Capitaliser sur une expertise Humaine forte
Résoudre des problèmes complexes opérationnels de gestion de production ou d’entrepôt, optimiser la performance dans un environnement contraint, mieux prédire les volumes, etc. : le potentiel d’optimisation de la Supply Chain est immense, dans un univers où la donnée existe et devient de plus en plus accessible. Néanmoins, ces enjeux ne peuvent être résolus par les solutions traditionnelles WMS et TMS sans l’aide des algorithmes de machine learning et l’expertise de Data Scientists et Engineers.
Le Data Scientist pilote la gestion, l’analyse et l’exploitation des données. Il identifie les leviers de performance jusqu’alors non pilotée et construit l’algorithme qui va guider les choix de paramétrage du WMS pour optimiser l’affectation des tâches aux ressources, améliorer le montage des palettes hétérogènes, réduire le temps de préparation grâce à une simulation du meilleur chemin en temps réel, tout en prenant en compte l’encombrement des allées, etc. Il s’appuie également sur l’expertise du Data Engineer, en charge d’identifier la source des données et de construire le système qui assurera la bonne qualité d’alimentation des données dans les algorithmes.
L’intégration de tels profils constitue aujourd’hui un vrai levier d’amélioration de la performance des activités logistiques et de transport. Ces profils étant par ailleurs extrêmement courtisés, certains éditeurs mettent déjà à disposition de leurs clients des Data Scientists maitrisant les flux de la Supply Chain et les typologies de données disponibles via les solutions WMS, TMS, etc. Accompagnés par des experts métier, ils sont ainsi en mesure d’intervenir auprès des retailers, industriels ou 3PL afin de les aider à tirer le meilleur parti de leurs données, d’une part, et de l’Intelligence Artificielle, par ailleurs, au profit de la performance des opérations supply chain de l’entreprise.
Les modèles de collaboration Homme/Machine
À l’ère du deep learning la Machine tend vers de plus en plus d’autonomie. Il ne faut cependant pas négliger l’importance des algorithmes préalablement mis en place par l’Intelligence Humaine au profit des différents modèles de collaboration. Nous identifions trois modèles pouvant être mis en place.
Le premier, « supervisé », nécessite une plus forte implication de l’Humain : c’est lui qui sélectionne les données en fonction de leur impact sur le résultat et qui construit l’algorithme correspondant, en lequel il a confiance puisqu’il en est l’auteur. Cette méthode est notamment utilisée pour la prévision des ventes. Par exemple, le nombre de commandes à expédier impacte la charge de picking de l’entrepôt.
Le second, « non supervisé », laisse davantage de champ libre à l’algorithme, qui « digère » les données qui lui sont adressées et établit un diagnostic permettant de définir des règles de gestion et de segmenter, mais aussi de relever ce qui a le plus d’impact sur le résultat et la performance. Par exemple, une augmentation des ruptures de picking peut engendrer un ralentissement soudain de la productivité d’un site. Cette corrélation est mise en évidence par l’algorithme. Le problème, ainsi identifié, peut ensuite être résolu par les gestionnaires.
Enfin, le modèle « par renforcement » contribue à développer les performances et l’autonomie de la Machine au contact de l’Homme. La Machine est informée par l’Homme lorsqu’elle prend la bonne décision et se « forme » au quotidien en prenant en compte son expérience. L’entrepôt devient ainsi chaque jour plus intelligent. Ce système est utilisé dans la robotique, pour les assistants virtuels médicaux ou bancaires, etc.
Automatiser pour mieux anticiper
En opérant une veille des événements susceptibles d’impacter la chaîne logistique – décisions géopolitiques, risques boursiers, enjeux climatologiques, etc. pouvant avoir des répercussions sur un client, un fournisseur ou un site –, les algorithmes aident à mieux anticiper les aléas, à calculer la projection de l’impact et à accélérer la prise de décision pour se protéger au mieux face au risque.
