« Le Machine Learning au service de la Supply Chain : l’état de l’art »

Les stratégies de digitalisation et de centralisation sont aujourd’hui au coeur des stratégies Supply Chain. Les technologies de l’Intelligence Artificielle (IA), avec le Machine Learning en tête, représentent une opportunité incontournable pour la chaîne logistique dans les années à venir, vecteur d’accélération de la stratégie des entreprises.

Les acteurs du secteur qui tardent à prendre ce train déjà en marche risquent de s’isoler et de ne pas bénéficier des effets de réseaux importants qui en découlent. Ces enjeux sont considérables et ont déjà renversé de nombreux équilibres dans le marché des services et technologies de la Supply Chain et ceux qui en dépendent. Bain & Company estime que les entreprises industrielles peuvent éliminer 8 à 12 % de leurs dépenses (l’approvisionnement étant estimé en moyenne à 40 % de leur coûts totaux) si ces entreprises acceptent de digitaliser et de centraliser leur systèmes d’approvisionnement.

Il faut d’abord rappeler ce que l’on entend par Machine Learning. Le Machine Learning (apprentissage automatique, en français) est une des principales catégories de technologies de l’IA. Elle regroupe un ensemble d’algorithmes permettant aux systèmes informatiques d’apprendre et de recommander des décisions de manière autonome, parfois sans avoir été programmés explicitement à cet effet. Il existe trois grandes classes d’approches analytiques dans l’ensemble du Machine Learning :

– l’apprentissage supervisé (on alimente les algorithmes avec des exemples connus qui étayeront leurs futures décisions),

– l’apprentissage non supervisé (un algorithme utilise sa logique abstraite intrinsèque pour classifier des objets de données sans exemples préalables),

– et l’apprentissage par réseau neuronal profond (Deep Learning : l’algorithme crée et développe lui-même le jeu de caractéristiques d’après lesquelles il classifie les données, sans supervision).

Plus largement, le Machine Learning regroupe certaines des technologies analytiques les plus prometteuses pour l’intelligence artificielle. Mais l’IA elle-même, regroupe un certain nombre d’autres outils, tels que les interfaces conversationnelles ou le natural language processing.

Pour apprendre et se développer, les algorithmes de Machine Learning se basent sur de larges quantités de données sur lesquelles ils s’entraînent à reconnaître les schémas recherchés. Ces algorithmes sont développés, configurés et parfois supervisés par des humains, mais font usage de méthodologies analytiques et statistiques éprouvées qui automatisent les analyses à un rythme phénoménal.

De nombreux exemples permettent de voir, par exemple, comment des algorithmes de Machine Learning permettent de reconnaître très rapidement des objets complexes dans un flux vidéo. D’autres illustrations plus récentes montrent comment un véhicule équipé de caméra et d’un ordinateur connecté embarqué et circulant dans une ville encombrée d’objets divers, comme Amsterdam, peut instantanément reconnaître et géolocaliser très précisément divers sacs d’ordures ménagères, de formes et de couleurs différentes.

Ils peuvent évidemment être intégrés à des progiciels tels que les plateformes logistiques de tous types (TMS, APS, OMS, WMS) pour augmenter leur capacité à prédire, planifier, optimiser, ou recommander.

De plus, les algorithmes et modèles de Machine Learning ont prouvé leur capacité à identifier des anomalies et des schémas précis au sein de larges ensembles de données. Les exemples sont nombreux :

Amazon utilise le Machine Learning pour améliorer la précision de la répartition des produits dans ses entrepôts en analysant des images des étagères ;
Leroy Merlin baisse son niveau de stock moyen de 8% en trois ans grâce à l’optimisation apportée par les algorithmes de Machine Learning de sociétés spécialisées ;
Renault projette d’utiliser le Machine Learning pour optimiser la fonction douanes.

Gartner prévoit que d’ici 2020, 95 % des éditeurs de progiciels de planification de la chaîne d’approvisionnement s’appuieront sur le Machine Learning supervisé et non supervisé dans leurs solutions.

