SCM : avec l'Intelligence Artificielle, la logistique redevient un atout concurrentiel stratégique

Automatisation et rationalisation des fonctions d'exploitation

Le domaine où l'IA a les retombées les plus importantes est certainement l'automatisation de processus qui étaient auparavant traités de manière manuelle et chronophage et qui, bien que nécessaires, constituaient une charge financière importante.

Pour les entreprises qui ont des chaînes logistiques à très grande échelle - avec des millions de commandes et d'achats à traiter - la gestion de la facturation et de l'approvisionnement peut vite devenir une source d'erreurs. De plus en plus, ces entreprises ont donc intégré de l'intelligence artificielle pour automatiser ces processus, avec des outils comme la reconnaissance d'image pour traiter les factures et/ou le RPA pour automatiser le traitement d'informations en provenance de systèmes IT disparates - et quelques fois externes.

Bon nombre de ces systèmes effectuent également des vérifications régulières des données, en détectant par exemple les mauvaises écritures ou les informations erronées, avant qu'elles n'aient un impact économique plus important.

Indépendamment, mais reliée à ces problématiques, la gestion des stocks utilise de plus en plus la reconnaissance d'images pour faire des analyses et des vérifications en temps réels.

La quantité de données générées par les différentes opérations de la chaîne logistique explique en partie pourquoi elle a été un des premiers champs d'application des technologies d'IA ou des algorithmes prédictifs. L'IA et l'apprentissage automatique (Machine Learning) prennent en effet tout leur sens quand on les nourrit avec et qu'on les destine au traitement de grands volumes de données. Ces technologies peuvent alors repérer des corrélations et des schémas récurrents, détecter des anomalies, ou tirer du sens et remettre en contexte des données brutes autrement difficilement compréhensibles.

Appliqués à la logistique, les systèmes « infusés » à l'intelligence artificielle peuvent détecter quand les commandes ne sont pas faites au bon fournisseur, réacheminer les expéditions en cas d'évènement inattendu et automatiser une partie du support client. Ces systèmes améliorent également les prévisions et la planification, en particulier pour les stocks, ce qui peut générer des avantages très importants pour les organisations qui y sont sensibles (flux tendus, etc.).

Dans un récent communiqué, DHL a publiquement déclaré qu'il utilisait l'intelligence artificielle (Watson d'IBM) dans toutes ses opérations logistiques. Par exemple, DHL l'utilise pour prévoir les fluctuations des volumes d'expédition avant qu'elles ne se produisent. La vision par ordinateur l'aide à gérer l'étiquetage et le suivi des colis, ainsi que pour inspecter leurs états. DHL utilise ces mêmes technologies dites cognitives dans son projet de véhicules de transport autonomes. Pour DHL, même si cette automatisation signifie que l'on fait moins appel à l'humain, l'IA jouerait plus un rôle d'augmentation (dans le sens « d'agent augmenté »), que de remplacement. Ces outils prendraient en chargent et élimineraient les tâches routinières, ce qui permettrait d'affecter la main-d'œuvre humaine aux missions les plus complexes et à plus grande valeur ajoutée.

Améliorer la prévision des stocks

L'Intelligence Artificielle s'est aussi avérée particulièrement efficace pour repérer, dans les données brutes, des tendances qui ne sont pas facilement identifiables avec les méthodes analytiques ou statistiques traditionnelles.

Dans les domaines de la logistique et de la chaîne d'approvisionnement, des algorithmes de Machine Learning ont - comme dans le marketing - été appliqués pour identifier en amont les produits qui devraient se vendre plus rapidement - ou plus lentement - que prévu et pour modéliser en conséquence un inventaire plus précis, réduisant ainsi les pénuries ou les excédents immobilisés de marchandises.

Ces prévisions d'inventaire, en retour, aident les organisations à réduire les délais de livraisons, voire à passer au juste à temps, en améliorant ainsi la très stratégique satisfaction client.

La gestion de la Supply Chain tire également parti des autres usages variés de l'IA, que ce soit la maintenance prédictive des équipements ou la gestion proactive de problèmes imprévus comme les conditions météorologiques ou des perturbations locales. Le Machine Learning est par exemple de plus en plus utilisé pour déterminer quel sera le meilleur itinéraire d'expédition d'un colis, optimiser la tournée d'un livreur, ou affecter les marchandises à tel ou tel entrepôt intermédiaire dans leurs trajets vers les clients.

