Votre modèle de données pour la gestion des entrepôts

La commande d'entrepôt constitue l'identifiant de cas principal. Elle regroupe toutes les activités associées à un même processus logistique, du début à la fin. Elle permet ainsi de suivre de bout en bout le cycle de vie d'une commande dans l'entrepôt, qu'il s'agisse de réceptionner, de mettre en stock, de prélever, d'emballer ou d'expédier des marchandises.

Dans une analyse de Process Mining, cet attribut est fondamental pour reconstituer le parcours de chaque commande. En reliant tous les événements à une commande d'entrepôt donnée, les analystes peuvent visualiser les flux de processus, mesurer les délais de cycle de chaque commande et identifier les variations ou les goulots d'étranglement qui nuisent à l'efficacité de l'exécution.

Il s'agit de la clé essentielle qui relie toutes les activités d'entrepôt associées au sein d'une même instance de processus cohérente, permettant une analyse de bout en bout.

Cet identifiant se trouve généralement dans les tables principales de gestion des commandes de Manhattan SCALE, notamment dans la table d'en-tête des commandes.

Cet attribut fournit la date et l'heure précises de chaque activité enregistrée dans le processus. Il constitue l'ossature chronologique du journal d'événements, en établissant la séquence et le moment de toutes les opérations d'entrepôt pour une commande donnée.

L'heure de l'événement est essentielle à toutes les analyses de Process Mining fondées sur le temps. Elle sert à calculer les délais de cycle entre les activités, à mesurer la durée totale d'un processus, à identifier les retards et à analyser la performance du processus sur différentes périodes. Des horodatages exacts sont indispensables pour établir une cartographie fiable du processus et obtenir des indicateurs de performance pertinents.

Cet horodatage est essentiel pour ordonner correctement les événements et calculer tous les indicateurs fondés sur la durée, tels que les délais de cycle et les délais d'exécution.

Situé dans les tables de journaux d'événements ou les enregistrements de transactions, avec les informations sur l'activité dans Manhattan SCALE. Les champs peuvent notamment s'appeler « created_ts », « event_timestamp » ou « status_change_date ».

Cet attribut enregistre les étapes ou les jalons distincts du processus de gestion d'entrepôt. Il peut s'agir, par exemple, de « Goods Picked from Storage », « Packing Initiated » et « Shipment Dispatched ». Chaque activité représente une action précise effectuée sur la commande d'entrepôt.

Il s'agit d'un attribut essentiel pour le Process Mining, car il définit les nœuds de la cartographie du processus. L'analyse de la séquence, de la fréquence et de la durée de ces activités permet de visualiser les flux de processus, d'identifier les écarts par rapport à la procédure standard et de localiser les goulots d'étranglement où le travail prend du retard.

Il définit les étapes du processus, constitue la base de la cartographie du processus et permet d'analyser les flux opérationnels ainsi que leurs variations.

Dérivé des codes de transaction, des journaux d'événements ou des tables de mise à jour des statuts de Manhattan SCALE qui suivent l'avancement des commandes d'entrepôt.

Cet attribut indique la date et l'heure auxquelles les données ont été extraites pour la dernière fois de Manhattan SCALE et chargées dans l'outil de Process Mining. Il reflète l'actualité des données analysées.

Cette information est essentielle pour comprendre la fraîcheur de l'analyse. Elle permet de savoir si l'analyse porte sur des données en temps réel ou sur un instantané pris à un moment donné, ce qui est important pour prendre des décisions opérationnelles éclairées et produire des rapports.

Il informe les utilisateurs sur l'actualité des données et leur permet de comprendre la période couverte par l'analyse et les rapports.

Cet horodatage est généralement généré et enregistré par l'outil ETL ou le pipeline de données pendant le chargement des données.

Cet attribut identifie l'application source dans laquelle les données d'événements ont été générées. Pour ce processus, sa valeur serait généralement « Manhattan SCALE ».

Dans un environnement composé de plusieurs systèmes intégrés, ce champ permet de distinguer les sources de données. Il fournit le contexte de leur origine, ce qui peut être important pour la gouvernance des données, le dépannage et la compréhension des variations possibles dans les processus de capture des données entre les différentes plateformes.

