Prédictions pour la Supply Chain– Dossier FAQ Logistique
Les événements récents, tels que la pandémie ou encore le blocage du canal de Suez, ont mis en évidence la fragilité des supply chains mondiales. Les modèles de prévision qui s'appuyaient jusque-là sur les données historiques ne sont plus fiables, par conséquent les erreurs de prévision augmentent de plus en plus. Pour pallier l'effet d'entraînement, causé par la pandémie l'année dernière, de nombreux responsables supply chain ont commencé à numériser leurs processus, dans l'espoir d'accroître la transparence et la vitesse à laquelle ils peuvent obtenir des informations. Les équipes de gestion des stocks par exemple, qui doivent améliorer la disponibilité en rayon pour éviter les ruptures, se retrouvent souvent à répéter des tâches fastidieuses ou à utiliser des systèmes qui ne sont pas du tout conçus pour l’analyse.
Ces perturbations de la supply chain ont bouleversé tous les secteurs d’activité. Prenons pour exemple celui des biens de consommations emballés (CPG), où les matières premières proviennent de différents fournisseurs, et où tout changement des composants peut directement nuire à la qualité du produit final. Les fabricants des biens de grande consommation doivent analyser en permanence les matières premières pour respecter la bonne composition des produits. Or, il peut arriver qu’elles soient bloquées, par exemple, dans de longues files d’attente aux frontières. Dans ce cas, l’analyse prédictive viendra modéliser des scénarios et fournir en temps réel des flux et estimations des inventaires.
Au-delà des stocks, l’analyse prédictive fournit également des clés de compréhension des options de transport ou des composantes spatio-temporelles, que ce soient les variables de temps de trajet ou encore les meilleurs acheminements possibles des livraisons. Ces données délivrées en temps réel, permettront d’améliorer les délais de transport.
Ainsi, la stabilité et la résilience de ces analyses prédictives viennent consolider l’efficacité de l’ensemble des chaînes d’approvisionnement, grâce notamment à des calculs ou réacheminements des flottes, l’identification d’éventuelles pénuries ou manque de personnel. Mais pour avoir une visibilité rapide en temps de crise, il faut des analyses solides et robustes. Ce n’est qu'en identifiant en amont les marchandises, les itinéraires ou les fournisseurs les plus volatiles, que les responsables peuvent anticiper les failles qui pourraient apparaître dans leurs supply chains et se préparer aux prochaines perturbations majeures du marché.
- Sur quelles données se baser ? Comment les collecter ? Comment identifier les données réellement pertinentes ? Quels systèmes et modèles adopter ?
Une étude récente du cabinet McKinsey a révélé que 74 % des responsables de la supply chain estiment que l'analyse prédictive est la principale compétence à développer dans les années à venir.
Si la qualité des données fait partie intégrante de la prévention des risques, les acteurs de la supply chain ont également besoin d'une analyse axée sur les données pour identifier les marchandises, les itinéraires ou les fournisseurs les plus instables.
Pour être réellement agiles face à une nouvelle crise, les chaînes d'approvisionnement mondiales doivent être repensées grâce à l'analyse des données, l'intelligence artificielle (IA) et le Machine Learning (ML). Et pour mieux exploiter la valeur des données, il est essentiel de visualiser l’ensemble de la supply chain pour tester et modéliser les différents niveaux de demandes ou perturbations. Seule cette visibilité permettra aux entreprises de découvrir où se situent les fragilités, les blocages et les risques de leurs chaînes et de se préparer en conséquence avec des mesures d'urgence et des sources d'approvisionnement alternatives. C'est ce qu'on qualifie de prévision dynamique de la demande.
La prévision dynamique de la demande ne repose pas uniquement sur le Machine Learning, mais combine les données internes accessibles d'une entreprise, telles que les niveaux de stock dans les entrepôts et les magasins, avec des informations externes, telles que les prévisions météorologiques, le trafic maritime ou autres événements. Ces données sont clés pour créer et préparer des modèles prédictifs et automatiser le processus d'analyse des données, permettant ainsi aux entreprises de mettre en place des stratégies pour faire face aux bouleversements externes qui ont un impact direct sur la demande. Parmi ces stratégies : l’établissement d’une liste de fournisseurs plus diversifiée. Si en cas de crise ou fluctuation de la demande, un fournisseur n’est plus capable de livrer, l’entreprise devra s’adapter et se tourner rapidement vers une autre source disponible.
- Comment vos outils intègrent-ils les prévisions ?
Alteryx aide à briser les silos de la data et permet aux entreprises d'être guidées par la donnée. La plateforme d'automatisation d'Alteryx est constituée d’une suite d'outils prédictifs qui utilisent une base de code open-source, dans le but de fournir des résultats pointus pour des flux analytiques complets.
L'accès aux données, la préparation, la modélisation et le partage des résultats d'analyse se font au même endroit, sur une plateforme simple d'utilisation. Ces outils d'analyse prédictive permettent aux “travailleurs de la donnée” de comparer et d'évaluer l'efficacité de différents modèles et de contribuer au déploiement de solutions d'analyse prédictive dans toute l'entreprise. La plateforme dispose même d’un stater kit les aidant à maîtriser l’analyse prédictive à l’aide de modèles de régression linéaire, de prévisions de séries chronologiques et d'analyses A/B.
Le Machine Learning d’Alteryx permet aux analystes et aux spécialistes de la donnée d'exploiter facilement les derniers algorithmes d'apprentissage automatique (AutoML) et les meilleures pratiques de la Data Science. Et ce à travers des modèles d'apprentissage automatique entièrement guidés et prêts à l'emploi.
- Quelles sont les perspectives en termes de SC Prédictive (Big Data, IA, Machine Learning, etc.) ? Pour quels cas d’usage ?
Les entreprises du monde entier investissent des dizaines de milliards de dollars dans l'IA et le ML. Ces technologies peuvent véritablement changer la donne, et c’est pour cette raison que ce rapport du cabinet Gartner prévoit que d'ici 2023, l'IA et le ML seront les deux approches les plus courantes pour les nouvelles applications de la Data Science.
Le ML offre plusieurs avantages, il identifie des modèles dans de vastes ensembles de données afin de prédire des scénarios possibles, ce qui permet aux chefs d'entreprise de planifier et de prendre des mesures en avance. C’est ainsi qu’ils devancent leurs concurrents. Mais tous les employés doivent être en mesure de le faire, il faut donc démocratiser l’accès à ces technologies.