Les entrepôts sans lumière

Bien sûr, l'un des endroits où l'IA change profondément la donne, se trouve dans les entrepôts eux-mêmes (ou dans tous les lieux physiques de stockage). Les entreprises utilisent de plus en plus l'automatisation, la robotique et les logiciels autonomes pour gérer le cycle complet qui va de la réception des stocks, à leurs « dispatch » en fonction des espaces libres sur les rayonnages, puis à la préparation et à l'emballage des produits jusqu'à la livraison aux clients.

Dans un avenir, pas si lointain, il est quasiment écrit que très peu d'humains seront encore impliqués dans ce processus.

Amazon a déjà prouvé que ses robots Kiva sont capables d'automatiser la plupart des fonctions d'enlèvement/ramassage, d'emballage et de stockage (Pick, Pack & Stock). Baidu et Alibaba également.

Encore plus poussé, Siemens exploite actuellement une usine « toutes lumières éteintes » (une « lights-out factory »). L'Allemand a tellement automatisé le processus que son site peut fonctionner de manière autonome, dans des conditions de quasi-obscurité, sans qu'aucun humain n'intervienne pendant plusieurs semaines. D'autres entreprises, comme Fanuc ou Philips, ont également des usines de ce type et éliminent jusqu'au besoin de chauffage ou de climatisation des installations.

Du côté du transport, le « dernier kilomètre » est habituellement le plus compliqué à gérer. Là encore, l'IA au sens large est en cours d'expérimentation pour faciliter la dernière étape de la livraison au client. Amazon a testé les drones, Waymo (de Google) travaille sur les véhicules autonomes de livraison et Otto (d'Uber) sur le camionnage autonome.

Réduire fraude et créances non recouvrables

Le leader dans l'utilisation de l'IA pour réduire la fraude et le gaspillage est sans conteste Amazon. Le numéro 1 mondial du e-commerce, et référence absolue en terme de supply chain pour beaucoup, a commencé à appliquer l'IA à sa chaîne d'approvisionnement dès... 2004.

Depuis, le géant de la distribution revendique une augmentation considérable de la fiabilité de sa chaîne logistique, une réduction massive de ses erreurs d'expédition, et une réduction des fraudes et des créances non recouvrables liées à l'approvisionnement et aux commandes.

Et donc, au final, une amélioration de son efficacité opérationnelle.

Suivant les pas d'Amazon, toutes les entreprises du secteur se sont empressées d'ajouter de l'IA à leurs chaînes logistiques dans l'espoir d'obtenir les mêmes avantages.

La fin des soldes ?

L'IA est également utilisée pour aider à sourcer les produits.

En s'appuyant sur des prédictions liées à l'intérêt des clients pour certains produits, des entreprises arrivent à négocier des prix plus favorables. En clair, elles utilisent leurs données et l'IA pour obtenir un avantage stratégique par rapport à celles qui s'appuient simplement sur des informations historiques et qui passent par des contrats à longs termes pour obtenir des meilleurs prix - une stratégie qui les condamnent à avoir un inventaire inefficace et rigide, et qui ne peut plus être un atout pour améliorer le cash-flow.

A l'inverse, beaucoup d'entreprises qui utilisent l'intelligence artificielle pour affiner la prévision de la demande et donc la gestion de leur inventaire et de leur stock n'ont presque plus besoin de faire des soldes pour liquider leurs invendus... et pour cause, il n'y a presque plus rien à solder.

Conclusion

A ce rapide tour d'horizon des différentes applications de l'intelligence artificielle à la chaîne logistique, on peut ajouter les assistants virtuels et les chatbots qui aident les employés à utiliser les ERP et à travailler plus efficacement avec de gros volumes de données. Ces assistants - à base de NLP, NLG et autre NLU - peuvent apprendre au fil du temps comment des problèmes spécifiques de la chaîne d'approvisionnement ont été résolus, et donner aux agents humains les outils nécessaires pour réagir aux événements futurs avec plus de rapidité et d'efficacité.

Au regard des tous les bénéfices de l'IA dans la Supply Chain - bénéfices avérés et non pas fantasmés, contrairement à d'autres domaines - il n'est pas surprenant que cet ensemble de technologies ait trouvé sa place, aussi bien dans le secteur du commerce et du retail que dans les chaînes d'approvisionnement interentreprises.

Les deux études citées au début de cet article le résument parfaitement. Les responsables qui ont entamé un projet d'Intelligence Artificielle ont vu s'améliorer leurs capacités à répondre aux besoins de leurs clients et de leurs fournisseurs et à s'adapter en temps réel à l'évolution de leur environnement. Ceux qui ne l'ont pas fait seraient bien avisés de l'envisager à court terme.