Le coût caché de l'héroïsme Excel dans le hard services

Chaque entreprise de hard services en a une. La personne qui connaît les données. Elle maintient le tableur maître dont dépend la finance. Elle sait quelles colonnes croire et lesquelles ignorer. Elle a construit les tableaux croisés dynamiques qui apparaissent dans les dossiers du conseil chaque trimestre, et elle sait exactement quels ajustements manuels faire avant que quoi que ce soit ne parte vers la direction. Cette personne est précieuse, travailleuse, et porte un risque opérationnel que l'organisation n'a jamais formellement reconnu.

Le coût visible contre le coût réel

Le coût visible de l'héroïsme Excel est le temps de la personne. Si votre meilleur analyste passe 60 % de sa semaine à nettoyer et préparer des données plutôt qu'à les analyser, c'est une inefficacité que la plupart des organisations ont normalisée. Les coûts réels sont moins visibles mais plus importants :

• Décisions retardées. Quand produire un rapport de dépenses prend une semaine, les décisions se prennent sur les données du mois dernier. Dans un environnement d'appels d'offres, une estimation de coût retardée est un appel d'offres manqué.
• Risque de version. Plusieurs tableurs maintenus par plusieurs personnes divergent silencieusement dans le temps. La version de l'équipe achats et celle de l'équipe finance racontent des histoires différentes d'ici la fin du trimestre.
• Exposition à l'audit. Les rapports préparés manuellement ne peuvent pas être retracés jusqu'à une source de vérité propre.
• Plafond d'échelle. Le système qui fonctionne pour 50 sites ne peut pas fonctionner pour 200 sans recruter plus de personnes pour faire la même chose.
• Dépendance à une personne clé. Si la personne qui maintient le fichier maître est indisponible, l'organisation perd sa capacité à produire un reporting fiable.

Êtes-vous en territoire d'héroïsme Excel ?

Quelques signes diagnostiques :

• Produire un rapport de dépenses ou de coûts prend plus de quelques heures de travail
• Quelqu'un doit vérifier la cohérence des chiffres avant qu'ils ne partent vers la direction
• Un nouvel analyste aurait besoin de semaines pour comprendre la structure des données
• Votre reporting serait affecté si une personne précise était indisponible pendant deux semaines
• Vous avez plus d'une version du même jeu de données maintenue par des personnes différentes

À quoi ressemble la migration hors de l'héroïsme Excel

Étape 1 : établir une référence de données. Avant d'introduire une quelconque automatisation, les données doivent être dans un état connu et propre. Cette étape révèle le travail manuel qui a été fait pour rendre les données exploitables, les tables de correspondance, les règles de correction, les notes d'ajustement dans les cellules. Ces règles sont documentées et formalisées afin de pouvoir être appliquées systématiquement plutôt que personnellement.

Étape 2 : automatiser les corrections répétables. Dédupliquer les noms de fournisseurs, standardiser les descriptions, remplir les champs de catégorie manquants, signaler les anomalies pour révision, tout cela peut être automatisé. Le temps de l'analyste passe de la réalisation des corrections à la révision du travail du système.

Étape 3 : intégrer un contrôle qualité continu dans le flux de données. Les nouvelles données entrant dans le système sont validées automatiquement par rapport à la structure établie. La qualité est maintenue par le processus, pas par une personne.

À quoi ressemble l'autre côté

Après cette transition, l'analyste qui maintenait le fichier maître ne perd pas son rôle. Son rôle change. Il passe de la préparation des données à l'analyse des données, de maintenir le système en fonctionnement à l'utiliser pour générer des renseignements.

« Pearstop a construit un système qui extrait automatiquement les bons éléments de nos rapports de visite dans un document de proposition propre. Cela fait gagner beaucoup de temps à notre équipe en éliminant les tâches répétitives de rassemblement des bons éléments. »

– Vince Out, Lemtech · Industrie manufacturière et filtration d'air

« Pour la première fois, j'ai l'impression de faire réellement le travail pour lequel j'ai été recruté, de l'analyse, pas de l'administratif. »

– Analyste de données, équipe achats, entreprise de construction industrielle

Neharika Kishore

Content & Visibility, Pearstop

Neha works on content and visibility at Pearstop. She writes articles on procurement data quality for facilities management, construction and infrastructure teams, and supports The Data Edge podcast. She also runs outreach to procurement and finance leaders, which keeps her writing close to the problems those teams are actually raising.

LinkedIn →