Les algorithmes permettent également d’améliorer l’agilité des opérations logistiques en entrepôt. Il faut avoir prévu plusieurs modes opératoires pour les étapes clés – réception, stockage, préparation, etc. – et être capable de sélectionner automatiquement le mode à privilégier en fonction du contexte : commandes prioritaires, gestion d’une pénurie, etc., d’affecter les tâches de manière dynamique en fonction de l’avancement réel des missions et d’éventuelles données externes traitées en temps réel (l’heure estimée et mise à jour de l’arrivée d’un camion sur site, par exemple), et d’accélérer la capacité à gérer des ressources humaines complémentaires et/ou ponctuelles tout en favorisant la polyvalence des équipes. L’Intelligence Artificielle va également, de plus en plus, rendre possible la simulation des différentes options disponibles, afin de faciliter la prise de décision.
La mise en place d’une Supply Chain collaborative, avec une solution de visibilité transverse pour l’ensemble des intervenants, permettant le partage des données afin que chacun puisse mieux anticiper les événements et aléas et s’organiser en fonction améliore in fine la confiance de l’ensemble de la chaine. Les opérations du quotidien sont fluidifiées, les pertes de temps limitées de part et d’autre, ce qui génère un meilleur engagement de tous en cas de crise.
Le SaaS, pour un système d’information résilient
Enfin, il est impératif de mettre en place une infrastructure à même de supporter la fluctuation et les pics de volumes. La solution WMS en place doit fonctionner 24h/7j, sans risque. À cet égard, le SaaS, grâce à sa « scalabilité », offre une grande souplesse, assure la gestion des pics, limite la pressurisation des équipes en interne, et permet la mutualisation, pour l’ensemble des clients, de la protection contre les cyberattaques. Il est le garant fiable de la bonne performance des algorithmes, qui œuvrent ainsi, dans un environnement sain et résilient, à l’optimisation des opérations, pour une Supply Chain efficiente et intelligente.
Résoudre des problèmes complexes opérationnels de gestion de production ou d’entrepôt, optimiser la performance dans un environnement contraint, mieux prédire les volumes, etc. : le potentiel d’optimisation de la Supply Chain est immense, dans un univers où la donnée existe et devient de plus en plus accessible. Néanmoins, ces enjeux ne peuvent être résolus par les solutions traditionnelles WMS et TMS sans l’aide des algorithmes de machine learning et l’expertise de Data Scientists et Engineers.
Le Data Scientist pilote la gestion, l’analyse et l’exploitation des données. Il identifie les leviers de performance jusqu’alors non pilotée et construit l’algorithme qui va guider les choix de paramétrage du WMS pour optimiser l’affectation des tâches aux ressources, améliorer le montage des palettes hétérogènes, réduire le temps de préparation grâce à une simulation du meilleur chemin en temps réel, tout en prenant en compte l’encombrement des allées, etc. Il s’appuie également sur l’expertise du Data Engineer, en charge d’identifier la source des données et de construire le système qui assurera la bonne qualité d’alimentation des données dans les algorithmes.
L’intégration de tels profils constitue aujourd’hui un vrai levier d’amélioration de la performance des activités logistiques et de transport. Ces profils étant par ailleurs extrêmement courtisés, certains éditeurs mettent déjà à disposition de leurs clients des Data Scientists maitrisant les flux de la Supply Chain et les typologies de données disponibles via les solutions WMS, TMS, etc. Accompagnés par des experts métier, ils sont ainsi en mesure d’intervenir auprès des retailers, industriels ou 3PL afin de les aider à tirer le meilleur parti de leurs données, d’une part, et de l’Intelligence Artificielle, par ailleurs, au profit de la performance des opérations supply chain de l’entreprise.