Il fournit un contexte essentiel sur l'origine des données, indispensable aux activités de gouvernance, de validation et d'intégration des données dans les environnements informatiques complexes.

Il s'agit souvent d'une valeur statique ajoutée lors du processus d'extraction, de transformation et de chargement (ETL) des données afin d'identifier le jeu de données.

Cet attribut représente l'accord de niveau de service (SLA) ou la date de livraison cible d'une commande d'entrepôt sortante. Il s'agit de l'échéance par rapport à laquelle la performance des opérations d'entrepôt est mesurée.

Cette date constitue une référence importante pour évaluer la performance. Elle est utilisée dans le Dashboard « Shipment On-Time Performance » et le KPI « On-Time Shipment Rate » afin de déterminer si une commande a été exécutée à temps. L'analyse des commandes qui dépassent cette date permet d'identifier les causes systémiques des retards et d'améliorer la satisfaction client.

Elle constitue la principale référence pour mesurer la performance des expéditions à temps et le respect des accords de niveau de service client.

Généralement stockée dans la table d'en-tête des commandes de Manhattan SCALE, souvent alimentée par un ERP ou un système de gestion des commandes en amont.

L'heure de fin marque l'achèvement d'une activité. Associée à une heure de début (EventTime), elle permet de calculer précisément le temps de traitement de chaque tâche. Tous les événements ne disposent pas d'une heure de fin distincte, mais cette donnée est très utile pour ceux qui en disposent, comme le « Picking » ou le « Packing ».

Dans l'analyse, l'heure de fin sert à calculer l'indicateur « ProcessingTime », essentiel pour comprendre l'efficacité des ressources et la durée des tâches. Elle permet d'identifier les activités qui prennent le plus de temps et contribuent au délai de cycle global ainsi qu'aux retards potentiels.

Elle permet de calculer précisément le temps de traitement de chaque activité et d'identifier les tâches qui consomment le plus de temps et de ressources.

Elle peut être disponible dans les mêmes journaux de transactions que l'heure de début, dans un champ distinct tel que « completed_ts » ou « end_time ». Si elle n'est pas directement disponible, elle peut parfois être déduite de l'heure de début de l'activité suivante.

Cet attribut enregistre l'identifiant de l'utilisateur chargé d'exécuter une tâche précise dans l'entrepôt, comme le prélèvement, l'emballage ou la mise en stock. Il relie les activités du processus aux ressources humaines mobilisées.

L'analyse de la performance par identifiant d'utilisateur ou d'opérateur est essentielle pour comprendre l'utilisation des ressources et l'efficacité individuelle ou collective. Elle permet d'identifier les meilleurs résultats, les besoins de formation et la répartition de la charge de travail. Ces données sont essentielles au Dashboard « Resource Utilization by Operator » et aux KPI associés, afin d'aider les responsables à optimiser les effectifs et l'attribution des tâches.

Il relie la performance du processus à des personnes ou à des équipes précises et permet d'analyser la charge de travail, la productivité et l'affectation des ressources.

Ces informations sont généralement enregistrées dans les journaux de transactions de Manhattan SCALE, souvent dans des champs tels que « user_id », « operator » ou « executed_by ».

Cet attribut, souvent appelé SKU (Stock Keeping Unit), identifie l'article précis concerné par une activité d'entrepôt. Une même commande d'entrepôt peut contenir plusieurs matériels, chacun étant traité dans des lignes de commande ou des tâches distinctes.

L'analyse du processus par identifiant de matériel peut révéler des problèmes propres à certains produits. Par exemple, certains articles peuvent être davantage sujets aux échecs de contrôle qualité, aux erreurs de prélèvement ou à des temps de traitement plus longs en raison de leur taille, de leur poids ou de leurs exigences de stockage. Ces informations contribuent à optimiser les stratégies de stockage et les procédures de manutention selon les types de produits.

Il permet une analyse au niveau du produit afin d'identifier les articles associés à des retards, des erreurs ou des reprises dans le processus.

Situé dans les tables des lignes de commande de Manhattan SCALE, avec un lien vers la commande d'entrepôt principale.

Cet attribut enregistre la quantité mesurée de marchandises à un point de contrôle important, comme la réception ou le prélèvement. Il représente ce qui a été physiquement traité, ce qui peut différer de la quantité prévue.

