Planification-prévision : des outils innovants basés sur l'IA

Hausse du nombre de données issues d’un marché aux variations brutales, besoin de réactivité dans un contexte de complexification des supply chains : difficile d’échapper à l’IA dans le domaine de la prévision et de la planification. « Un pilotage réalisé sur Excel, mensuellement, pouvait encore fonctionner quand les supply chains gardaient une cadence et des repères. Mais les derniers mois ont bien montré que tout a été bousculé, et qu’il faut une logique de travail en masse, permise uniquement par un outil équipé d’IA », estime Benoît Graux, consultant supply chain chez Acteos. Et si la supply chain avait parfois un peu de retard sur le sujet de la prévision via l’IA, celui-ci est comblé aujourd’hui grâce à la multitude des offres proposées sur le marché. Cependant, les utilisateurs restent précautionneux et veulent savoir ce que les solutions permettent, combien elles coûtent, et leur niveau de fiabilité. « L'IA doit être simple à mettre en place, avec des résultats rapides qui puissent être combinés avec les compétences humaines. Il faut à tout prix éviter l’effet “boite noire”, avec une intelligence qui fonctionnerait de manière opaque, mais aller vers une utilisation consciente de l’IA, en étant capable d’auditer la décision de la machine », juge Frank Wachowiak, en charge de l’offre S&OP et APS chez Sedapta-Osys France.

Remettre en cause l'historique

Avec l’aide de l’intelligence artificielle, les entreprises peuvent ouvrir la voie vers des prévisions plus fiables et plus réactives en dépassant la simple analyse des données historiques. Par le passé, les systèmes traditionnels mis en place étaient axés sur l’activité passée de l’entreprise, utilisée pour identifier les tendances futures. Un regard qui pouvait s’avérer trompeur. « Lors d’évènements comme la Covid-19, les entreprises réagissent souvent de la même façon que par le passé, sans regarder toutes les options possibles, créant une anticipation du changement décorrélée de ce qui se passe réellement sur le marché. Aux États-Unis, on a pu voir cela avec la demande de bois pour la construction. Quand les scieries se sont arrêtées au début de la crise, les entreprises imaginaient que les constructions allaient diminuer, comme dans toutes les récessions précédentes. Mais portées par le travail à domicile, les demandes d’habitation sont au contraire reparties à la hausse. Cela a créé un écart entre la production et la demande, et les prix ont grimpé. La prévision d’une baisse des volumes dans ce secteur aurait été bonne dans un certain cas de figure, mais cela n’a pas été le cas ici, et les entreprises n’ont pas eu ensuite assez de souplesse pour réagir, ce qui a entraîné des pénuries », détaille Evan Quasney, global VP supply chain solutions chez Anaplan. La remise en question d’une approche historique trop incertaine permet ainsi d’établir une vision du futur plus juste, où comprendre les tendances à venir devient un atout maître. « Dans nos algorithmes, nous avons la capacité de corriger ces données historiques de manière automatique grâce à l’IA, afin d’éliminer les comportements erratiques », note Manuel Montalban, CEO de Azap.

Toujours plus de data

Désormais, ces données historiques de ventes sont complétées par des algorithmes avancés, basés sur le machine learning, qui vont agréger un nombre important de données, d’un bout à l’autre de la supply chain de l’entreprise, mais aussi à l’extérieur. Face à la volatilité du marché, les organisations doivent en effet s’appuyer sur toujours plus de data, et travailler à les rapatrier et les exploiter. « Il faut être capable de prendre en compte un ensemble plus vaste d’informations, qui dépassent les ventes, les prix ou l’activité du point de vente. Les prévisions peuvent être impactées par le jour de la semaine, la météo ou des évènements extérieurs dont il faut tenir compte », explique Enrique Pie-Abad, directeur de la stratégie du pôle industrie chez Blue Yonder. Cette approche se retrouve également dans le demand sensing, dont le but est de « regarder les facteurs externes qui peuvent modifier la prévision. Nous pouvons corréler des données exogènes à la demande, et voir la façon dont cette dernière y réagit », explique Michael Haiber, directeur avant-vente Europe de ToolsGroup. « Dans une optique court-termiste, on peut analyser les réseaux sociaux par exemple. Sur le long terme, on va aller identifier les changements de consommation et les tendances à venir, afin de trouver des patterns pour mieux comprendre ce qui va arriver », ajoute Evan Quasney.

