En Supply Chain, la gestion et le traitement des données sont vitaux. Pour pouvoir piloter les flux physiques, il est essentiel de maîtriser les flux d’informations : le traitement et l’analyse de ces flux se fait via les systèmes d’information.
Très souvent, Excel sert d’intermédiaire entre les systèmes d’information et les utilisateurs. Il est parfois utilisé pleinement en tant qu’outil de gestion Supply Chain pour les petites entreprises qui n’ont pas investi dans des progiciels de planification ou ERP. Microsoft Excel a donc naturellement pris une position très importante pour les contrôleurs de flux, les prévisionnistes, les responsables approvisionnements, … jusqu’aux chefs de projets et directeurs Supply Chain.
Cependant, un autre outil a fait beaucoup parlé de lui ces dernières années : Python. Des professionnels de la Supply Chain s’initient à Python, et certains l’utilisent de façon quotidienne pour analyser les données de leur ERP.
Cette tendance a été confirmée lors de mon récent sondage sur les langages de programmation stratégiques en Supply Chain :
Plus de 1200 professionnels ont répondu, et près de la moitié ont désigné Python comme leur premier choix.
J’ai même entendu dire que « Python est le nouvel Excel ». Qu’en est-il vraiment ? Peut-on considérer cet outil indispensable pour les métiers de la Supply Chain ? Va-t-il rendre obsolètes nos vieilles feuilles de calcul Excel ?
Python et Excel n’ont pas la même finalité
Quand j’entends des personnes comparer ces deux outils, je me rends compte qu’elles oublient un point essentiel : ils ont été conçus pour des fonctionnalités très différentes.
Excel est avant tout une feuille de calcul : la simplicité de son interface graphique permet à n’importe quel utilisateur de manipuler des données, sans aucune notion du code sous-jacent.
Python est un langage de programmation : son usage ne se limite pas à la gestion de données, on peut développer des programmes extrêmement variés. Il est évidemment nécessaire d’apprendre à coder pour pouvoir utiliser Python.
Alors pourquoi mettons-nous souvent ces deux outils sur le même plan ?
Tout simplement car la grande versatilité de Python lui permet de reproduire assez rapidement les principales caractéristiques d’Excel : stocker des valeurs sur une ligne, sur une colonne, ou sur un tableau, et effectuer des calculs sur ces mêmes valeurs (entre autres). On peut même utiliser des librairies pour visualiser des données, tracer des graphes…
Par exemple, voici une régression linéaire sur des ventes annuelles de deux produits :
Sur Excel, tout est interactif : on peut remplir un tableau de données directement et utiliser les options de courbe de tendances des graphes pour réaliser la régression linéaire. Avec Python, c’est une autre histoire, il faut coder étape par étape en utilisant des librairies faites pour le calcul scientifique :
On peut donc faire de l’analyse de données sur les deux outils, mais Python demeure avant tout un logiciel de programmation et de développement, et il n’est pas destiné pour n’importe quel utilisateur. Il est possible qu’à l’avenir, l’automatisation des process business par les équipes de programmeurs Python rende obsolète certaines tâches réalisées par les professionnels de la Supply Chain sur Excel. Mais il s’agirait là d’une conséquence d’un changement de process haut-niveau, et non de la substitution d’un outil par un autre à l’échelle de l’utilisateur.
Python : plus stratégique, mais plus complexe
Effectivement, Python est un langage stratégique en Supply chain.
Les volumes de données gérés par les entreprises ne font qu’augmenter, et les professionnels de la Supply Chain ont accès à plus de données à la fois en termes de quantité et de variété. Plus les volumes sont importants, plus il devient difficile de les gérer via des outils bureautiques simples. Python est une excellente solution pour traiter de grandes quantités d’informations. Sa puissance de calcul n’a rien à voir avec celle d’Excel.
Il apporte également une opportunité d’amener plus d’intelligence via des algorithmes de Machine Learning. Python excelle dans ce domaine.