La comparaison de la quantité réelle avec la quantité prévue est essentielle pour identifier les écarts. Elle constitue la base du Dashboard « Order Quantity Discrepancy Trends » et du KPI associé. Le suivi de ces différences permet de repérer les problèmes liés à l'exactitude des livraisons fournisseurs, aux enregistrements de stock ou aux erreurs de prélèvement, qui sont importants pour préserver l'intégrité des stocks.

Elle est essentielle pour identifier les écarts entre les quantités prévues et exécutées, et mettre en évidence d'éventuels problèmes d'exactitude des stocks ou des erreurs opérationnelles.

Présente dans les enregistrements détaillés des transactions pour des activités telles que la réception, le comptage ou le prélèvement dans Manhattan SCALE.

Le type de commande définit la finalité globale de la commande d'entrepôt. Les types courants comprennent les expéditions client (sortantes), les réceptions fournisseur (entrantes), les transferts de stock entre emplacements (internes) ou les retours.

Cet attribut permet de segmenter l'analyse du processus. En filtrant par type de commande, il est possible de comparer la performance de différents processus, comme la réception et l'expédition. Cette distinction est importante, car leurs étapes, leurs ressources et leurs objectifs de performance sont souvent très différents, et leur analyse conjointe peut être trompeuse.

Il permet de séparer et de comparer des processus distincts, comme les flux entrants et sortants, qui présentent des parcours et des objectifs de performance différents.

Présent dans les données d'en-tête des commandes de Manhattan SCALE. Le champ peut s'appeler « order_type », « transaction_type » ou porter un nom similaire.

Cet attribut correspond à l'horodatage marquant la dernière étape du processus d'entrepôt pour une commande, comme « Shipment Dispatched ». Il représente l'heure effective d'achèvement du processus d'exécution.

Cette date est directement comparée à la « Requested Completion Date » pour calculer la performance des expéditions à temps. Elle constitue la donnée factuelle confirmant le moment où l'entrepôt a terminé sa responsabilité concernant la commande. Son analyse permet de mesurer précisément les délais de cycle d'exécution et la performance par rapport aux SLA.

Elle fournit l'horodatage factuel de l'achèvement de la commande, utilisé pour calculer les délais de cycle réels et mesurer la performance par rapport aux dates demandées.

Elle correspond à l'horodatage de la dernière activité du processus, comme « Shipment Dispatched » ou « Warehouse Order Completed ».

Cet indicateur calcule la durée totale de chaque commande d'entrepôt, de l'événement « Warehouse Order Created » à l'événement « Warehouse Order Completed ». Il s'agit d'un indicateur clé de performance qui mesure l'efficacité de bout en bout de l'ensemble du processus d'exécution en entrepôt.

Dans les Dashboards et les analyses, cet attribut fournit une vision globale de la performance. Il sert à suivre les tendances, à identifier les valeurs atypiques, notamment les délais de cycle prolongés, et à comparer la performance dans le temps. Il contribue directement au Dashboard « Overall Order Fulfillment Cycle Time » et au KPI correspondant.

Il s'agit d'un KPI important qui mesure la rapidité et l'efficacité de l'entrepôt de bout en bout, avec une incidence directe sur la satisfaction client et les coûts opérationnels.

Il s'agit d'un champ calculé, obtenu en calculant la différence entre les horodatages du premier et du dernier événement pour chaque commande d'entrepôt.

Cet indicateur calculé mesure la durée d'une étape importante du processus entrant : le temps entre l'activité « Goods Received and Counted » et l'activité « Goods Put Away in Storage ». Il quantifie l'efficacité des opérations de réception au quai et de mise en stock.

Cette durée constitue une donnée essentielle pour le Dashboard « Goods Receipt to Putaway Cycle » et le KPI correspondant. Des valeurs élevées peuvent indiquer des goulots d'étranglement au quai de réception, des retards dans la création des tâches de mise en stock ou des trajets inefficaces, autant de facteurs qui retardent la disponibilité des stocks.

Il isole et mesure l'efficacité d'une étape importante du processus entrant, en mettant en évidence les goulots d'étranglement qui retardent la disponibilité des stocks.

