Supply chain du e-commerce : l’apport de l’intelligence artificielle et de l’aide à la décision

Analyses descriptives : quels sont les KPI pertinents pour une prise de décision éclairée ?

Les indicateurs clés de performance (KPI) jouent un rôle central dans la prise de décision. Ces KPI offrent une fenêtre sur l’efficacité opérationnelle, formant ainsi la base des décisions réactives et proactives.

Une approche rigoureuse depuis l’étape de maîtrise des données garantit que les KPI reposent sur des données solides et fiables. Cependant, il convient de ne pas encombrer la prise de décision avec une multitude d’indicateurs. L’objectif est de se concentrer sur un ensemble restreint et ciblé, tel que le coût par unité, les kilomètres par unité transportée, le taux de remplissage des camions, le taux de livraison en J+1, ou la part du roulage et de la livraison dans le dernier kilomètre.

La qualité des KPI est tout aussi critique que leur quantité, car des KPI mal conçus peuvent mener à des décisions erronées. Il est donc impératif de s’appuyer sur l’expertise du métier pour affiner et sélectionner les KPI pertinents, évitant ainsi les pièges potentiellement induits par les données.

Analyses prédictives : que peut-on faire avec du machine learning dans la supply chain du e-commerce ?

L’intégration du machine learning et des algorithmes d’apprentissage automatique au sein de la supply chain du e-commerce ouvre la voie à des possibilités considérables en termes de modélisation et de prévision des flux.

• Prédire l’avenir : L’activité du e-commerce est caractérisée par des fluctuations, qu’il s’agisse de gains ou de pertes de clients, de variations saisonnières hebdomadaires avec des mardis forts et des lundis plus faibles, ainsi que de variations saisonnières annuelles liées aux pics de fin d’année ou aux creux du mois d’août. Ces éléments justifient l’usage de modèles avancés pour prédire avec précision les volumes hebdomadaires (besoins opérationnels), mensuels (besoins tactiques) et à annuels (besoins stratégiques). Au passage on ne sera pas peu fiers d’avoir pu stocker 3 ans d’historiques pour alimenter la machinerie.
  Nous verrons également par la suite pourquoi prédire le volume de demain n’est pas suffisant pour prendre les meilleurs décisions…
• Modéliser des coûts de transport : Vos historiques de facturation transport sont une véritable mine d’or. Le machine learning permet d’exploiter ces données pour élaborer des modèles de coûts de transport en prenant en compte divers paramètres tels que les kilomètres, le sens du flux, le type de véhicules, l’indice du prix du carburant, etc. Cette modélisation trouve des applications multiples, des budgets à l’établissement des prix de référence pour les appels d’offres, en passant par les études et les simulations.
• Ajustement continu des paramètres du dernier kilomètre : Les experts sur le terrain ont la capacité d’initialiser les paramètres essentiels tels que les vitesses, les temps de dépose, le nombre de colis par arrêt, les durées de trajet et le volume par colis. Les modèles d’apprentissage automatique calculent et mettent à jour ces paramètres en se basant sur les historiques de livraison, prenant en compte la saisonnalité du trafic, les densités des zones de livraison, la typologie des colis et la réalité du terrain. Une telle démarche renforce la fiabilité des paramètres, et par extension, celle des KPI.
  Ces paramètres serviront par la suite à une meilleure planification des tournées.
• Sectorisation du dernier kilomètre : Les modèles de clustering apportent une nouvelle perspective à la planification des livraisons du dernier kilomètre. En substituant les regroupements géographiques prédéfinis, ces modèles créent des secteurs de livraisons robustes, optimisant ainsi la planification des tournées des chauffeurs.

N’oublions pas que, malgré l’importance du machine learning, l’expérience et le discernement des experts métier demeurent essentiels. Les modèles de machine learning parfois dépourvus d’explications procédurales peuvent générer des résultats difficiles à décrypter. Dans ce contexte, le retour des experts métier sur les prévisions, les paramètres, les clusters et autres résultats est primordial pour affiner et entrainer les modèles.

Analyses prescriptives : que doit-on faire avec l’optimisation dans la supply chain du e-commerce ?

Les modèles prédictifs permettent de prévoir le nombre d’unités par produit à collecter, à transiter et à distribuer. Cependant, orchestrer ces informations en flux physiques, en les traduisant en camions, en main-d’œuvre, en heures de production, en livreurs et en critères comme le coût total ou le taux de satisfaction client requiert l’intervention d’algorithmes d’optimisation. Les algorithmes d’optimisation s’appuient entre autres sur les prévisions, les coûts modélisés, les paramètres ajustés calculés par les modèles prédictifs ainsi que sur des règles métier. Ils permettent de résoudre des problèmes organisationnels complexes avec une allocation optimale des ressources.

