Les versions successives de SAP S/4HANA intègrent de plus en plus de fonctions d’intelligence artificielle. Dont de nombreux scénarios prêts à l’emploi, placés au cœur même des applications. De quoi préparer peu à peu les utilisateurs à une transformation en profondeur de leur quotidien.
Par Julien Gruber, Consultant SAP chez PASàPAS
Le principe clef du Machine Learning consiste à analyser de grands volumes de données historiques pour réaliser des prévisions, associées à une probabilité qu’elles se réalisent. Si on applique ce principe au domaine de l’ERP, on voit que cet ensemble de techniques peut déboucher sur plusieurs grands types de fonctionnalités : l’aide à la saisie, la détection et l’anticipation d’anomalies, et les prévisions d’évolution d’indicateurs. Ce sont ces grandes catégories d’usage qu’explore SAP avec S/4HANA qui, au fil des versions, intègre de plus en plus de fonctionnalités basées sur le Machine Learning.
Par exemple, une nouvelle fonction liée à la gestion de la trésorerie aide à rapprocher les paiements effectifs des attendus de paiement sur une base probabiliste. Auparavant, ces rapprochements s’effectuaient à partir de règles déterministes ; autrement dit, montants et libellés devaient correspondre parfaitement à ces règles prédéfinies pour que l’association s’opère. Avec le Machine Learning, le rapprochement pourra être proposé par le logiciel même si tous les éléments clefs ne sont pas alignés à 100%. Dans la logistique, le Machine Learning permet de proposer aux utilisateurs des prévisions de retards de livraison de la part des fournisseurs et surtout d’évaluer l’impact de ces retards, afin que l’utilisateur se focalise sur les enjeux essentiels pour son activité.
Scénarios standards pour un investissement minimal
Comme le montre cet exemple, le Machine Learning dans SAP S/4HANA vise d’abord des gains de productivité. En permettant aux utilisateurs de gagner du temps sur des tâches quotidiennes, les laissant ainsi se focaliser sur les sujets où leurs actions feront réellement la différence. La détection des erreurs de saisie renvoie, elle, plutôt à des gains de qualité, mais, in fine, ceux-ci sont également synonyme de productivité accrue via l’économie des gestions d’erreurs.
A ce jour, évaluer le retour sur investissement direct de ces fonctions demeure ardu. D’abord parce qu’elles sont encore peu déployées. Ensuite, parce qu’on parle ici de gains diffus qui viennent s’ajouter à ceux que procurent la nouvelle interface de SAP S/4HANA ou l’intégration des fonctions analytiques au cœur des applications transactionnelles. En revanche, on peut remarquer que déployer les scénarios standards de Machine Learning que propose SAP – une vingtaine dans la version 1909 de SAP S/4HANA – ne nécessite qu’un investissement minime. Les modèles algorithmiques sont fournis, ainsi que l’intégration avec les données cibles. Et une application Fiori permet d’entraîner les modèles sur les données historiques de l’entreprise. Bref, quelques clics et quelques dizaines de minutes suffisent avec des données relativement propres et des volumes raisonnables (par exemple 50 000 commandes). Sans mobiliser ni développeurs, ni Data Scientists.
Un super-algorithme qui sélectionne le meilleur algorithme
On mesure ici l’ampleur du travail effectué par l’éditeur, depuis l’intégration d’une première librairie de Machine Learning (Predictive Analytics Library), seulement exploitable par un Data Scientist. Grâce au rachat de l’éditeur français Kxen, SAP a ensuite intégré une seconde bibliothèque, APL (Automated Predictive Library), qui exploite un ‘super-algorithme’ capable de sélectionner et entraîner le modèle de Machine Learning le plus optimal pour un type de données et de résultat attendu. Fondamentalement, c’est cette intégration qui permet aujourd’hui de mettre les fonctions de Machine Learning directement entre les mains des utilisateurs clefs de SAP S/4HANA.
Et c’est ce mécanisme qu’exploite SAP pour faire croitre rapidement le nombre de scénarios d’utilisation prêts à l’emploi. Entre les versions 1809 et 1909, on a assisté à une multiplication par deux de ce nombre. Et la version 2020 intègre encore de nouveaux scénarios. Tous ces usages du Machine Learning sont, par ailleurs, directement intégrés aux applicatifs du quotidien. L’utilisateur n’a ni besoin de changer d’outil, ni besoin de connaître les algorithmes qui sous-tendent les prévisions qui lui sont soumises. Il faut simplement qu’il ait conscience qu’il s’agit là de calculs statistiques, à considérer avec un certain recul. Un peu comme quand on regarde des prévisions de trafic automobile dans Google Maps.
Mettre en œuvre ses propres modèles de Machine Learning
A ce Machine Learning sur étagère, SAP ajoute une boîte à outils permettant aux entreprises d’aller beaucoup plus loin. Au sein de SAP S/4HANA, il est ainsi possible de développer un scénario voisin d’une application existante, via la bibliothèque APL. Si on veut exploiter des algorithmes plus évolués – comme les réseaux de neurones -, accéder à des données externes à SAP S/4HANA ou encore analyser de très grands volumes d’informations (par exemple issues de datalakes), il faut plutôt se tourner vers ce qu’on appelle des scénarios side-by-side. Dans cette approche, les analyses tournent sur SAP Cloud Platform (SCP) et sont bâties via un outil appelé SAP Data Intelligence. Mais, dans tous les cas, les résultats peuvent être exploités au cœur même des applications SAP S/4HANA.
Sur le fond, ces évolutions dessinent une mutation progressive, mais profonde, des progiciels SAP. Une mutation qui va s’accélérer dans la décennie qui vient. La génération précédente, ECC, restait avant tout un système de saisie de l’information,là où SAP S/4HANA s’envisage davantage comme un système de restitution de l’information, au sein duquel l’éditeur essaye d’automatiser le plus possible les opérations de saisie, grâce à la détection d’anomalies, aux saisies semi-automatiques et, de plus en plus, à l’automatisation complète via des robots logiciels intelligents. Autant d’applications pour lesquelles le Machine Learning se révèle une arme très efficace.
Vers des décisions automatisées
Mais, dans la démarche de SAP, l’intelligence artificielle se déploie aussi sur la partie restitution, avec des formes d’automatisation de la prise de décision. Comme dans le rapprochement des factures avec les versements reçus, où l’utilisateur peut décider de faire entièrement confiance à l’algorithme pour cette opération ! Cette transition vers des décisions automatisées constitue un double défi. Un défi technologique d’abord, car les prévisions issues des algorithmes doivent être suffisamment fiables. Un défi culturel ensuite : les entreprises et les utilisateurs doivent s’habituer peu à peu à ces outils, pour les exploiter pleinement et en tirer les bénéfices attendus. En termes de productivité, mais aussi de qualité. Ce qui suppose de mener cette transition en douceur. Et la meilleure façon d’y parvenir consiste à déployer sans attendre de premiers scénarios d’utilisation du Machine Learning au sein de SAP S/4HANA.
Découvrez notre volet n°1 « Réinventer la logistique par l’exploration de la donnée »
PASàPAS www.pasapas.com