Il s'agit d'un champ calculé, obtenu en déterminant la différence de temps entre les événements « Goods Received and Counted » et « Goods Put Away in Storage » pour un cas donné.

Cette métrique correspond à la « quantité réelle » moins la « quantité planifiée ». Une valeur différente de zéro indique un écart entre la quantité de marchandises traitée et la quantité attendue. La valeur peut être positive, en cas d’excédent, ou négative, en cas de manque.

Cet attribut constitue la base du KPI « taux d’écart de quantité des commandes ». Il quantifie l’ampleur des erreurs lors de la réception ou du prélèvement et fournit une métrique claire pour les Dashboards qui suivent la précision des stocks. L’analyse des tendances et des causes profondes de ces écarts est essentielle pour améliorer la précision opérationnelle.

Cette métrique quantifie directement les erreurs liées aux stocks et à l’exécution des commandes. Elle fournit un indicateur clair pour suivre la précision et l’impact financier des écarts.

Il s’agit d’un champ calculé dans l’outil de Process Mining selon la formule suivante : ActualQuantity - PlannedQuantity.

Cet attribut identifie l'emplacement physique, par exemple l'allée 5, la case 3 ou le niveau C, associé à une activité de stockage ou de prélèvement. Il fournit un contexte spatial au processus d'entrepôt.

L'analyse des activités par emplacement de stockage est essentielle pour optimiser l'agencement de l'entrepôt et les flux de matériel. Elle peut aider à identifier les emplacements fréquemment utilisés, les trajets inefficaces lors du prélèvement ou les zones sujettes à la congestion. Ces données permettent d'analyser l'efficacité de la mise en stock et du prélèvement, et de repérer des possibilités d'amélioration des stratégies de stockage.

Il fournit un contexte spatial aux mouvements dans l'entrepôt et permet d'analyser l'efficacité de l'agencement, les temps de déplacement et l'optimisation des parcours de prélèvement.

Contenu dans les données au niveau des tâches de mise en stock et de prélèvement dans Manhattan SCALE, dans des champs tels que « location_id », « bin_code » ou « source_location ».

Cet attribut précise l'équipement de manutention (MHE) ou la technologie utilisés pour effectuer une tâche d'entrepôt. Il peut s'agir d'identifiants précis de chariots élévateurs, de numéros de transpalettes ou d'identifiants de scanners RF portables.

Ces données sont utiles pour analyser l'utilisation des ressources au-delà des seuls opérateurs. Elles permettent de comprendre les habitudes d'utilisation des équipements coûteux, de planifier leur maintenance et de vérifier que les outils appropriés sont disponibles au moment voulu. Elles contribuent directement à des KPI tels que « Resource Utilization (Picking) », en fournissant une dimension supplémentaire d'analyse.

Il permet d'analyser l'utilisation des équipements et son incidence sur l'efficacité du processus, ainsi que de gérer les calendriers de maintenance et les investissements dans les MHE.

Consultez la documentation de Manhattan SCALE ou les journaux système. Cette information peut être suivie dans les enregistrements d'exécution des tâches si le système est configuré pour la capturer.

Cet attribut booléen est obtenu en comparant la « Actual Completion Date » à la « Requested Completion Date ». Sa valeur est vraie si la commande a été terminée à temps et fausse si elle est en retard.

Cet attribut simplifie l'analyse de la performance en facilitant le filtrage et l'agrégation. Il sert de base au calcul du KPI « On-Time Shipment Rate » et alimente les Dashboards qui suivent le respect des SLA client. Il distingue rapidement les commandes conformes des commandes non conformes et permet d'analyser les causes profondes des retards.

Il simplifie le reporting de la performance en convertissant la comparaison de dates en un indicateur vrai/faux, ce qui facilite le calcul du taux d'expéditions à temps.

Calculé en comparant « ActualCompletionDate » <= « RequestedCompletionDate ». Cette logique est appliquée dans l'outil de Process Mining.

L'identifiant de l'expédition est un identifiant de niveau supérieur qui regroupe une ou plusieurs commandes d'entrepôt transportées ensemble dans le même véhicule ou dans le cadre de la même expédition. Il relie les commandes individuelles à un événement de transport précis.

