Pourquoi les organisations logistiques doivent répondre à l'appel de l'IA

> Améliorer ses prévisions

C’est le premier angle sur lequel peut agir l’intelligence artificielle au sein d’une organisation logistique, souvent le plus attendu par les entreprises se lançant dans le sujet : l’amélioration de la qualité des prévisions afin de mieux piloter les flux. « Cela peut sembler trivial, mais avoir une visibilité complète et instantanée sur les commandes, les stocks ou la charge industrielle afin de bien piloter ses opérations reste parfois un challenge », estime Olivier Lemaître, VP Sales South Europe & Middle East North Africa chez l’éditeur JDA. Pour cela, ces solutions se basent sur le machine learning (capacité de l’IA de pouvoir apprendre depuis la data sans programmation complémentaire) et viennent analyser les données de l’entreprise, se nourrissant de son historique pour en tirer des enseignements et des motifs récurrents. Elles interrogent également des données dites « exogènes », extérieures à l’organisation, afin d’améliorer la qualité des prévisions via une corrélation de facteurs divers que les systèmes traditionnels n’auraient pas été en mesure de réaliser. Cette lecture peut être encore plus ouverte en y intégrant les évolutions de la demande consommateur, le demand forecast. Le tout offrant des résultats très concrets : « Dans le domaine de la grande distribution, nous constatons une diminution des stocks de sécurité, des ruptures et de la casse en magasin, ainsi qu’une réduction des coûts en entrepôt avec un meilleur lissage des flux pour éviter les dents de scie », détaille Raphaël Bertholet, V.P. R&D chez l’éditeur Symphony RetailAI.

« Dans la gestion des approvisionnements, on peut venir jouer sur la diminution des niveaux de stock. Pour un de nos clients, nous avons également augmenté la disponibilité des produits de 15 % en un an. Cela améliore le chiffre d’affaires sur le long terme », précise de son côté Frédéric Ryckman, head of customer success chez l’éditeur Vekia. Ce dernier a également pu déployer ses solutions en SaaS pour le fournisseur d’énergie Engie afin de permettre un pilotage plus fin de sa supply chain sur un réseau de plus de 200 agences. Se basant sur les contraintes fournisseurs, les coûts de transport ou le prix unitaire des articles, elle permet des approvisionnements optimisés qui ont conduit à ce jour à une baisse de 10 % de la valeur de stock, une augmentation de 5 % de la disponibilité des pièces et une baisse de 15 % des coûts de transport. Aux États- Unis, l’éditeur Manhattan Associates a lui déployé une solution de pilotage par l’IA chez DHL. Le prestataire devait réaliser une prestation de préparation en amont de la demande pour un de ses clients, demandant donc des prévisions d’approvisionnements très fines. « En analysant les flux, notre solution a pu réduire le nombre d’approvisionnements quotidiens pour les commandes unitaires de 31 % et de 75 % pour les multi- commandes », raconte Adam Kline, senior director product management chez Manhattan Associates.  

> Savoir réagir plus rapidement

Le basculement permis par l’intelligence artificielle repose en partie sur le passage d’un monde où les adaptations étaient faites de manière statique vers des organisations capables de se remettre en perspective en temps réel et de manière dynamique. Une supply chain sachant réagir à l’inattendu, à ce qui n’a pas pu être planifié. L’IA peut faire remonter des anomalies terrain pour aider à la prise de décision rapide. « Grâce au machine learning, nous avons des modèles capables de se réadapter et de repenser leurs décisions tous les jours », résume Raphaël Bertholet. Des éditeurs proposent des solutions très poussées sur le sujet. Depuis un an, JDA travaille sur un produit dédié à l’optimisation dynamique des opérations en entrepôt à base d’IA : Luminate Warehouse Tasking. « Malgré une planification au plus juste, il y a toujours des aléas sur le terrain : des camions en retard, des produits manquants ou cassés… Nous avons donc conçu un système se situant au-dessus des ERP ou des WMS et qui vient optimiser et prioriser, de façon dynamique et semiautonome, les différentes tâches des opérateurs en entrepôt : réduire leurs déplacements temporairement, lisser les pics pour éviter les baisses de charges et mieux respecter les taux de service », raconte Olivier Lemaître. Ne venant pas se substituer à des logiciels existants, l’outil de JDA s’appuie au contraire sur la donnée collectée par ceux-ci, ainsi que par les installations technologiques des clients (systèmes automatisés, capteurs…) pour prendre des décisions au fil de l’activité. L’éditeur a commencé à travailler sur le sujet avec DB Schenker qui l’a déjà mis en place dans un premier entrepôt.

Cette gestion selon les variations de la demande est également au coeur de la solution Order Streaming de Manhattan Associates. Son objectif est de remplacer le concept de préparation par vague en entrepôt par un traitement individualisé et en temps réel des commandes, selon leur priorité. « C’est une solution qui correspond aux besoins du e-commerce, mais aussi de l’industrie qui peut avoir des demandes imprévisibles », explique Adam Kline. Avec l’Order Streaming, l’IA adapte et priorise la préparation de commandes pour répondre à deux principes : avoir une activité lissée, sans temps mort, et permettre de faire partir les bonnes commandes au bon moment. « Concrètement, si le site logistique connaît des creux, le système peut décider d’ajouter des flux non-prioritaires à ceux qui doivent être traités rapidement, afin de garder une productivité constante. Mais si, plus tard, l’activité se tend, alors il priorisera les produits devant partir au plus vite ». Si les gestionnaires de sites gardent un niveau de contrôle sur ce que propose la solution de Manhattan Associates, elle a aussi l’avantage d’automatiser certaines prises de décisions simples ou routinières pour plus de réactivité. Un basculement depuis un aspect prescriptif vers l’autonomie qui résume bien l’un des atouts majeurs de l’IA : savoir déléguer pour mieux piloter.