La qualité des données ERP, c'est ce qui décide si une IA branchée sur votre gestion produit des analyses justes ou des erreurs très convaincantes. En PME agroalimentaire, six défauts reviennent presque toujours. Inutile de viser une base parfaite : il suffit de corriger ceux qui touchent les données que vous ouvrez à l'IA, puis de tenir une règle de saisie.
Cet article s'adresse aux dirigeants qui envisagent de connecter un agent IA à leur ERP. Il détaille les six défauts les plus fréquents dans la filière, ce que chacun fausse, et une méthode en quatre temps pour fiabiliser les données sans DSI.
À retenir
six défauts faussent la plupart des calculs en agroalimentaire : clients en doublon, unités mélangées, articles mal classés, coûts de revient périmés, remises hors ERP et prix d'achat en texte libre. On ne nettoie pas toute la base : seulement les blocs ouverts à l'IA, souvent trois à cinq. La méthode tient en quatre temps : lister, trier, corriger, fixer une règle de saisie. Chaque bloc a un responsable nommé, sinon la base se dégrade de nouveau en quelques mois.
Qualité des données ERP : pourquoi une IA la rend visible
Votre ERP enregistre, et chaque équipe lit la partie qui la concerne. Une erreur de saisie y reste souvent invisible : l'ADV connaît le client enregistré sous deux codes, le contrôleur de gestion retire les remises de fin d'année à la main.
Une IA, elle, calcule et croise, sans les connaissances implicites de vos équipes. Une incohérence qui passait inaperçue dans un tableau devient une alerte fausse, ou pire, une alerte manquée.
| Situation | ERP utilisé seul | IA branchée sur l'ERP |
|---|---|---|
| Client enregistré sous deux codes | L'ADV fait le lien de tête | Deux clients distincts, chacun avec un rythme de commande faussé |
| Ventes en kilo et en colis sur une même référence | Le commercial convertit mentalement | Volumes additionnés sans conversion, tendances fausses |
| Coût de revient de l'an dernier | Corrigé dans un fichier Excel à part | Marge calculée sur un coût dépassé |
| Remises de fin d'année hors ERP | Retirées à la main en fin d'année | Marge par enseigne surestimée toute l'année |
C'est aussi pourquoi un agent IA ne remplace pas un socle de gestion solide, un point que nous développons dans notre article sur le retard structurel des ERP face à l'IA.
Les 6 défauts qui empêchent de fiabiliser les données ERP en agroalimentaire
Ces défauts ne sont pas propres à un éditeur. On les retrouve sous EURAGRO, Sage, VIF ou Divalto, parce qu'ils viennent des habitudes de saisie, pas du logiciel.
1. Doublons clients dans l'ERP : une enseigne sous plusieurs codes
Une même enseigne apparaît sous plusieurs codes : un par plateforme de livraison, un ancien code gardé après un déménagement, un compte créé en urgence. Les équipes savent que c'est le même client. L'ERP, non.
Pour une IA, ce sont deux ou trois clients différents. Le chiffre d'affaires de l'enseigne est éclaté, son rythme de commande paraît irrégulier, et un agent chargé de repérer les clients qui décrochent peut signaler une baisse qui n'existe pas.
Le contrôle : trier la liste des clients par nom et par SIRET, et rattacher chaque code secondaire à un compte principal.
2. Unités mélangées : kilo, colis, pièce et poids variable
En agroalimentaire, une même référence se vend souvent au kilo à un client, au colis à un autre, à la pièce en libre-service. Les produits à poids variable ajoutent une couche : le poids facturé diffère du poids théorique de la fiche article.
Si les coefficients de conversion sont absents ou faux, l'IA additionne des kilos et des colis. Les volumes par référence deviennent incomparables d'un mois à l'autre, et le prix moyen au kilo ne veut plus rien dire.
Le contrôle : vérifier que chaque article vendu dans plusieurs unités porte un coefficient de conversion renseigné et cohérent avec le poids réel moyen.
3. Données de référence articles : familles et gammes mal rattachées
Les données de référence articles (famille, gamme, marque, client dédié) servent à regrouper les ventes. Avec le temps, des articles sont créés par copie d'un autre et gardent la mauvaise famille, ou restent dans une catégorie « divers » qui grossit d'année en année.