• Optimisation des tournées du premier et du dernier kilomètre : Les algorithmes d’optimisation des tournées ont pour objectif de dimensionner et planifier les activités de collecte et de livraison. Leur mission consiste à minimiser un coût (par exemple le nombre de livreurs) tout en respectant des contraintes et des règles spécifiques, comme les plages horaires de collecte et de livraison ainsi que la réglementation.
  Ces algorithmes répondent à des questions opérationnelles et tactiques : « Quel est l’impact de l’intégration de livraisons au sein des tournées de collecte ? », « Puis-je mesurer les gains de la transition d’une sectorisation statique à une approche dynamique ? », « L’utilisation partagée de véhicules pour les collectes matinales et des livraisons l‘après-midi est-elle une bonne idée ? », « Quel meilleur mix véhicules pour gagner en performance ? Quid du véhicule électrique ? », « Est-que j’utilise le bon modèle de rémunération pour mes livreurs ? »…
• Planification des plans de transport : Peu connu du grand public, le plan de transport est la colonne vertébrale d’une supply chain du e-commerce. Ces camions qui roulent majoritairement le soir sont derrière la promesse client (12H, 24H, 48H…)..
  La construction des plans de transport, des plans de tri en agence et le respect des plages horaires constituent un défi des plus complexes. Il n’est donc pas rare de voir des plans de transport non challengés qui se construisent par strasse au fil des années..
  Les algorithmes d’optimisation sont de formidables atouts pour ce type de problématiques, ils permettent d’explorer une multitude de configurations en activant plusieurs leviers. Vous optimisez ainsi simultanément les plans de transport, les plans de tri, les chronogrammes et les délais.
  Ces algorithmes permettent de répondre à des questions opérationnelles et tactiques : « Quelle est la meilleure combinaison de sites de cross dock dans mon réseau ? », « Comment adapter mon plan de transport suite à l’évolution du réseau ? », « Vrac ou palettes ? Un mix ? Quels sont les flux les mieux éligibles ? » ; « Camions directs, multi stops, des boucles ? » , « Quand utiliser des poids lourds, des véhicules plus légers, des caisses mobiles ? »…
• Design de réseau et des opérations : Sujet très souvent traité par les directions générales, cet exercice stratégique vise à localiser et dimensionner les hubs et les agences du réseau dans le souci de tenir ses engagements clients tout en optimisant l’efficacité opérationnelle.
  Dans la supply chain du e-commerce, l’exercice est d’autant plus délicat car les objectifs sont conflictuels : « Augmenter la taille de mon réseau me nécessitera moins de livreurs du dernier kilomètre mais me coutera plus cher en coûts fixes et en plan de transport pour connecter le réseau : quels impacts sur mes délais ? ».
  La combinaison de plusieurs algorithmes permet de répondre à ce type de problématiques interdépendantes garantissant une décision éclairée qui tient compte de tous les facteurs.
  Ces algorithmes permettent de répondre à des questions stratégiques et tactiques : « Quel réseau dans 3 ans ? Comment opérer la transformation à partir de mon réseau actuel ? », « Où dois-je ouvrir un nouveau hub pour capter de nouveau clients ? », « Mes agences doivent-elles faire de la collecte également ? », « Où investir dans de nouvelles machines de tri ? », « Le réseau est-il pérenne avec +20% CA ? Et avec – 10 % ? Quels sont les sites les plus pertinents ? »
  Encore une fois, le métier et les dirigeants ont leur mot à dire, ce sont eux qui aguillent les modèles, affinent les contraintes pour éviter les solutions « hors sol ».

Quels sont les apports de l’intelligence artificielle pour une supply chain du e-commerce ?

En e-commerce toutes les questions posées ci-dessus le sont plus fréquemment. La conception du réseau, autrefois révisée tous les trois ans, s’adapte désormais annuellement. Les modèles de prévision tournent en continu, les plans de transport et de tri se déclinent en plusieurs versions pour chaque période de l’année, et la sectorisation devient dynamique.

L’intégration stratégique de l’intelligence artificielle dans la supply chain du e-commerce ouvre la voie à une optimisation continue des ressources. En capitalisant sur des données fiables constamment actualisées, associées aux bons KPI, aux modèles pertinents de machine learning et d’optimisation, les acteurs du e-commerce tracent une voie vers une supply chain flexible et performante, répondant aux fluctuations du marché et des clients.

La synergie entre les bons algorithmes d’intelligence artificielle permet d’explorer et d’optimiser un nombre élevé de scénarios dans un laps de temps très court. Les décisions basées sur l’intelligence artificielle permettent d’offrir des services de livraison plus efficaces, de réduire les coûts opérationnels et de renforcer la satisfaction des clients grâce à une distribution plus rapide et à une allocation judicieuse des ressources humaines et matérielles.

Mais il est essentiel de garder à l’esprit que les décisions ne doivent pas être guidées exclusivement par les données. L’intuition des dirigeants, l’expertise du métier et l’analyse du terrain doivent jouer un rôle prépondérant. Les décisions doivent être « business-driven », les moyens mis en œuvre pour prendre ces décisions doivent être « data-driven ».