L’importance d’une analyse “granulaire” de l’incidence des coûts de transport

par Massimiliano Manca

Les contrats de transport et les contrats de prestation de services logistiques présentent les formes les plus variées pour définir les montants reconnus aux entreprises de transport routier et de logistique qui assurent l’activité de distribution et de transport des marchandises de l’entreprise donneuse d’ordre.

Quel que soit le paramètre utilisé pour construire le tarif de transport — par unité de charge transportée, par ligne de transport, en pourcentage de la valeur de la marchandise transportée, par tranche kilométrique et/ou selon les conditions de chargement et de déchargement — il est fondamental, pour maîtriser le processus, de suivre l’évolution dans le temps du coût du transport, à la fois en valeur absolue et, mieux encore, en termes d’incidence du coût du transport sur la base imposable de la marchandise vendue.

Il s’agit donc de l’un des KPI les plus classiques, qui mérite une représentation constante, à la fois sous forme de tableau et de graphique. Cette approche devient la base d’évaluation du phénomène et, en même temps, le point de départ de toute initiative éventuelle d’amélioration de l’organisation du processus de transport.

À ce stade, toutefois, se pose le principal dilemme relatif à l’acquisition et à l’analyse des données :

Quel doit être le degré de “granularité” de la donnée à surveiller ?

Par granularité, j’entends précisément la capacité à disposer d’une donnée plus spécifique et plus détaillée dans le temps.

Autrement dit : une évaluation mensuelle du coût engagé est-elle suffisante ou vaut-il mieux reconstruire la donnée quotidienne ?

Il est indéniable que la donnée mensuelle est plus facile à gérer et plus facilement alignable avec la relation établie avec le fournisseur de services de transport, qui est généralement payé mensuellement.

Malheureusement, un intervalle temporel aussi large entraîne une perte de granularité de l’information et masque l’évolution du phénomène ainsi que ses points critiques.

Comme d’habitude, c’est un problème de “moyenne”, diraient les gourous de la statistique : la donnée moyenne absorbe les spécificités évolutives du phénomène, en masquant non seulement la variabilité naturelle — qui existe et existera toujours — mais aussi, et surtout, la “variabilité spéciale” de l’indicateur analysé.

C’est ainsi que réapparaît dans mes articles la nécessité d’aborder la mesure d’un phénomène et de sa CTQ — Critical to Quality — selon les règles du Six Sigma et, en particulier, de la phase Measure.

En revenant à notre cas spécifique, la valeur de l’incidence du coût de transport sur la base imposable, exprimée comme valeur moyenne quotidienne, ne nous garantit qu’une baseline partielle et peu exploitable, précisément parce qu’elle n’aide pas à mettre en évidence la variabilité spéciale du phénomène.

Dans le processus DMAIC du Six Sigma, pour pouvoir aborder pleinement la phase Analyze et donc analyser les causes qui rendent le processus de transport critique, il est nécessaire d’intensifier la mesure des données représentatives du phénomène. Comme j’aime le dire : il faut aller au-delà de la moyenne.

Il devient absolument nécessaire de construire l’histogramme de distribution des fréquences de l’incidence du transport journalier, puis d’arriver à une représentation normale de la courbe de fréquence, et de compléter l’analyse par le calcul des indicateurs de dispersion tels que l’étendue, la variance et, surtout, l’écart type.

C’est précisément l’écart type — notoirement indiqué par la lettre grecque sigma — qui précise à quel point la donnée obtenue est variable et dans quelle mesure elle risque de prendre des valeurs dépassant la limite de spécification admise pour l’indicateur lui-même. Dans le cas analysé, on comprend ainsi quelle est la fréquence associée au “hors spécification” et donc la probabilité future de devoir faire face à des coûts de transport dépassant la limite tolérable.

À partir de ce point, il devient possible d’étudier la capabilité du processus : établir si l’amplitude du processus est suffisamment comprise dans l’amplitude de spécification ou non, auquel cas il est nécessaire d’intervenir en comprenant les causes de cette variabilité inacceptable.

Le niveau sigma, donné précisément par le rapport entre l’écart type et la distance entre la limite de spécification et la donnée moyenne, mesure à quel point le processus est dispersé par rapport à la moyenne et donc dans quelle mesure il nécessite des interventions et des corrections. En résumé, le niveau sigma aide à comprendre à quel point le processus risque de devenir incontrôlable et, comme dans le cas analysé, de générer des inefficacités et des coûts inacceptables.

Prenons un exemple :

Sur un mois d’activité, une entreprise donneuse d’ordre évalue que la moyenne de l’incidence du coût de transport journalier — sur la base imposable transportée — est égale à 2,0 %. Si nous nous arrêtions à cette information “plate”, nous pourrions soutenir que ce qui se passe en matière de transport est éventuellement acceptable.

Mais dans quelle mesure cet indicateur varie-t-il autour de sa moyenne ?

Nous évaluons l’écart type et nous constatons qu’il est égal à 0,3 %.

Nous fixons la limite de spécification à 2,2 % : cela signifie que, dans nos évaluations, nous considérons comme inacceptable une incidence du coût de transport journalier supérieure à 2,2 %.

Nous reconstruisons la distribution des fréquences — avec un histogramme, par exemple — et nous constatons que, malgré une valeur moyenne de 2,0 %, dans 25 % des cas nous sommes sortis des spécifications, c’est-à-dire que l’incidence du coût journalier a dépassé 2,2 %.

Résultat : il est clair que cette nouvelle vision de la donnée génère une prise de conscience plus forte de problématiques importantes survenues au cours du mois, probablement liées à des variabilités spéciales, que la seule donnée moyenne du KPI n’aurait jamais permis de détecter.