On le comprend donc aisément : les enjeux de l’introduction du Machine Learning dans le monde de la Supply Chain sont considérables. Cette technologie offre de nombreuses opportunités d’optimisation des processus de Supply Chain qui sont complexes, divers et restent difficiles à piloter puisque sujets aux aléas du monde réel (transport maritime, retards de production, douanes, fluctuations de marché, dysfonctionnement techniques, etc.). Les nouvelles optimisations possibles au travers de cet outil d’intelligence vont affecter tous les acteurs du marché de manière profonde et durable :

> les métiers sont appelés à connaître de nombreuses évolutions qui demanderont aux professionnels de se former à l’usage des outils analytiques de l’IA, de s’adapter et de devenir plus proches des métiers de leurs clients, puisque l’IA va diminuer le besoin d’expertise Supply Chain sur des rôles tels que Demand Planner,

> les entreprises qui ont le plus dérivé de valeur économique de la Supply Chain jusqu’à aujourd’hui : éditeurs de progiciels logistiques, services logistiques telles que les 3PL (Third-Party Logistics provider), industries qui dépendent de la Supply Chain (industrie, distribution, agriculture, santé, etc.) doivent absolument chercher, à la fois, à saisir cette opportunité de création de valeur qu’est l’optimisation de capacités logistiques, et se prémunir des assauts continus des acteurs de la technologie (Amazon par exemple) qui peuvent les détrôner dans tous les marchés en surpassant rapidement leur compétitivité logistique grâce au Machine Learning.

1/ Comment aborder la transformation du secteur et des métiers de la Supply Chain, et les risques qui y sont associés, pour répondre au mieux à cette opportunité ?

La filière Supply Chain est un domaine riche et verticalement intégré depuis plus de cinquante ans. Principalement, on peut différentier les acteurs du secteur en trois catégories :

Les utilisateurs finaux : des consommateurs et des entreprises qui ne sont pas fortement investis dans, ou directement affectés par, le secteur Supply Chain lui-même mais en consomment les services (transport de marchandises, livraisons, etc.).

Les acteurs des services logistiques qui regroupent tous les sous-secteurs de la Supply Chain : transport, stockage & entreposage, emballage & conditionnement, inventaires, gestion douanière. On peut également inclure, dans cette catégorie, les entreprises fortement “logistico-dépendantes”.

Les plateformes technologiques qui sont principalement centrées autour des éditeurs de progiciels destinés à tous les acteurs précités.

Les plateformes technologiques de la Supply Chain sont en première ligne pour bénéficier des bienfaits du Machine Learning puisqu’elles ont, en général, un savoir-faire riche en terme d’outils et de connaissances informatiques. Tandis que certains acteurs peinent à faire évoluer leur plateformes, d’autres sont capables de prendre de nouvelles parts de ce marché en transformation grâce à l’usage du Machine Learning qui leur permet de baisser leurs coûts et d’optimiser leurs performances.

En juillet 2018, par exemple, JDA Software a acquis Blue Yonder, une startup fondée par Michael Feindt, un ancien scientifique du CERN et l’inventeur de l’algorithme NeuroBayes. Juste avant l’acquisition, Blue Yonder traitait déjà chaque jour 600 millions de décisions logistiques intelligentes automatiques. Les plateformes qui rencontrent des difficultés à se transformer ont, en général, fortement investi dans des architectures basées sur de simples règles de gestion et des structures de données rigides ne permettant pas facilement l’introduction des scénarios optimisés alternatifs offerts par le Machine Learning.

Les acteurs des services logistiques ont le plus à gagner de la transformation en devenir de la Supply Chain intelligente. En effet, les techniques de la Data Science à l’origine du Machine Learning sont de plus en plus directement accessibles aux acteurs des métiers. Des outils, et des formations, émergent rapidement qui permettent à des non-programmeurs et non-statisticiens de lancer des modèles de Machine Learning sur un ensemble de données.

Ce sont donc les spécialistes de la filière qui ont maintenant le plus à gagner en accueillant les changements imminents de leurs professions. Par exemple, les compétences et les connaissances requises par les professionnels du procurement (l’approvisionnement, en français) sont passées des achats à la négociation, à la gestion des risques, aux compétences générales, à l’analyse de données, à la pensée critique, aux connaissances en gestion de la chaîne logistique, à la gestion de projet et aux stratégies technologiques et commerciales. Il faut donc remonter dans les couches les plus stratégiques de la profession et/ou se former à l’analyse de données avant tout.

Les utilisateurs finaux ne sont pas l’audience cible d’un tel article mais on peut, cependant, dire que certains seront fortement impactés par l’optimisation croissante des services Supply Chain. Comment ne pas reconnaître l’impact déjà énorme de cinquante ans d’évolution de la Supply Chain sur des acteurs économiques comme les agriculteurs, par exemple.

2/ Quels bilan et horizon pour la filière Supply Chain ?

La filière est donc clairement en pleine mutation ; le Machine Learning est au coeur des facteurs clés de cette transformation. Il faut absolument que les leaders et professionnels du domaine accueillent cette opportunité de manière proactive car elle fera leur succès, ou celui de leur concurrent de demain.

