{"id":15761,"date":"2021-07-29T17:52:38","date_gmt":"2021-07-29T15:52:38","guid":{"rendered":"https:\/\/abcsupplychain.com\/?p=15761"},"modified":"2024-11-04T18:20:06","modified_gmt":"2024-11-04T17:20:06","slug":"python-vs-excel","status":"publish","type":"post","link":"https:\/\/abcsupplychain.com\/fr\/python-vs-excel\/","title":{"rendered":"Python va-t-il remplacer Excel ?"},"content":{"rendered":"\n

En Supply Chain, la gestion et le traitement des donn\u00e9es sont vitaux<\/strong>. Pour pouvoir piloter les flux physiques, il est essentiel de ma\u00eetriser les flux d’informations : le traitement et l’analyse de ces flux se fait via les syst\u00e8mes d’information.<\/p>\n\n\n\n

Tr\u00e8s souvent, Excel sert d’interm\u00e9diaire entre les syst\u00e8mes d’information et les utilisateurs<\/strong>. Il est parfois utilis\u00e9 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 tr\u00e8s importante pour les contr\u00f4leurs de flux, les pr\u00e9visionnistes, les responsables approvisionnements, \u2026 jusqu’aux chefs de projets et directeurs Supply Chain.<\/p>\n\n\n\n

Cependant, un autre outil a fait beaucoup parl\u00e9 de lui ces derni\u00e8res ann\u00e9es : Python. Des professionnels de la Supply Chain s’initient \u00e0 Python, et certains l’utilisent de fa\u00e7on quotidienne pour analyser les donn\u00e9es de leur ERP.<\/p>\n\n\n\n

Cette tendance a \u00e9t\u00e9 confirm\u00e9e lors de mon r\u00e9cent sondage sur les langages de programmation strat\u00e9giques en Supply Chain<\/a> :<\/strong><\/p>\n\n\n\n

\"\"
Python au centre de l’attention<\/strong><\/figcaption><\/figure><\/div>\n\n\n\n

<\/p>\n\n\n\n

Plus de 1200 professionnels ont r\u00e9pondu, et pr\u00e8s de la moiti\u00e9 ont d\u00e9sign\u00e9 Python comme leur premier choix.<\/p>\n\n\n\n

J’ai m\u00eame entendu dire que \u00ab\u00a0Python est le nouvel Excel\u00a0\u00bb<\/strong>. Qu’en est-il vraiment ? Peut-on consid\u00e9rer cet outil indispensable pour les m\u00e9tiers de la Supply Chain ? Va-t-il rendre obsol\u00e8tes nos vieilles feuilles de calcul Excel ?<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"
Fa\u00eetes vos jeux !<\/figcaption><\/figure><\/div>\n\n\n\n

<\/span>Python et Excel n’ont pas la m\u00eame finalit\u00e9<\/span><\/h2>\n\n\n\n

Quand j’entends des personnes comparer ces deux outils, je me rends compte qu’elles oublient un point essentiel : ils ont \u00e9t\u00e9 con\u00e7us pour des fonctionnalit\u00e9s tr\u00e8s diff\u00e9rentes.<\/strong><\/p>\n\n\n\n

Excel est avant tout une feuille de calcul :<\/strong> la simplicit\u00e9 de son interface graphique permet \u00e0 n’importe quel utilisateur de manipuler des donn\u00e9es, sans aucune notion du code sous-jacent.<\/p>\n\n\n\n

Python est un langage de programmation :<\/strong> son usage ne se limite pas \u00e0 la gestion de donn\u00e9es, on peut d\u00e9velopper des programmes extr\u00eamement vari\u00e9s. Il est \u00e9videmment n\u00e9cessaire d’apprendre \u00e0 coder pour pouvoir utiliser Python.<\/p>\n\n\n\n

Alors pourquoi mettons-nous souvent ces deux outils sur le m\u00eame plan ?<\/p>\n\n\n\n

Tout simplement car la grande versatilit\u00e9 de Python lui permet de reproduire assez rapidement<\/strong> les principales caract\u00e9ristiques d\u2019Excel : stocker des valeurs sur une ligne, sur une colonne, ou sur un tableau, et effectuer des calculs sur ces m\u00eames valeurs (entre autres). On peut m\u00eame utiliser des librairies pour visualiser des donn\u00e9es, tracer des graphes…<\/p>\n\n\n\n

Par exemple, voici une r\u00e9gression lin\u00e9aire sur des ventes annuelles de deux produits :<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"
Graphe sur Excel (Gauche) et Graphe de la console Python (Droite)<\/figcaption><\/figure><\/div>\n\n\n\n

