, pas pour les analyser. Son schéma est normalisé pour l'intégrité d'écriture : éviter les doublons, garantir qu'une commande ne se contredit pas elle-même. Ce qui est excellent pour la saisie devient hostile à la lecture analytique : une question aussi simple que « quelle est la vélocité de ce produit par marché sur douze mois ? » peut exiger la jointure de cinq à dix tables, avec un risque réel de double comptage. Bill Inmon, dans les années 1990, formulait déjà la distinction fondatrice : les systèmes transactionnels (OLTP) et les systèmes analytiques (OLAP) n'ont ni la même forme ni la même finalité.

Le patron entrepôt et couche sémantique

La réponse classique, et toujours valable, est de séparer les deux mondes. On extrait la donnée de l'ERP vers un entrepôt de données (ou un lakehouse moderne), on la modélise pour l'analyse, puis on expose une couche sémantique — un dictionnaire partagé où « chiffre d'affaires net », « marge » ou « vélocité » ont une seule définition, calculée une seule fois, pour tout le monde.

• Modélisation dimensionnelle — la méthode de Ralph Kimball organise la donnée en tables de faits (les commandes, les lignes de facture) et de dimensions (produit, client, marché, temps). Une question d'analyse devient alors une combinaison d'axes, et non une requête fragile.
• Couche sémantique — les indicateurs sont définis une fois, en amont des tableaux de bord, pour qu'un même mot ne recouvre pas deux calculs différents selon l'équipe qui le prononce.
• Tableaux de bord par responsable — chaque responsable de marché ne voit que son périmètre, avec les mêmes définitions que ses pairs : comparable, pas cloisonné.

Vélocité et couverture, deux indicateurs sobres

Deux mesures suffisent souvent à éclairer une décision d'approvisionnement. La vélocité est le rythme de vente d'une référence — combien d'unités par semaine, lissées pour absorber le bruit. La couverture traduit le stock disponible en semaines de vente à la vélocité courante. Un produit à forte vélocité et faible couverture est une rupture annoncée ; un produit à faible vélocité et forte couverture immobilise de la trésorerie. Ni l'un ni l'autre ne se lit dans le carnet de commandes brut ; les deux émergent dès que la donnée est correctement modélisée.

La donnée gouvernée, ou la version unique de vérité

Le vrai obstacle n'est presque jamais technique. C'est la gouvernance : qui possède la définition d'un indicateur, qui valide la qualité d'une dimension, qui tranche quand deux chiffres divergent. Sans cette discipline, chaque équipe reconstruit son propre tableur, et l'on retombe dans le syndrome bien documenté des multiples versions de la vérité. Une version unique de vérité ne se décrète pas : elle se construit par un propriétaire de donnée nommé, des définitions écrites, et un principe de lecture seule sur les systèmes sources — on lit l'ERP, on n'y réécrit pas pour analyser.

Où nous nous situons

Montandor Andorra est une maison jeune, et nous construisons nos tableaux de bord commerciaux directement sur la donnée vivante de notre ERP — en lecture seule, avec des définitions partagées et un propriétaire identifié pour chaque indicateur. Nous ne cherchons pas l'outil le plus spectaculaire ; nous cherchons qu'un responsable de marché et la direction lisent le même chiffre, le comprennent de la même manière, et décident plus vite. C'est moins une question de technologie que de rigueur.

« La donnée n'a de valeur que si elle conduit à une décision plus juste, plus tôt. Un tableau de bord qui impressionne mais que personne n'utilise pour décider est un coût, pas un actif. Notre exigence est simple : une seule définition par indicateur, lisible par celui qui agit sur le marché comme par celui qui arbitre. »
— Wouter Meijboom, CEO, Montandor Andorra.

Sources

• Ralph Kimball & Margy Ross — The Data Warehouse Toolkit, 3^e édition (Wiley) : référence de la modélisation dimensionnelle (faits et dimensions).
• William H. Inmon — Building the Data Warehouse : distinction fondatrice OLTP / OLAP.
• DAMA International — DMBOK (Data Management Body of Knowledge) : cadre de gouvernance et de qualité de la donnée.
• McKinsey & Company — travaux sur l'entreprise data-driven et la valeur de la décision fondée sur la donnée, 2018-2023.
• Harvard Business Review — A. McAfee & E. Brynjolfsson, Big Data: The Management Revolution, 2012.
• GS1 — standards d'identification produit (GTIN) et qualité de la donnée produit.

Recherche menée par Hélène Vincent (Growth & Analytics Lead), en collaboration avec Lev Marchuk (Data Scientist) et Chloé Garnier (Head of Architecture).