/L’IA commence à faire ses preuves

L’IA commence à faire ses preuves

Après une période d’observation, de la preuve de concept jusqu’à l’expérimentation en grandeur réelle, l’intelligence artificielle prouve son intérêt économique. Optimiser les stocks tout au long de la chaîne logistique ainsi que les tournées malgré les aléas, lancer les alertes d’anomalie, prendre de meilleures décisions, diminuer les coûts… l’IA rentre dans le concret.

Fluidifier les flux du transport et de la logistique, détecter les anomalies, anticiper les besoins, tracer les ressources, améliorer la performance de l’ensemble d’une chaîne logistique… Tels sont les défis que relèvent les acteurs de l’intelligence artificielle (IA). « L’IA devrait contribuer à réduire l’état de crise permanente dans lequel on passe son temps à résoudre les problèmes intempestifs et urgents, lance Philippe Deysine, délégué général de Novalog, le pôle de compétitivité français dédié à la logistique. Il y aura toujours un bateau en retard à cause d’une tempête. Aujourd’hui, dès qu’un incident surgit quelque part, cela provoque des problèmes qui s’enchaînent et on a beaucoup de mal à comprendre ce qui se passe. Mais, grâce à l’IA, les acteurs du transport et de la chaîne logistique seront en mesure de mieux anticiper les crises, éviter les goulets d’étranglement et prendre de meilleurs décisions. »

Autrement dit, on peut passer d’une succession infinie de situations de crise à un fonctionnement global harmonieux de façon collective, voire collaborative. L’enjeu, c’est d’entrer dans l’ère du « Passez-moi vos données et regardons ensemble ce qu’on peut en sortir », indique le délégué général de Novalog qui, dans cet esprit, met en avant deux prometteuses startups de l’IA : Flowlity pour l’équilibrage de la gestion des stocks tout au long de la chaîne logistique et DC Brain pour la reconfiguration intelligente des tournées. Point fort de leurs systèmes : « Ils viennent s’intégrer aux systèmes d’information existant. L’important, c’est surtout d’avoir la donnée », reprend Philippe Deysine.

Dans tous les cas, l’IA ne pourra fonctionner à plein régime qu’en avalant des tonnes de données. Première étape, comptez au minimum deux ans d’historique – si ce n’est cinq. « Il s’agit le plus souvent de fichiers plats (Excel ou CSV) qui peuvent être très volumineux, comptant plusieurs millions de lignes, estime Julien Dutreuil, associé au cabinet conseil Bartle en charge de la Supply Chain. La seconde étape consiste à nettoyer la donnée. C’est-à-dire à éliminer les doublons, retirer les données obsolètes… Enfin, la valeur qu’apporte un outil d’IA repose à hauteur d’un tiers sur les données, d’un autre tiers sur l’outil d’IA à proprement parler et d’un dernier tiers sur l’équipe métier qui interprète et enrichit le système avec son expérience. »

Julien Dutreuil, associé au cabinet conseil Barthe en charge de la Supply Chain: « Il est nécessaire de bien préparer les données afin
de les utiliser avec l’IA.« 
©Bartle

Équilibrer les stocks dans une approche systémique

« Rupture de stock, sous-stock, sur-stock… Les entreprises sont démunies pour équilibrer leurs stocks. Principale raison : la chaîne agit comme les embouteillages. Autrement dit, toute variable est amplifiée. La question est alors de savoir comment changer cette donne une bonne fois pour toutes, interroge Jean-Baptiste Clouart, un ancien directeur produits de chez Dassault Système et co-fondateur de Flowlity avec Karim Benchaaboun, un ancien Data Scientist de chez Criteo – la licorne française du reciblage publicitaire sur internet, cotée au Nasdaq. Pour y parvenir, il faut avoir une approche systémique. Dans cette optique, nous reprenons l’idée d’une tour de contrôle pour partager l’information. Le problème, c’est que, pour des raisons de confidentialité, personne n’a envie de livrer ses données. D’où l’idée de nous positionner en tant que tiers de confiance intelligent. » En gros, il s’agit d’intégrer dans un système tiers, celui de Flowlity, les données à la fois des industriels, de leurs fournisseurs et de leurs clients industriels ou distributeurs. « A partir de là, nous analysons les risques de rupture de stock avec notre IA afin de préconiser aux différents acteurs d’une même chaîne logistique des recommandations qui conduisent à une meilleure gestion des stocks sans qu’ils soient obligés de dévoiler leurs données aux uns ou aux autres, souligne Jean-Baptiste Clouart dont la société a été créée en 2018. Cela déstresse et permet, au global, de diminuer les stocks de 40 % à 60 %. En particulier, les stocks de sécurité sont divisés par deux. » La start-up compte, parmi ses clients, Saint-Gobain Sekurit, La Redoute, Bosch, Plansee, Mida… Et qui dit diminution des stocks, dit rotations plus rapides, donc accélération des livraisons.

