Le B.A-BA de l'IA

1. Bien connaître sa data

Avant même de demander à une solution d’intelligence artificielle de venir optimiser sa supply chain, il faut déjà s’assurer d’avoir à disposition les données capables de l’alimenter. Sur ce point, les niveaux d’investissements dédiés aux systèmes d’information peuvent aussi bien être un frein qu’un levier pour tirer des bénéfices de l’IA. Pour autant, chez les logisticiens équipés, la data est déjà là, captée par des systèmes d’information en action tout au long de la supply chain (WMS, TMS ou même IoT et robotique), n’attendant qu’à être valorisée. Pour les utilisateurs de solutions en SaaS, ces données sont même parfois déjà dans les mains des éditeurs. Là où le sujet se complique, c’est quand il s’agit d’agréger et de traiter cette manne d’informations. « L’administration de la data va devenir une fonction clé au sein de l’entreprise. Cela obligera à se structurer et à centraliser les technologies de collecte », estime Raphaël Bertholet, V.P. R&D chez l’éditeur Symphony RetailAI. Un avis partagé chez Vekia par Fréderic Ryckman, head of customer success : « Il est nécessaire de bien travailler sur sa stratégie de données : remontée de data de qualité, unification des registres… Il faut réaliser une cartographie de ce qui existe dans sa supply chain puis procéder à une phase d’unification. Catalogues produits, outils pour les fournisseurs, OMS, WMS : tous ces éléments doivent pouvoir être croisés. Dans ce cadre, avoir un CDO [chief data officer] ayant une connaissance de la donnée et des process peut être un facilitateur ». Un amas d’informations, véritable matière première, qu’il s’agira ensuite d’analyser avec un regard critique, en corrigeant l’historique afin d’y appliquer des analyses de modèles pertinentes. Attention cependant : le volume d’informations nécessaire peut être important, principalement sur des projets visant une amélioration des prévisions de demande, qui nécessitent de disposer d’un historique conséquent (un minimum de deux ans est souvent indispensable) pour permettre à l’algorithme d’apprendre des évènements passés. Mais que cela ne vienne cependant pas décourager les entreprises n’ayant pas vraiment creusé le sujet.  

2. Savoir cadrer son projet

Le premier péché capital des projets d’IA, souligné par de nombreux éditeurs, est celui de leur périmètre. Nombre d’acteurs du secteur préviennent donc leurs clients en amont de ne pas essayer d’embrasser un spectre trop large pour débuter dans le domaine. « Privilégier une approche progressive est non seulement plus sécurisant, mais permet aussi de mieux cerner ses besoins. En commençant sur un périmètre ciblé dont on maitrise les enjeux, on peut mieux évaluer les apports de l’IA. C’est une méthode que nous utilisons pour démontrer la valeur ajoutée des solutions, avec des comparatifs avec ou sans IA sur des périodes courtes », rapporte Olivier Lemaître, VP Sales South Europe & MENA chez JDA. Il est donc recommandé de penser en termes de pilote, avec une approche résolument R&D, autour d’une problématique métier bien précise : un process qui pourrait être optimisé, un périmètre d’articles dont l’approvisionnement est à repenser, un taux de service à faire augmenter. « Avant de se dire que l’on va résoudre un problème, il faut essayer de le comprendre », résume Isabelle Badoc, product marketing manager chez Generix Group. « Les prérequis d’un projet IA sont de déterminer les données dont on dispose et ce qu’il est pertinent d’utiliser comme algorithmes. Une fois le projet cadré, notre rôle est de pouvoir dire le plus vite possible à un client ce qu’il va pouvoir espérer de l’IA. Nos ingénieurs vont analyser les données, voir comment les faire parler pour répondre à des problématiques précises », assure de son côté Olivier Dubouis, directeur général de Diagma. Une première étape avant de viser d’autres objectifs : intégrer de nouvelles données, aller chercher des capacités supplémentaires, interroger des informations externes. « C’est un processus itératif, pas une solution que l’on dépose et qui fonctionne toute seule », juge Fréderic Ryckman. Plus généralement, le mot d’ordre chez les éditeurs est de ne pas faire croire que l’IA sera l’instrument magique pour résoudre tous les problèmes de l’entreprise. « Il faut être clair sur les apports de l’IA, mais aussi sur ses limites », résume Olivier Lemaître. Penser « petit » permet ainsi d’éviter les projets déceptifs et donne l’occasion de grandir avec l’IA.  