Sa syntaxe est relativement simple avec peu de ligne à coder en comparaison avec d’autres langages. Il est populaire dans la communauté scientifique, car il bénéficie d’un grand nombre de librairies en open-source qui permettent d’appliquer des modèles statistiques et de machine learning assez rapidement.
En revanche, Python est beaucoup plus complexe à prendre en main. Pour vous donner un ordre de grandeur, je dirais qu’il faut au moins 50 heures d’apprentissage pour commencer à avoir des résultats (en supposant que vous sachiez déjà coder !). Puisqu’il s’agit uniquement d’un langage de programmation, il ne possède pas d’interface graphique standard qui lui est propre et souffre de la comparaison avec l’interface très intuitive d’Excel. Il s’agissait de l’une de mes principales difficultés dans mon apprentissage.
Autre point crucial : vous n’aurez pas grand monde autour de vous qui pourront comprendre et mettre à jour vos programmes en Python. A moins que vous ne collaboriez avec une équipe de développeurs Python ou de Data Scientists, la maintenabilité de vos programmes sera difficile. Et vous serez seuls face aux crashs de vos algorithmes.
Excel continue de progresser
On a tendance à oublier que Microsoft continue d’innover de manière assez constante dans les fonctionnalités de ses outils bureautiques. Les modules d’Excel comme Power Query et Power Pivot ont atteint un bon niveau de maturité ces dernières années. Ils sont particulièrement adaptés pour les problématiques que l’on rencontre en logistique.
En effet, quel que soit le contexte en Supply Chain, il est souvent nécessaire de passer par ces 7 étapes lorsque l’on analyse des données :
- Importer les données
- Les nettoyer
- Les consolider
- Les mettre en forme
- Mettre en place des KPIs et calculs
- Les regrouper sur des tableaux de bord
- Et les analyser pour prendre les bonnes décisions
Power Query sert à l’importation et Power Pivot permet d’établir des modèles de données (vous pouvez voir plus de détails sur leur fonctionnement via le site officiel de Microsoft). Les deux modules sont donc très complémentaires et permettent d’automatiser les étapes 1 à 4. Beaucoup d’automatisations autrefois complexes, qui nécessitaient beaucoup de code VBA, peuvent aujourd’hui se faire avec des outils bien plus intuitifs.
D’ailleurs, PowerQuery et PowerPivot sont en train de rendre obsolètes les Macros Visual Basic plus complexes et moins efficaces.
On le voit bien sur les volumes de recherche Google :
Microsoft Excel a donc a encore beaucoup d’années devant lui. Je sais d’expérience que beaucoup de gens ne l’exploite pas à son plein potentiel, souvent sans s’en rendre compte.
Conclusion
Alors… Python ou Excel ? On ne peut pas affirmer que l’un puisse se substituer à l’autre, car ce sont deux outils très différents. Ils sont néanmoins comparables en Supply Chain, dans le sens où ils peuvent être utilisés à des mêmes fins pour l’extraction, le traitement et l’analyse des données des systèmes d’information. Là où Excel apporte simplicité, visualisations et analyses rapides, Python offre des solutions en termes de scalabilité, de puissance de calculs, et d’algorithmes complexes.
Selon votre niveau en programmation et les besoins de votre business, il peut être intéressant de se lancer dans Python. Cependant, mon discours est toujours le même, maîtrisez d’abord les fondations de votre métier avant de rentrer dans la complexité.
Maitrisez avant tout Excel à un niveau très avancé et automatisez le plus possible. Particulièrement avec Power Query/Pivot. Ainsi, vous gagnerez nettement en productivité et vous vous distinguerez sur le marché du travail. Ensuite seulement, si vous avez une affinité pour les chiffres, commencez à vous former en Python. Si vous êtes Data Scientist aujourd’hui, il est évident que vous devez maîtriser Python, mais la majorité des Data Scientists que je connais sont déjà excellents sur Excel.
Dans tous les cas, faites-vous votre propre opinion, testez PowerQuery/Pivot et Python par vous-même.
Devenez un Expert et automatisez tout avec Power Query et Power Pivot
Pour aller plus loin
Si vous voulez développer vos compétences et augmenter votre attractivité, consultez mes articles :
