Sightness s’appuie sur l’IA pour mieux respecter la promesse client

Au moment de la livraison, face aux multiples données hétérogènes et au nombre important de facteurs impliqués - notamment externes (météo, trafic) -, les entreprises ne sont pas toujours en mesure d’identifier, d’expliquer et de résoudre les anomalies récurrentes pesant sur le taux de service. C’est pour répondre à cette problématique que la solution SaaS Sightness - lancée il y a un an par bp2r et qui compte désormais une quarantaine de clients - et son pôle R&D ont développé une nouvelle fonctionnalité d'IA dédiée à la détection intelligente des anomalies de respect de la promesse client. Ses algorithmes génèrent des plans d’action, qui gagnent progressivement en efficacité, tandis que le machine learning tire des enseignements des effets mesurés.

Un déploiement chez un chargeur du CAC 40

« Les entreprises n’arrivent pas à faire seules le constat de ces anomalies car elles ne sont pas capables d’intégrer des facteurs externes comme la météo, le trafic, l’interdiction de circuler… Grâce à beaucoup de sources open data, nous intégrons ces informations et identifions les anomalies récurrentes. Une quantité importante de facteurs sont capables d’influer sur une livraison. Il faut être capable de les assimiler et d’identifier des ‘’patterns’’, ce qui serait impossible sans la puissance de l’IA », détaille Arthur Auclair, vice president sales de Sightness. Des modèles identifiés sur une base de 10 millions de simulations et calculs testés mensuellement, pouvant intégrer les départements, les heures de départ, le volume, le segment de transport pour en tirer des « modèles d'anomalies récurrentes », révélateurs d’un problème opérationnel de fond. « Il s’agit d’une fonctionnalité qui va changer la façon dont chargeurs et transporteurs travaillent ensemble pour améliorer la promesse client, juge Arthur Auclair. Aujourd'hui les revues de performance transport sont un exercice profondément frustrant, personne n'étant en mesure d'identifier et d'expliquer les anomalies récurrentes. Nos algorithmes permettent d'établir les bons constats et les plans d'actions suggérés, afin de travailler avec les transporteurs pour améliorer le taux de service. Il existe même une dimension prédictive, Sightness pouvant alerter en cas d’expédition à risque, car correspondant à un modèle problématique. »

Récemment commercialisée, la solution est déjà utilisée en pilote depuis plusieurs mois chez un client industriel français du CAC 40 où elle a permis d’améliorer le taux de service et de renforcer la coopération entre l'entreprise et ses transporteurs. Validée sur une business unit, elle est actuellement en déploiement sur d’autres divisions.