Avec une telle approche basée sur la demande et appuyée par la data, l’outil peut arriver à capter les futures variations du marché et à les transmettre ensuite. « Nos outils peuvent récupérer cette data, et la présenter de manière intelligible et harmonisée sur l'ensemble des outils internes. Nous avons signé un partenariat avec Amazon Web Services, qui nous apporte la possibilité d’aller chercher plus d’informations sur de grandes bases de données, tout en proposant des coûts inférieurs à ceux de nos concurrents », raconte Rui Saraiva, responsable des activités supply chain chez Infor Nexus. Des avantages permis par le déploiement croissant de solutions basées dans le cloud, qui offrent aux clients une puissance de calcul qui leur était inaccessible auparavant.

Décliner les scénarios et voir les impacts

Avec ces données, les équipes peuvent désormais mieux évaluer les impacts potentiels de leurs décisions, avec des outils déclinant des scénarios, en restant à l’écoute du business. « On voit le potentiel de solutions qui permettent, en tenant compte des facteurs externes, d’analyser l’impact potentiel d’une décision, et de jouer différents scénarios », explique Michael Haiber. Cette compréhension est permise par le positionnement de l’IA, désormais présente à différents niveaux de la supply chain, de manière pragmatique. « Pour la planification de la demande par exemple, une compréhension inédite des schémas et des comportements de ventes de produits (saisonnalité, obsolescence, avec des groupements automatiques qui peuvent aller jusqu’à l’échelle de l’unité de vente) donnent des résultats au plus proche du réel », constate Frank Wachowiak. Chez Sedapta-Osys, on met en avant l’approche DDAE (Demand driven adaptive enterprise), qui sera certifiée d’ici à la fin de l’année 2021, dont les bénéfices sont variés : « Moins de commandes urgentes, moins de stock et donc une réduction des charges, plus de réactivité et moins de pertes de commandes, ou encore une augmentation de la disponibilité des produits en point de vente. L’idée est de tendre les flux, de positionner les stocks au plus près de la production et de chaque nœud du réseau, pour réduire les charges au maximum et viser une plus grande réactivité », détaille Frank Wachowiak.

Face à la complexité, une automatisation des activités

Autre avantage de l’IA, la capacité à naviguer dans la complexité croissante des supply chains, avec une prolifération des articles, une volatilité des consommateurs et la dispersion des réseaux logistiques. « Avant, on nous demandait de pouvoir traiter 4 000 articles par semaine pour 400 points de vente. Aujourd’hui, des clients veulent planifier la supply chain de 100 000 articles pour des points de vente sur toute la planète, avec une réactivité au jour le jour. Les données demandées n’ont plus rien à voir », constate Rui Saraiva. La montée du e-commerce est un bon exemple de cette plus grande complexité de l’architecture logistique, nécessitant la mise en place de planifications multi-niveaux, capables de couvrir les besoins des usines, des entrepôts de distribution, des dépôts régionaux, des stocks magasins… : « Il faut tout planifier et rendre compte pour chaque produit de son niveau de stock en plateforme ou magasin, car les modalités de distributions peuvent être différentes en fonction des produits, ce qui accroit la complexité au sein d’une même société. Avec l’e-commerce, la difficulté vient du fait que l’on ne sait pas, a priori, au moment de la planification, où le client va aller chercher son produit », note Manuel Montalban.

Des process complexifiés que les équipes ne sont pas en mesure de démêler : « Le planificateur avait l’habitude de passer énormément de temps sur ses modélisations mathématiques, mais c’est un luxe qu’il n’a plus, d’autant qu’il devient difficile de trouver des équipes ayant des fortes compétences mathématiques », juge Rui Saraiva. Pour des raisons de disponibilité et de réactivité, il y a donc nécessité d’aller vers une automatisation des process de planification et prévision. « L'IA et le machine learning permettent à la solution de traiter le quotidien de manière autonome. Cela réserve l'intervention humaine à l'imprévu et aux exceptions », note Alexandre Jennaoui, VP Europe du Sud de Blue Yonder. Objectif : libérer les approvisionneurs des tâches quotidiennes, telles que la passation de commandes pour les produits à faible rotation qui se renouvellent à des échéances régulières. Des opérations assez rébarbatives et ne nécessitant pas l’expertise des équipes. « Notre logiciel donne directement aux approvisionneurs des feuilles de route quotidiennes avec par exemple la liste des commandes à passer pour tout ce qui est standard. L’intelligence humaine peut ainsi se concentrer sur les complexités du métier : produits rares, promotions, et surtout la gestion des imprévus comme on a pu le voir avec la crise sanitaire », détaille Manuel Montalban. Une organisation nouvelle, où les outils traitent et les humains arbitrent.