Dans l'analyse, l'identifiant de l'expédition offre une vision plus large des opérations logistiques. Il peut servir à analyser l'efficacité du regroupement lors des phases de mise en attente et de chargement, à mesurer la performance des expéditions à temps au niveau de l'expédition et à comprendre l'incidence du regroupement des commandes sur les délais d'exécution globaux.

Il regroupe plusieurs commandes au sein d'un même événement d'expédition et permet d'analyser les processus de regroupement, de mise en attente et de chargement.

Présent dans les tables de gestion du transport ou des expéditions de Manhattan SCALE. Cet identifiant renvoie généralement à plusieurs commandes d'entrepôt.

Cet attribut identifie le partenaire logistique ou le transporteur, par exemple FedEx, UPS ou DHL, affecté à une expédition sortante. Il relie le processus d'entrepôt à l'étape de transport en aval.

L'analyse de la performance par transporteur peut révéler des informations importantes sur la chaîne logistique. Elle permet de déterminer si certains transporteurs sont associés à des temps de mise en attente plus longs, à des retards fréquents ou à des exigences particulières de manutention. Ces informations peuvent servir à évaluer la performance des transporteurs et à optimiser les partenariats logistiques.

Il relie les opérations d'entrepôt aux partenaires logistiques et permet d'analyser la performance par transporteur afin d'identifier d'éventuels goulots d'étranglement liés au transport.

Présent dans les tables de planification des expéditions ou du transport de Manhattan SCALE, souvent avec un lien vers l'en-tête de commande.

Cet attribut indique la quantité d'un article qui devait être reçue, prélevée ou traitée conformément à la commande d'entrepôt ou aux instructions de la tâche initiale. Il constitue la référence par rapport à laquelle l'opération réelle est mesurée.

Cette valeur est utilisée avec la « Actual Quantity » pour calculer les écarts. Des différences fréquentes entre les quantités prévues et réelles peuvent signaler des problèmes liés aux livraisons fournisseurs, à l'exactitude des stocks ou aux processus de prélèvement. Il s'agit donc d'un attribut important pour l'analyse de la qualité et de l'exactitude.

Elle sert de référence pour mesurer l'exactitude des quantités et identifier les écarts qui ont une incidence sur les stocks et l'exécution des commandes.

Située dans les tables des lignes de commande ou des détails de tâches de Manhattan SCALE.

Cet attribut booléen identifie les reprises, par exemple lorsqu'une activité « Goods Picked from Storage » est effectuée plusieurs fois pour le même matériel au sein d'une même commande. Il est obtenu par l'analyse des schémas du flux de processus.

Le signalement des reprises est essentiel pour identifier les inefficacités et les erreurs du processus. Il permet de quantifier le KPI « Picking Rework Rate » et d'isoler les cas comportant des étapes répétées afin de les examiner. Comprendre les causes des reprises est important pour réduire les coûts opérationnels et améliorer la qualité du processus.

Il signale les boucles inefficaces et les tâches répétées dans le processus, qui constituent souvent des sources cachées de retards et d'augmentation des coûts opérationnels.

Il s’agit d’un attribut calculé, généralement dérivé dans l’outil de Process Mining en définissant des règles qui détectent des séquences d’activités répétées spécifiques, par exemple des boucles simples ou courtes.

Cet attribut enregistre le résultat de l'activité « Quality Inspection Performed ». Il indique si les marchandises reçues respectent les normes de qualité requises ou si une action supplémentaire est nécessaire.

Il s'agit d'un attribut important pour l'analyse de la gestion de la qualité. Il permet de suivre le KPI « Quality Control Compliance Rate » non seulement sous l'angle du respect des exigences, mais aussi en fonction des résultats obtenus. L'analyse des taux d'échec par fournisseur ou par matériel peut contribuer à améliorer les décisions d'approvisionnement et à réduire les coûts en aval liés aux marchandises de mauvaise qualité.

Il fournit le résultat des contrôles qualité et permet d'analyser la qualité des fournisseurs, les problèmes liés aux produits et l'efficacité du processus d'inspection.

Consultez la documentation de Manhattan SCALE. Cette information est probablement stockée dans les tables liées à la gestion de la qualité ou aux tâches de réception.