Voici donc plus exemples et d’éléments d’analyse pour formuler des stratégies Supply Chain qui prennent en compte les possibilités du Machine Learning et l’état-de-l’art de son implémentation dans la chaîne logistique :

McKinsey prédit que le Machine Learning fournira surtout aux opérateurs Supply Chain des suggestions et décisions d’optimisation des performances, en prédisant, notamment, les anomalies dans les coûts et performances logistiques. L’apprentissage automatique fournit également des prédictions d’applicabilité de l’automatisation pour réaliser les avantages d’échelle les plus significatifs.
KPMG propose une vue d’ensemble des sources de données utilisées et utilisables dans les modèles de Machine Learning pour la Supply Chain. La grande diversité des données générés sur les systèmes de transport intelligents, les données de trafic, l’Internet des objets (IoT), et la télématique peuvent offrir le meilleur atout pour améliorer les chaînes d’approvisionnement au travers du Machine Learning. L’application d’algorithmes de Machine Learning pour améliorer les chaînes logistiques commence par les données qui présentent la plus grande variété et variabilité. Les optimisations de chaîne logistique les plus ardues et les plus valorisantes se situent souvent dans l’optimisation des processus sur la base du contexte large de la logistique (climat, évènements politiques, capacité des prestataires, etc.), ce qui nécessite des données riches et diverses. Par exemple, grâce au Machine Learning, les matériaux nécessaires à l’achèvement d’un cycle de production arrivent à temps.
McKinsey a également récemment montré en Allemagne qu’il est possible de réduire les erreurs de prévision jusqu’à 50% en utilisant le Machine Learning. Les pertes de ventes dues à des produits indisponibles sont réduites jusqu’à 65% grâce à l’utilisation de techniques d’optimisation et de planification augmentées par le Machine Learning. Une réduction des stocks de 20 à 50 % est également atteinte.
L’équipe de recherche de DHL a découvert en 2018 que l’apprentissage automatique permet d’optimiser la capacité, d’améliorer l’expérience client, de réduire les risques et de créer de nouveaux business modèles. DHL, un des plus gros acteurs 3PL au monde, suit et évalue en permanence l’impact des technologies émergentes sur la logistique et les performances de la Supply Chain. Ils prévoient également que l’IA permettra l’automatisation du back-office, des prédictions opérationnelles, des systèmes logistiques intelligents (ex. : les WMS) et de nouveaux modèles d’expérience client.
Microsoft a développé des tableaux de bords spécialisés dans sa plateforme Power BI pour exploiter des indicateurs produits par le Machine Learning et détecter des niveaux de qualité et des livraisons de fournisseurs incohérents. Les industriels de taille moyenne basés en Amérique du Nord investissent aujourd’hui lourdement dans ce domaine. Le deuxième obstacle de croissance le plus important auquel ils se heurtent aujourd’hui est le manque de qualité constante de leurs fournisseurs et de performances des livraisons. Un autre obstacle à la croissance est le manque de main-d’œuvre qualifiée disponible. Grâce au Machine Learning, les industriels peuvent découvrir rapidement qui sont leurs meilleurs et leurs plus mauvais fournisseurs et quels sont les centres de production les plus à même de détecter les erreurs. Les fabricants utilisent des tableaux de bord très similaires à celui ci-dessous :
L’apprentissage automatique permet de gagner rapidement en visibilité de bout en bout sur la chaîne logistique, en fournissant des informations prévisionnelles et normatives qui aident les entreprises à réagir plus rapidement qu’auparavant. La combinaison de réseaux de commerce multi-entreprises pour le commerce mondial et la gestion de la chaîne logistique avec l’IA et le Machine Learning révolutionne la visibilité de bout en bout de la chaîne logistique. L’un des premiers leaders dans ce domaine est l’éditeur de progiciels Infor avec le Infor Control Center dont voici quelques écrans ci-dessous permettant une vue et un contrôle interactifs de la Supply Chain aux utilisateurs de cette plateforme.

Daniel NICOLLET est Engagement Manager au sein de Capgemini Insights & Data. Daniel a passé 23 ans dans les secteurs du Conseil et de l’Informatique au sein d’ESN et d’éditeurs de progiciels en Amérique du Nord (Sillicon Valley) et en Europe. Il a réalisé la conduite de programmes de transformation digitale et innovation Data chez des clients Global 1000 (retail, banques, CPG, énergie, automobile, média) grâce à une connaissance profonde des technologies Data et Analytics (Cloud, Architecture Data, IA, Data Science, BI). Dans le cadre de ces projets, Daniel a managé des équipes pluridisciplinaires (SI, Métiers, Data Science, Dev) en s’appuyant sur l’écoute, les méthodes agile et de facilitation, les stratégies du changement et la négociation. Daniel a la double nationalité franco-américaine. Il est diplômé d’un MBA de la Thunderbird School of Global management en Arizona (US).