<\/p>\n\n\n\n

Sur Excel, tout est interactif : on peut remplir un tableau de donn\u00e9es directement et utiliser les options de courbe de tendances des graphes pour r\u00e9aliser la r\u00e9gression lin\u00e9aire. Avec Python, c’est une autre histoire, il faut coder \u00e9tape par \u00e9tape en utilisant des librairies faites pour le calcul scientifique :<\/p>\n\n\n\n

\"\"
2 approches radicalement diff\u00e9rentes<\/figcaption><\/figure><\/div>\n\n\n\n

On peut donc faire de l\u2019analyse de donn\u00e9es sur les deux outils, mais Python demeure avant tout un logiciel de programmation et de d\u00e9veloppement, et il n\u2019est pas destin\u00e9 pour n\u2019importe quel utilisateur. Il est possible qu\u2019\u00e0 l\u2019avenir, l\u2019automatisation des process business par les \u00e9quipes de programmeurs Python rende obsol\u00e8te certaines t\u00e2ches r\u00e9alis\u00e9es par les professionnels de la Supply Chain sur Excel<\/strong>. Mais il s\u2019agirait l\u00e0 d\u2019une cons\u00e9quence d\u2019un changement de process haut-niveau, et non de la substitution d\u2019un outil par un autre \u00e0 l\u2019\u00e9chelle de l\u2019utilisateur.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/span>Python : plus strat\u00e9gique, mais plus complexe<\/span><\/h2>\n\n\n\n

Effectivement, Python est un langage strat\u00e9gique en Supply chain<\/strong>.<\/p>\n\n\n\n

Les volumes de donn\u00e9es g\u00e9r\u00e9s par les entreprises ne font qu’augmenter, et les professionnels de la Supply Chain ont acc\u00e8s \u00e0 plus de donn\u00e9es \u00e0 la fois en termes de quantit\u00e9 et de vari\u00e9t\u00e9. Plus les volumes sont importants, plus il devient difficile de les g\u00e9rer via des outils bureautiques simples. Python est une excellente solution pour traiter de grandes quantit\u00e9s d’informations. Sa puissance de calcul n’a rien \u00e0 voir avec celle d’Excel.<\/strong><\/p>\n\n\n\n

Il apporte \u00e9galement une opportunit\u00e9 d’amener plus d’intelligence via des algorithmes de Machine Learning. Python excelle dans ce domaine.<\/p>\n\n\n\n

Sa syntaxe est relativement simple avec peu de ligne \u00e0 coder en comparaison avec d’autres langages. Il est populaire dans la communaut\u00e9 scientifique, car il b\u00e9n\u00e9ficie d’un grand nombre de librairies en open-source qui permettent d’appliquer des mod\u00e8les statistiques et de machine learning assez rapidement.<\/p>\n\n\n\n

En revanche, Python est beaucoup plus complexe \u00e0 prendre en main<\/strong>. Pour vous donner un ordre de grandeur, je dirais qu’il faut au moins 50 heures d’apprentissage pour commencer \u00e0 avoir des r\u00e9sultats (en supposant que vous sachiez d\u00e9j\u00e0 coder !). Puisqu’il s’agit uniquement d’un langage de programmation, il ne poss\u00e8de pas d’interface graphique standard qui lui est propre et souffre de la comparaison avec l’interface tr\u00e8s intuitive d’Excel. Il s’agissait de l’une de mes principales difficult\u00e9s dans mon apprentissage.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"
Selon vos affinit\u00e9s avec la programmation, apprendre Python peut s’av\u00e9rer un chemin difficile<\/figcaption><\/figure><\/div>\n\n\n\n

Autre point crucial : vous n’aurez pas grand monde autour de vous qui pourront comprendre et mettre \u00e0 jour vos programmes en Python.<\/strong> A moins que vous ne collaboriez avec une \u00e9quipe de d\u00e9veloppeurs Python ou de Data Scientists, la maintenabilit\u00e9 de vos programmes sera difficile. Et vous serez seuls face aux crashs de vos algorithmes.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/span>Excel continue de progresser<\/span><\/h2>\n\n\n\n

On a tendance \u00e0 oublier que Microsoft continue d’innover de mani\u00e8re assez constante dans les fonctionnalit\u00e9s de ses outils bureautiques. Les modules d’Excel comme Power Query et Power Pivot ont atteint un bon niveau de maturit\u00e9 ces derni\u00e8res ann\u00e9es.<\/strong> Ils sont particuli\u00e8rement adapt\u00e9s pour les probl\u00e9matiques que l’on rencontre en logistique.<\/p>\n\n\n\n

