Skip to main content
Aprendizaje predictivo Inteligencia artificial machine learning
on 16 Nov 2018 9:15 AM

Dans un secteur où les marges s’amenuisent d’année en année avec des clients toujours plus exigeants, la logistique est une fonction stratégique pour la distribution. L’optimisation s’invite à tous les niveaux de la chaîne logistique pour permettre une gestion des stocks, du transport et des préparations de commande la plus fine possible. Dans ce contexte, le machine learning et les données sur lesquelles il s’appuie constituent une réelle opportunité. Quels sont les points d’amélioration logistique permis par l’intelligence artificielle (IA) ? Quelles conditions réunir pour que les algorithmes soient les plus efficaces possible ? Explications. 

 

Améliorer la chaîne logistique grâce au machine learning prédictif 

Prévoir les volumes d’activité et les ressources utiles 

Les activités de la Supply Chain produisent par nature beaucoup de données liées aux tournées de livraison, au stockage des marchandises ou à la préparation des commandes. Grâce à l’intelligence artificielle, ces informations peuvent désormais être exploitées de manière prédictive pour optimiser la chaîne logistique. 
 

Prévision de la demande 

Dans la distribution, les algorithmes de machine learning offrent aujourd’hui des capacités de prédiction inégalées pour estimer les évolutions d’activité. Ils permettent d’évaluer l’influence conjuguée d’une multitude de facteurs internes ou externes sur la demande, tout en considérant les particularités de chaque secteur. 

Le machine learning, ou apprentissage automatique, s’appuie notamment sur les données transmises aux vendeurs par les partenaires de distribution. Il sert en particulier à détecter des critères ayant un impact sur la demande sans qu’on le soupçonne auparavant. Fort de cette connaissance, le distributeur peut piloter ses stocks et ses flux de marchandises au plus juste afin de commercialiser les bons produits au moment opportun, qui plus est, sur des canaux adaptés et en quantité suffisante. 
 

Aide à la décision 

En entrepôt, la préparation des commandes est soumise à des pics de charges importants. Cherchant le plus souvent à limiter les ressources internes pour optimiser les coûts, les responsables d’équipes vont devoir faire appel à des intérimaires lors des fortes activités de consommation. Pour aider les opérateurs novices à prendre les bonnes décisions et être productifs plus rapidement, les managers peuvent avoir recours à des solutions d’intelligence artificielle et de machine learning

Prenons l’exemple d’un opérateur chargé d’empiler les colis sur des palettes. À partir des dimensions des colis, l’algorithme peut indiquer à l’opérateur quel est le meilleur positionnement des cartons sur la palette (couché, sur la tranche, vertical…) pour optimiser le chargement et réduire le nombre de palettes à expédier.  

Au bout de la chaîne, ces décisions ont un impact important sur les coûts de transport et la satisfaction du client qui pourra être livré sans attendre une prochaine levée. De la même manière, l’optimisation du circuit de prélèvement des marchandises permet au préparateur de commande d’éviter les trajets inutiles et d’être ainsi plus rapide et performant. 
 

Estimation de la ressource nécessaire 

En matière de planification, l’IA peut aider les chefs d’entrepôt à prévoir le nombre d’opérateurs nécessaires pour absorber les pics d’activité. En se basant sur la période et les prévisions de la demande, il est possible de calculer précisément les ressources supplémentaires nécessaires et ainsi d’augmenter la performance du site logistique
 

Mettre en place une maintenance prédictive 

Par le biais de capteurs intelligents, les entreprises de la Supply Chain disposent de nouveaux moyens pour prolonger la durée de vie de leurs véhicules de transport et équipements de gestion d’entrepôts. Les données issues de l’IoT permettent en effet de détecter les facteurs qui ont une influence sur la longévité des machines et d’imaginer de nouveaux modèles d’utilisation. Grâce au machine learning, on peut plus facilement mesurer l’efficacité globale des équipements (OEE – Overall Equipment Effectiveness), qui est un indicateur clé de performance pour la chaîne d’approvisionnement. 
 

Avoir une visibilité en temps réel sur la totalité de la chaîne 

Pour obtenir une visibilité de bout en bout sur l’ensemble des opérations de la chaîne d’approvisionnement, une surveillance en temps réel est indispensable. Combinée à la mise en place de capteurs IoT et à l’utilisation des analyses avancées du machine learning, la mise en place d’une plateforme digitale dont les données sont accessibles en temps réel va permettre une analyse beaucoup plus aboutie. 

 

Un bon algorithme, oui, mais surtout de la donnée ! 

Pour étudier les comportements de manière fine et établir des modèles de prévision fiables, l’intelligence artificielle doit toutefois pouvoir disposer de gros volumes d’information à analyser. C’est la condition sine qua non du bon fonctionnement des algorithmes. Trois semaines d’historique ne permettent en effet pas de faire fonctionner correctement une application de machine learning, qui n’aurait pas suffisamment de matière à analyser. 

Le stockage des données du Big Data est donc une vraie gageure pour les entreprises. Il faut pouvoir :

Afin que les données soient exploitables en temps réel, il faudra également travailler sur l’historique et réussir à donner du sens à certaines informations devenues obsolètes. Si une référence n’existe plus, il faudra par exemple considérer le comportement de sa famille plutôt que chercher à exploiter la référence en tant que telle. 

Pour être sûres de pouvoir utiliser pleinement les moteurs d’IA et bénéficier de leurs fonctions prédictives, les entreprises de la Supply Chain doivent commencer sans attendre à stocker leurs données. Et, pour ce faire, constituer au plus vite des bases suffisantes pour être exploitées dans l’avenir. 

 

L’intelligence artificielle est d’ores et déjà une réalité dans la Supply Chain. Ses algorithmes permettent concrètement d’améliorer les performances des entreprises en matière de gestion des stocks ou d’augmentation du chiffre d’affaires grâce au machine learning. Pour bénéficier au mieux de son apport, il convient cependant d’avoir une base de données solide à disposition. Si vous n’avez pas encore commencé à constituer votre base, il constituez vos archives sans plus tarder. 

Conçue dans le respect des obligations réglementaires liées à la protection des données (notamment le RGPD), la solution Generix Group Data Lake vous permettra de collecter et stocker vos données de manière sécurisée. Envie d’en savoir plus sur notre offre ? Consultez nos experts ! 

 

Contactez les experts Big Data Generix Group

 

Source image à la Une : Amazon warehouse robots

Isabelle Badoc

Expert in Supply Chain, Warehouse Management, Transport Management, e-commerce Logistics …