L'IA qui analyse la rentabilité par gamme compare alors des ensembles faux.
Le contrôle : extraire les articles actifs avec leur famille, regarder en priorité la catégorie « divers » et les articles créés depuis deux ans.
4. Coûts de revient et nomenclatures qui ne suivent plus
Le coût de revient d'une référence dépend de sa nomenclature (matières, emballages, rendement matière) et des prix d'achat. Dans beaucoup de PME, il a été calculé une fois, puis mis à jour dans un fichier Excel à part, pas dans l'ERP.
Or c'est la donnée la plus utilisée par un agent d'analyse : c'est elle qui dit si une hausse de la matière première fait passer une référence sous le seuil de marge. Un coût périmé de six mois rend l'alerte inutile.
Le contrôle : dater la dernière mise à jour du coût de revient de vos références principales, et vérifier que les rendements matière des nomenclatures correspondent à ce que l'atelier constate.
5. Remises de fin d'année et conditions d'enseigne gérées hors ERP
Les RFA, les remises de référencement et certaines conditions négociées avec la grande distribution vivent souvent dans un tableur du service commercial ou de la comptabilité. L'ERP ne connaît que le prix facturé.
Résultat : la marge par client calculée par l'IA est surestimée toute l'année, et l'écart se concentre sur les enseignes qui pèsent le plus.
Le contrôle : lister les conditions qui ne passent pas par la facture, et décider soit de les saisir dans l'ERP, soit de donner à l'IA accès au fichier qui les contient.
6. Prix d'achat et fournisseurs saisis en texte libre
Côté achats, les défauts sont plus discrets : un même fournisseur créé deux fois, des matières saisies sous des libellés différents, des prix d'achat enregistrés à réception avec des unités variables (kilo, carcasse, caisse).
Un agent qui compare vos prix d'achat aux cotations du marché a besoin d'un prix unitaire comparable par matière. Sans lui, la comparaison est impossible. Nous détaillons ces usages dans notre article sur l'IA appliquée aux achats de matières premières.
Le contrôle : rapprocher la liste des fournisseurs actifs, et vérifier que chaque matière stratégique a une unité d'achat unique.
Nettoyer ses données ERP avant un projet IA : la méthode en 4 temps
Nettoyer toute la base serait long, coûteux et inutile. La règle est la même que celle conseillée par Salesforce pour préparer ses données à un projet IA : commencer par les données dont le projet a réellement besoin.
Premier temps : lister les défauts connus. Réunissez une heure l'ADV, la comptabilité et les achats. Chacun cite les corrections qu'il fait de tête ou dans un fichier à part : c'est la liste de départ.
Deuxième temps : trier selon les blocs ouverts à l'IA. Si l'agent analysera les ventes, les doublons clients et les unités passent en premier. S'il surveillera les marges, ce sont les coûts de revient et les remises. Le reste attend.
Troisième temps : corriger, bloc par bloc. Une personne par bloc, une échéance courte. La plupart des corrections se font par extraction, tri dans un tableur, puis réimport ou saisie dans l'ERP.
Quatrième temps : fixer une règle de saisie. Une règle simple par bloc, par exemple : « aucun article créé sans famille ni coefficient de conversion ». C'est elle qui évite de recommencer dans un an.
Ce travail suppose de savoir où sont vos données et qui en répond, ce que couvrent les étapes 2 et 3 de notre feuille de route de la gouvernance des données et de l'IA.
Préparer ses données pour l'IA : synthèse par défaut
| Défaut | Ce que l'IA calcule mal | Contrôle simple | Qui en répond |
|---|---|---|---|
| Clients en doublon | Rythme de commande, chiffre d'affaires par enseigne | Tri par nom et SIRET | Responsable ADV |
| Unités mélangées | Volumes, prix moyen au kilo | Coefficients de conversion renseignés | Responsable ADV ou logistique |
| Articles mal classés | Rentabilité par gamme | Revue de la famille « divers » | Responsable commercial |
| Coûts de revient périmés | Marge par référence, alertes de seuil | Date de dernière mise à jour | Contrôleur de gestion |
| Remises hors ERP | Marge par client | Liste des conditions hors facture | Direction commerciale |
| Prix d'achat en texte libre | Écart avec le marché | Unité d'achat unique par matière | Responsable achats |
Ce que la fiabilisation des données ne fait pas
Elle ne remplace pas un changement d'ERP. Si votre logiciel ne gère pas le poids variable ou les lots, aucun nettoyage ne comblera ce manque. Mais dans la grande majorité des cas, le logiciel sait faire : ce sont les habitudes de saisie qui ont dérivé.