3. Accompagner le changement

Si elle s’est démocratisée ces dernières années, l’IA peut être encore vue avec une certaine réticence par certains, craignant que cette technologie soit un bouleversement trop profond des processus métier. « Il faut dédramatiser le sujet », estime Isabelle Badoc. « Les architectures techniques peuvent être complexes, mais une fois les schémas bien définis, l’exécution peut être facilement prise en main ». Une phase d’accompagnement et d’évangélisation auprès des acteurs de la supply chain reste cependant parfois nécessaire pour sauter le pas. Du côté des équipes, la question de la conduite du changement doit également être prise en compte face aux évolutions permises par l’IA. « Il faut aller parler avec les équipes et leur expliquer que la machine va prendre en charge un certain nombre de leurs tâches afin de leur laisser plus de temps pour traiter des cas qui nécessitent une intelligence humaine », précise Fréderic Ryckman. En effet, l’IA assiste le logisticien et le complète. Il ne s’agit pas d’automatiser la prise de décision stratégique, mais de l’optimiser dans une optique de cohabitation et d’augmentation de l’expertise humaine par le machine learning. « Nous essayons de lutter le plus possible contre l’effet boite noire. Il ne faut pas que les décisions prises par l’IA soient illisibles pour les gestionnaires », juge Remi Coolen, business solution director chez Manhattan Associates.

4. Collaborer et décloisonner

C’est une réalité qui touche la plupart des projets de digitalisation de la supply chain : pour mettre en place des technologies innovantes, il est souvent nécessaire de penser collaboratif. En effet, ce type de solutions nécessite la mise en place d’équipes mixtes, croisant des spécialistes métiers et des profils d’experts techniques, souvent rares dans les effectifs de l’entreprise. Dans ce cadre, des collaborations internes-externes sont de mise, dans une optique d’échange et de co-construction, nécessitant la disponibilité de ressources humaines impliquées. « Nous apportons la méthodologie avec nos data scientists, mais il nous faut en face des experts métiers chez le client pour transmettre leurs besoins et valider les résultats », estime Isabelle Badoc. Faut-il cependant des équipes spécialement formées sur le sujet en interne ? Tout dépend des projets. Pour Fréderic Ryckman, « ce n’est pas forcément nécessaire. L’intérêt est que l’outil soit utilisable au quotidien sans passer par des experts en algorithmie ». Il est cependant recommandé qu’il y ait « un minimum de compréhension sur le sujet au sein de l’entreprise », selon Olivier Dubouis. Autre élément clé : toutes les composantes de l’organisation doivent être impliquées dans la démarche. Un point crucial dans le cadre de projets IA nécessitant une vision transversale de la supply chain. « Nous avons rencontré des prospects ayant accès à leurs ventes et leur catalogue d’articles, mais qui n’avaient pas les données des opérations promotionnelles car celles-ci étaient entre les mains du marketing. Cela peut limiter les bénéfices d’un projet. Il faut mettre tout le monde autour de la table et faire converger la connaissance », juge Fréderic Ryckman. Nécessité donc de ne plus penser en silo et de mettre en place une organisation transverse de la donnée. Le tout sous la houlette d’un leadership impliqué dans la démarche et prêt à l’accompagner sur le long terme.

5. Se laisser le temps de grandir

Pour convaincre aujourd’hui les entreprises, les spécialistes de l’IA veillent à apporter rapidement des bénéfices concrets suite au déploiement de leurs solutions. « C’est indispensable. Sans apports mesurables, ils ne passeront pas à l’étape suivante et il n’y aura pas d’adoption », juge Damien Pasquinelli, CTO advanced solutions chez Hardis Group. Une démonstration de valeur indispensable mais qu’il s’agit ensuite de transformer en une véritable phase d’industrialisation à l’échelle de l’entreprise. « C’est sur le long terme que les bénéfices réels de l’IA se déploient, particulièrement avec les mécanismes d’apprentissage du deep learning. Il y a une notion de capitalisation très importante », souligne Romain Louis, responsable de l'équipe chefs de produits, R&D Reflex chez Hardis Group. Aux organisations de s’engager donc pour passer la frontière de l’expérimentation initiale et chercher à offrir de la valeur à leur supply chain en étendant le périmètre d’action. « Il faut que l’écosystème de ses partenaires soit aussi en mesure de grandir avec le projet et être capable de transversalité. La mise à l’échelle est un vrai enjeu », résume Olivier Lemaître.