Détecter les anomalies en temps réel

De son côté, la société DC Brain, créée fin 2014, propose, en fonction du prévisionnel des charges et des contraintes du réseau, un plan de transport dynamique et optimisé. « Grâce à nos modules d’IA intégrés dans le logiciel, nous détectons des comportements intéressants. Par exemple, tel point de livraison réclame 10 minutes pour décharger. A partir de ce genre d’analyse, nous optimisons le plan de transport en fonction des contraintes de coût ou de temps ou encore des émissions de CO2, précise Benjamin de Buttet, le PDG de DC Brain qui réalise un chiffre d’affaires de 1,5 million d’euros et emploie une trentaine de salariés. Une fois ce travail accompli, l’intérêt de l’IA, c’est de pouvoir simuler des prises de décision. Par exemple, quel pourrait être dans mon réseau l’impact d’un nouveau client, d’un nouveau point de livraison ou d’enlèvement, voire d’une grève des transports publics. » Autre intérêt de la solution, elle permet de détecter les anomalies en temps réel via la donnée. Comme les retards ou les taux de remplissage trop faibles… L’éditeur garantit ainsi une diminution des coûts, pour les transporteurs, de 3 % à 8 %.

Benjamin De Buttet, PDG de DC Brain :
« Nous optimisons le plan de transport en fonction des contraintes de coût ou de temps ou encore des émissions de CO2.« 
©DC Brain

Chez Gefco, un projet intrapreneurial conduit au sein de son incubateur Innovation Factory, a débouché sur un programme de Track & Trace qui offre un service d’alertes pro-actives tout au long du processus de distribution multimodal des véhicules. « Concrètement, nous comparons le plan de transport d’un véhicule par rapport à sa géolocalisation effective. S’il sort du corridor, c’est qu’il y a un problème opérationnel. L’intérêt, c’est de recalculer le nouveau temps estimé d’arrivée (TEA) par rapport à ce qui était prévu, décortique Capucine Tourrenc-Le Tréguilly, responsable des projets stratégiques d’innovation chez Gefco. Par conséquent, l’IA repère le dysfonctionnement, lance des alertes en automatique et recalcule le nouveau temps estimé d’arrivée. » L’équipe de développement espère lancer un pilote avec un constructeur automobile dans le courant de l’année.

Par ailleurs, dans le cadre d’un partenariat avec l’accélérateur Techstars, Gefco a lancé l’an dernier une expérimentation pilote avec la start-up Tarot Analytics pour optimiser la gestion des tournées de son activité de distribution des pièces de rechange au Benelux. « Cela nous a permis de réduire le nombre de kilomètres parcourus à chaque tournée, reprend Capucine Tourrenc-Le Tréguilly. Cette solution, qui s’ajoute au TMS existant, calcule la tournée en seulement quelques minutes au lieu d’une vingtaine habituellement. Ce qui nous permet de faire davantage de simulations. Et comme le système est auto-apprenant, les simulations s’améliorent sans cesse. Ensuite, durant la tournée, l’outil sait aussi rediriger le camion s’il y a des embouteillages. » A présent, Gefco compte étendre l’usage de cette technologie à cinq sites au Benelux. Le transporteur ne s’arrête pas là puisqu’il compte également sur l’IA pour optimiser, durant ce premier semestre, à la fois le chargement des véhicules sur la remorque et les tournées de ces attelages.

Dans le cadre d’un partenariat avec l’accélérateur TechStars, Gefco a lancé l’an dernier une expérimentation pilote pour optimiser la gestion des tournées de son activité de distribution des pièces de rechanges au Benelux.
©Gefco

Convergence de l’IA et de l’IoT

Comme la donnée est le carburant de l’IA, bien des systèmes lorgnent vers les objets connectés pour massifier les informations et entraîner les modèles Machine Learning et Deep Learning. En témoigne la start-up Everysens qui a démarré en concevant ses propres capteurs IoT (Internet of Things) pour tracer les wagons de fret, puis a intégré tous les capteurs du marché dans son TMS ferroviaire afin de planifier les trains de marchandises, gérer leur réservation, déclencher automatiquement l’heure du départ, suivre les trains et vérifier grâce à l’analyse si le plan de transport a bien été respecté et si le tonnage est arrivé à l’heure et au bon endroit.