Elle ne demande pas d'outil de MDM. Les logiciels de gestion des données de référence servent aux groupes qui consolident plusieurs ERP. Pour une PME, un tableur, une règle écrite et un responsable par bloc suffisent.
Elle ne se fait pas une fois pour toutes. Sans règle de saisie et sans responsable, les doublons reviennent. C'est pourquoi la saisie à la source compte autant que le nettoyage : dans notre cas client de traçabilité en charcuterie, rien n'entre dans l'ERP sans la validation d'un responsable.
Fiabiliser les données de votre ERP : par où commencer
Choisissez le premier usage de l'IA. Les ventes, les marges ou les achats : ce choix décide des blocs à fiabiliser en priorité.
Organisez l'heure de recensement. ADV, comptabilité, achats autour d'une table, avec une seule question : « Qu'est-ce que vous corrigez à la main ? »
Nommez un responsable et une règle par bloc. Un nom, une règle de saisie écrite, une date de revue dans trois mois.
Questions fréquentes sur la qualité des données ERP
Faut-il une base de données parfaite pour brancher une IA ?
Non. Une base parfaite n'existe dans aucune PME, et l'attendre revient à ne jamais démarrer. Ce qui compte, c'est que les données utilisées par le premier usage soient fiables : les ventes et les clients pour un agent commercial, les coûts de revient pour un agent de marge. Le reste peut être corrigé au fil de l'eau, une fois l'agent en place.
Combien de temps prend une fiabilisation des données en PME ?
Pour trois à cinq blocs de données, comptez quelques semaines, en parallèle de l'activité. La durée dépend surtout du nombre de doublons et de l'état des coûts de revient. Ce n'est pas un projet informatique, c'est un travail d'organisation.
Qui doit s'en charger quand on n'a pas de DSI ?
Les personnes qui utilisent les données au quotidien : l'ADV pour les clients et les commandes, le contrôleur de gestion pour les coûts de revient, le responsable achats pour les fournisseurs. Elles connaissent déjà les défauts. Le dirigeant tranche les arbitrages, par exemple quel code client garder.
Faut-il changer d'ERP si les données sont mauvaises ?
Rarement. Des données de mauvaise qualité viennent presque toujours des habitudes de saisie, et elles suivraient l'entreprise dans un nouvel ERP. Le changement d'ERP se justifie quand le logiciel ne sait pas gérer un besoin métier, comme le poids variable ou la traçabilité des lots, pas quand la base est désordonnée.
Un agent IA peut-il repérer les défauts de données lui-même ?
En partie. Un agent qui calcule des marges ou des rythmes de commande fait apparaître des incohérences : une marge négative improbable, un prix d'achat hors de toute fourchette, un client qui semble commander deux fois. Il peut les signaler. En revanche, décider quel code client garder ou quel coût de revient est le bon reste une décision humaine.
Comment éviter que la base se dégrade de nouveau ?
Avec trois choses : une règle de saisie par bloc, un responsable nommé, et une revue régulière. La règle doit être simple et vérifiable, par exemple aucun article créé sans famille ni unité. Sans responsable, la meilleure règle est oubliée en quelques mois.
Pour aller plus loin
La fiabilisation des données est la quatrième étape de notre feuille de route de la gouvernance des données et de l'IA en PME agroalimentaire. L'étape suivante consiste à écrire vos règles d'usage, avec notre modèle de charte IA pour PME agroalimentaire. Pour voir comment un agent croise ensuite vos données internes avec celles du marché, lisez notre article sur les agents IA connectés à plusieurs sources de données.
Vous voulez savoir si vos données sont prêtes ? Réservez 30 minutes avec nous : on regarde ensemble les blocs à ouvrir en premier et les défauts à corriger avant de brancher un agent.
Prêt à piloter vos données ?
Réservez une démo de 30 minutes et voyez ce qu'Agrolytics peut faire pour vous.
Réserver une démo