Les modèles de collaboration Homme/Machine
À l’ère du deep learning la Machine tend vers de plus en plus d’autonomie. Il ne faut cependant pas négliger l’importance des algorithmes préalablement mis en place par l’Intelligence Humaine au profit des différents modèles de collaboration. Nous identifions trois modèles pouvant être mis en place.
Le premier, « supervisé », nécessite une plus forte implication de l’Humain : c’est lui qui sélectionne les données en fonction de leur impact sur le résultat et qui construit l’algorithme correspondant, en lequel il a confiance puisqu’il en est l’auteur. Cette méthode est notamment utilisée pour la prévision des ventes. Par exemple, le nombre de commandes à expédier impacte la charge de picking de l’entrepôt.
Le second, « non supervisé », laisse davantage de champ libre à l’algorithme, qui « digère » les données qui lui sont adressées et établit un diagnostic permettant de définir des règles de gestion et de segmenter, mais aussi de relever ce qui a le plus d’impact sur le résultat et la performance. Par exemple, une augmentation des ruptures de picking peut engendrer un ralentissement soudain de la productivité d’un site. Cette corrélation est mise en évidence par l’algorithme. Le problème, ainsi identifié, peut ensuite être résolu par les gestionnaires.
Enfin, le modèle « par renforcement » contribue à développer les performances et l’autonomie de la Machine au contact de l’Homme. La Machine est informée par l’Homme lorsqu’elle prend la bonne décision et se « forme » au quotidien en prenant en compte son expérience. L’entrepôt devient ainsi chaque jour plus intelligent. Ce système est utilisé dans la robotique, pour les assistants virtuels médicaux ou bancaires, etc.
Automatiser pour mieux anticiper
En opérant une veille des événements susceptibles d’impacter la chaîne logistique – décisions géopolitiques, risques boursiers, enjeux climatologiques, etc. pouvant avoir des répercussions sur un client, un fournisseur ou un site –, les algorithmes aident à mieux anticiper les aléas, à calculer la projection de l’impact et à accélérer la prise de décision pour se protéger au mieux face au risque.
Les algorithmes permettent également d’améliorer l’agilité des opérations logistiques en entrepôt. Il faut avoir prévu plusieurs modes opératoires pour les étapes clés – réception, stockage, préparation, etc. – et être capable de sélectionner automatiquement le mode à privilégier en fonction du contexte : commandes prioritaires, gestion d’une pénurie, etc., d’affecter les tâches de manière dynamique en fonction de l’avancement réel des missions et d’éventuelles données externes traitées en temps réel (l’heure estimée et mise à jour de l’arrivée d’un camion sur site, par exemple), et d’accélérer la capacité à gérer des ressources humaines complémentaires et/ou ponctuelles tout en favorisant la polyvalence des équipes. L’Intelligence Artificielle va également, de plus en plus, rendre possible la simulation des différentes options disponibles, afin de faciliter la prise de décision.
La mise en place d’une Supply Chain collaborative, avec une solution de visibilité transverse pour l’ensemble des intervenants, permettant le partage des données afin que chacun puisse mieux anticiper les événements et aléas et s’organiser en fonction améliore in fine la confiance de l’ensemble de la chaine. Les opérations du quotidien sont fluidifiées, les pertes de temps limitées de part et d’autre, ce qui génère un meilleur engagement de tous en cas de crise.
Le SaaS, pour un système d’information résilient
Enfin, il est impératif de mettre en place une infrastructure à même de supporter la fluctuation et les pics de volumes. La solution WMS en place doit fonctionner 24h/7j, sans risque. À cet égard, le SaaS, grâce à sa « scalabilité », offre une grande souplesse, assure la gestion des pics, limite la pressurisation des équipes en interne, et permet la mutualisation, pour l’ensemble des clients, de la protection contre les cyberattaques. Il est le garant fiable de la bonne performance des algorithmes, qui œuvrent ainsi, dans un environnement sain et résilient, à l’optimisation des opérations, pour une Supply Chain efficiente et intelligente.