Supply Chain Analytics — Diagnostic de Livraison Supply Chain Analytics — Delivery Diagnostics
Pipeline Data automatisé (Python) révélant une hémorragie d'On-Time In-Full (OTIF). Identification des modes de transport défaillants (First Class bloquée à 95,3% de retard) et élaboration d'un plan de redressement pour le service client. Automated Data Pipeline (Python) uncovering severe On-Time In-Full (OTIF) bleeding. Identification of failed carrier layers (First Class stuck at 95.3% late) and formulation of a turnaround plan to rescue customer service.
Le Défi Business The Business Challenge
Un acteur majeur traite 181K commandes générant 36,78M$ de revenu global. L'entreprise observe une explosion invisible de son coût de logistique inversée (SAV, retours, churn). La mission : Mettre sous monitoring factuel chaque étape du flux de transport et identifier où la promesse de livraison s'effondre face au client (taux de retard global atteignant un alarmant 54,8%). A key player processes 181K orders driving $36.78M in gross revenue but suffers an invisible explosion in reverse logistics costs (customer service, returns, churn). The mission: Factually monitor every step of the transit flow and isolate exactly where the delivery promise collapses (overall late rate spiking to an alarming 54.8%).
Architecture Technique Technical Architecture
Conception d'un Pipeline Extraction-Transformation-Chargement (ETL) en Python / Pandas pour
ingérer les logs sources, imputer les valeurs manquantes et calculer les features logistiques complexes (ex:
shipping_gap). Les données enrichies servent de socle à un outil de décision multidimensionnel
(Power BI).
Design of an Extract-Transform-Load (ETL) pipeline in Python / Pandas to ingest raw logs,
impute missing values, and engineer complex logic features (e.g., shipping_gap). The engineered
semantic layer acts as the foundation for a multidimensional decision tool (Power BI).
🏗️ Data Workflow & Modélisation 🏗️ Data Workflow & Modeling
Le pipeline convertit la donnée brute DataCo Supply Chain en indicateurs métiers concrets et
factuels. J'ai modélisé les calculs de dates asynchrones pour en extraire l'écart d'exécution
(avg_shipping_gap : 0,6 jours), révélant la dure réalité d'un OTIF (On-Time In-Full) à seulement
45,2%.
The pipeline transforms the raw DataCo Supply Chain dataset into bold, factual business intelligence.
I modeled asynchronous date logic to extract true operational variance (avg_shipping_gap: 0.6
days), uncovering the harsh reality of an On-Time In-Full (OTIF) rate sitting at merely 45.2%.
💡 Actionable Data Insights 💡 Actionable Data Insights
Crise Systémique : OTIF à ~45% Systemic Crisis: ~45% OTIF Rate
Avec un taux de service validé à 45,2%, la performance logistique est en-dessous de tout standard E-Commerce (qui dicte un objectif sain >85%). Mathématiquement, plus d'un client sur deux (~99K commandes) subit une friction critique de livraison (Retard). With a validated service level index at 45.2%, operational performance is wholly outside acceptable E-Commerce benchmarks (usually targeting >85%). Mathematically, over one in two customers (roughly 99K orders) experiences a critical friction point: Late Delivery.
Le "Black Swan" : L'urgence du mode 'First Class' The "Black Swan": 'First Class' Urgent Failure
L'agrégation des KPI de logistique indique un échec stupéfiant sur le tier le plus premium : le mode First Class affiche un taux d'échec total (en retard) de 95,3%. Les clients payant le prix maximal subissent paradoxalement le pire service. Logistics KPI aggregation points down to a staggering execution failure on the highest-priced tier: the First Class mode displays an absolute failure rate (late) of 95.3%. Clients paying top-dollar are paradoxically handed the worst SLAs.
Audits Catégoriels Ciblés Targeted Categorical Audits
La segmentation produit montre que de nombreuses références souffrent d'un retard systématique très prononcé dépassant les 58%. Notamment : Golf Bags (68,9%), Lacrosse (60,1%) et Pet Supplies (58,9%). Product segmentation demonstrates that many high-ticket or niche SKU lines suffer an extreme systematic lag surpassing 58%. Most notably: Golf Bags (68.9%), Lacrosse (60.1%), and Pet Supplies (58.9%).
📊 Executive Dashboard — Reporting Décisionnel 📊 Executive Dashboard — Decision Reporting
Le portail décisionnel DAX offre une vision panoramique permettant de "drill-down" par Continents, Années et Catégories. Cela favorise l'exploration *Self-Service* des décideurs pour isoler visuellement les foyers d'inefficacité (les 95,3% de retard First Class s'identifient en 2 clics). The DAX-powered decision portal offers a panoramic lens to dynamically "drill down" across Continents, Years, and SKUs. This enforces *Self-Service* BI, allowing stakeholders to visually isolate inefficiency hotbeds (the 95.3% First Class failure rate is reachable within 2 clicks).
🎯 Plan d'action & Résolution du ROI 🎯 Action Plan & ROI Resolution
1. Gestion de crise sur les SLA Transporteurs (Modes Class) : La First Class coûte probablement des millions en remboursements SAV. Recommander un report des volumes sur le Standard Class le temps de re-signer des pénalités financières contre les transporteurs défaillants. 1. Carrier SLA Crisis Management (Class Modes): First Class is likely burning millions in unrecorded customer service refunds. Immediate cap and shift of volumes toward Standard Class logistics should be enforced until new financial penalty clauses are negotiated against failing carriers.
2. Ajustement brutal de la Promesse Client : Une entreprise ne peut promettre ce qu'elle ne tient qu'à 45,2%. Sur le Front-End (E-commerce), il faut allonger les délais affichés pour stopper l'attrition (churn) liée aux fausses promesses. 2. Brutal Adjustment of the Customer Promise: An enterprise cannot promise what it only honors 45.2% of the time. Front-End (E-commerce UI) delivery ETAs must be forcefully extended to halt the massive attrition (churn) linked to unkept promises.
3. Roadmap Stratégique : Objectif Q1 : Abaisser la First Class à moins de 40% de retard (quick wins logistiques). Q2 : Casser la barre des 60% OTIF réseau via un audit lourd sur les produits volumineux (Sourcing Golf/Lacrosse). Target Année 2 : 85% d'OTIF normatif. 3. Strategic Turnaround Roadmap: Q1 Goal: Crash First Class failure rates below 40% (logistical quick wins). Q2 Goal: Breach the 60% network OTIF ceiling by severely auditing bulky SKU operations (Golf/Lacrosse Sourcing). Year 2 Target: Benchmarked 85% OTIF.