En effet, quel que soit le contexte en Supply Chain, il est souvent n\u00e9cessaire de passer par ces 7 \u00e9tapes lorsque l’on analyse des donn\u00e9es :<\/p>\n\n\n\n

  1. Importer les donn\u00e9es<\/li>
  2. Les nettoyer<\/li>
  3. Les consolider<\/li>
  4. Les mettre en forme<\/li>
  5. Mettre en place des KPIs et calculs<\/li>
  6. Les regrouper sur des tableaux de bord<\/li>
  7. Et les analyser pour prendre les bonnes d\u00e9cisions<\/li><\/ol>\n\n\n\n

    Power Query sert \u00e0 l’importation et Power Pivot permet d’\u00e9tablir des mod\u00e8les de donn\u00e9es<\/strong> (vous pouvez voir plus de d\u00e9tails sur leur fonctionnement via le site officiel de Microsoft<\/a>). Les deux modules sont donc tr\u00e8s compl\u00e9mentaires et permettent d’automatiser les \u00e9tapes 1 \u00e0 4. Beaucoup d’automatisations autrefois complexes, qui n\u00e9cessitaient beaucoup de code VBA, peuvent aujourd’hui se faire avec des outils bien plus intuitifs.<\/p>\n\n\n\n

    D’ailleurs, PowerQuery et PowerPivot sont en train de rendre obsol\u00e8tes les Macros Visual Basic <\/strong>plus complexes et moins efficaces.<\/p>\n\n\n\n

    On le voit bien sur les volumes de recherche Google :<\/p>\n\n\n\n

    \"\"
    Visual Basic devient peu \u00e0 peu obsol\u00e8te<\/figcaption><\/figure><\/div>\n\n\n\n

    Microsoft Excel a donc a encore beaucoup d’ann\u00e9es devant lui.<\/strong> Je sais d’exp\u00e9rience que beaucoup de gens ne l’exploite pas \u00e0 son plein potentiel, souvent sans s’en rendre compte.<\/p>\n\n\n\n

    <\/p>\n\n\n\n

    <\/span>Conclusion<\/span><\/h2>\n\n\n\n

    Alors… Python ou Excel ? On ne peut pas affirmer que l’un puisse se substituer \u00e0 l’autre, car ce sont deux outils tr\u00e8s diff\u00e9rents<\/strong>. Ils sont n\u00e9anmoins comparables en Supply Chain, dans le sens o\u00f9 ils peuvent \u00eatre utilis\u00e9s \u00e0 des m\u00eames fins pour l’extraction, le traitement et l’analyse des donn\u00e9es des syst\u00e8mes d’information. L\u00e0 o\u00f9 Excel apporte simplicit\u00e9, visualisations et analyses rapides, Python offre des solutions en termes de scalabilit\u00e9, de puissance de calculs, et d’algorithmes complexes.<\/p>\n\n\n\n

    Selon votre niveau en programmation et les besoins de votre business, il peut \u00eatre int\u00e9ressant de se lancer dans Python. Cependant, mon discours est toujours le m\u00eame, ma\u00eetrisez d’abord les fondations <\/strong>de votre m\u00e9tier avant de rentrer dans la complexit\u00e9.<\/p>\n\n\n\n

    Maitrisez avant tout Excel \u00e0 un niveau tr\u00e8s avanc\u00e9 et automatisez le plus possible.<\/strong> Particuli\u00e8rement avec Power Query\/Pivot<\/strong>. Ainsi, vous gagnerez nettement en productivit\u00e9 et vous vous distinguerez sur le march\u00e9 du travail. Ensuite seulement, si vous avez une affinit\u00e9 pour les chiffres, commencez \u00e0 vous former en Python. Si vous \u00eates Data Scientist aujourd’hui, il est \u00e9vident que vous devez ma\u00eetriser Python, mais la majorit\u00e9 des Data Scientists que je connais sont d\u00e9j\u00e0 excellents sur Excel.<\/p>\n\n\n\n

    Dans tous les cas, faites-vous votre propre opinion, testez PowerQuery\/Pivot et Python par vous-m\u00eame.<\/strong><\/p>\n\n\n\n

    <\/p>\n\n\n\n

    <\/span>Devenez un Expert et automatisez tout avec Power Query et Power Pivot <\/span><\/h2>\n\n\n\n
    \"cours<\/a><\/figure><\/div>\n\n\n\n

    <\/span>Pour aller plus loin<\/span><\/h2>\n\n\n\n

    Si vous voulez d\u00e9velopper vos comp\u00e9tences et augmenter votre attractivit\u00e9, consultez mes articles :<\/p>\n\n\n