« L’idée, c’est d’automatiser la chaîne logistique ferroviaire de façon proactive car nous avons toutes les données, explique Youness Lemrabet, le PDG d’Everysens qui emploie 30 salariés à Paris et à Lille. Dans le fer, nous sommes au service des industriels. Mais, depuis dix-huit mois, nous sommes entrés sur le marché du TRM. Cette fois-ci, nous sommes au service des transporteurs car ce sont eux qui possèdent les véhicules. » Everysens récupère ainsi les données IoT des remorques, des tracteurs et des pneus. Puis elle se connecte au TMS du transporteur et compare la réalité avec le plan de transport théorique. « Nous apportons un retour sur investissement (ROI) au transporteur car nous améliorons, en moyenne, la disponibilité de ses moyens de transport, d’une demi-journée par mois et par véhicule, fait valoir Youness Lemrabet. Par ailleurs, le transporteur peut remonter l’information de disponibilité de ses ressources soit vers son TMS soit vers les bourses de fret ou de chargeurs. » A moyen terme, la startup compte gérer le transport multi-modal, ferroviaire et routier. La difficulté consistera alors à vivre dans plusieurs mondes à al fois : à suivre la marchandise pour l’industriel tout en se connectant aux transporteurs et aux bourses de fret ou de chargeurs.

Youness Lemrabet, PDG d’Everysens : « Nous améliorons, en moyenne, la disponibilité des moyens de transport, d’une demi-journée par mois et par véhicule.« 
©Everysens

Unifier les reportings pour maîtriser la qualité du transport

Yves Rocher a unifié les reportings relatifs aux livraisons dans ses 700 magasins. L’enseigne recourt à Sightness, une solution d’IA, pour homogénéiser ses données multi-sources et volumineuses et pour analyser puis optimiser ses coûts de livraison. Prochaine étape : lancer un appel d’offres pour recruter de nouveaux transporteurs.

« Nous n’avions pas de reporting unifié sur la qualité des prestations des cinq transporteurs qui livraient nos 700 magasins, principalement des franchisés. En effet, chacun établissait son reporting mensuel avec ses  propres critères. Difficile de faire converger et d’unifier les données », se souvient Sébastien Bellone, directeur transport et douanes du groupe Yves Rocher. Conséquence, l’enseigne enregistrait des plaintes récurrentes de la part de certains magasins. En cause, des livraisons en dehors de plages horaires prévues, des manques de produit parfois en démarque inconnue. « Nous sommes sous la barre de 1 % de litiges et retards sur la base de ce que remontaient les transporteurs. C’est peu mais quand même trop pour un réseau intégrés de magasins », reprend Sébastien Bellone. Par ailleurs, Yves Rocher suspectait que le nombre de plaintes et litiges déclarés ne reflétait pas la réalité.

Pour l’enseigne, l’objectif était donc très clair : réduire ce taux de 1 % et surtout identifier les anomalies en travaillant avec des règles unifiées avec les transporteurs de sorte à automatiser le reporting. Dans cette optique, Sébastien Bellone s’adresse à Sightness qui utilise l’intelligence artificielle dans le transport afin de détecter les anomalies et d’optimiser les coûts, la qualité ainsi que pour réduire les émissions de CO2. « La donnée transport est à la fois multi-source, complexe et volumineuse. Nous l’intégrons, l’homogénéisons et l’enrichissons avec des algorithmes de Machine Learning et des règles métiers pour la restituer sous forme de reportings afin d’identifier les performances ainsi que les anomalies ponctuelles et récurrentes, détaille Arthur Auclair, vice-président de Sightness en charge des ventes. L’objectif, c’est d’établir les bons constats, d’identifier les causes racines de dysfonctionnement et de mettre en place les plans d’action nécessaires afin d’améliorer la performance. » Comme la solution Sightness est accessible dans le Cloud, son déploiement n’a pis que quelques mois.

Résultat, la nature des constats change : « Avec 99 % de taux de service concernant la qualité de nos prestations de transport, nous étions sur un petit nuage. En fait, nous avons appris que les horaires de livraison n’étaient respectés qu’à 87 %, poursuit Sébastien Bellone. Nos constats sont désormais plus réalistes. Nous pouvons analyser nos résultats selon des critères fiables en termes de fréquence et de rentabilité et de livraisons, de coût par magasin, par région… » Fort de cette nouvelle organisation, Yves Rocher va lancer un nouvel appel d’offres auprès des transporteurs en se basant sur les bons critères d’analyse et de suivi des coûts et des performances. Un virage important sachant que, jusqu’ici, l’enseigne a intégré le coût du transport au prix des produits.

La solution Sightness est disponible dans le Cloud. Du coup, il n’a fallu que
quelques mois pour la déployer.
©Yves Rocher

© Erick Haehnsen