Data driven operations

Extraits choisis du meetup IA x Logistique

Par MFG Labs
19/02/2020
Extraits choisis du meetup IA x Logistique

La société MFG Labs était invitée le 06 février dernier à une conférence organisée par DCBrain, sur l’utilisation de l’IA appliqué à la logistique, en compagnie de Jean-David Elbim, Chief Innovation & Data Officer chez Bolloré Transport & Logistics.

L’occasion pour MFG Labs et Paul-Mehdy M’Rabet, consultant data senior, de parler des enjeux, opportunités et challenges de la data appliquée aux métiers de la supply chain et de la logistique.

Voici quelques extraits choisis de cette conférence :

Un changement de modèle des entreprises à l’origine de nouveaux besoins

On constate que les entreprises de la supply chain et de la logistique ont tendance à avoir un système de prise de décision ultra centralisé et les agents déployés, responsables des opérations, sont considérés - de manière assumée ou non - comme des exécutants :

  • Soit les décisions sont prises par un organe central - loin du terrain - comme s’il s’agissait de décisions stratégiques ;
  • Soit les décisions opérationnelles sont prises par les succursales selon des règles édictées “en central”.

Ce mode opératoire, trop lent et souvent décorrélé des réalités du terrain, n’est pas adapté et beaucoup d’entreprises décident de redonner une liberté décisionnelle à leurs agents déployés dans les succursales.

Ainsi, le processus de décision change. De décisions prises par des cadres dirigeants, dans la durée, à fréquence faible, parfois avec l’aide de sociétés de conseil, on passe à des décisions prises par des agents opérationnels, sur le terrain, seuls, tous les jours, plusieurs fois par jour.

Pour s’acquitter correctement de cette tâche, les opérateurs s’attendent à ce que leur soient fournis des outils simples et adaptés à leur contexte de travail, des données de qualité sur lesquelles s’appuyer, et une formation à ce nouveau paradigme. Pour faire simple, ils souhaitent que l’entreprise leur donne les moyens d’être “data-driven”.

Être “data-driven” dans la supply chain et logistique

Pour MFG Labs, être data-driven c’est utiliser systématiquement la donnée dans sa prise de décision. En d’autres termes, c’est garantir par des solutions logicielles que toutes les décisions sont prises à la lumière des données présentes dans le système d’information de l’entreprise.

Utiliser la donnée pour prendre une décision n’est pas une condition nécessaire et suffisante pour être qualifié de data-driven :

  • L’accès aux données doit être garanti par des systèmes. Trop souvent il repose sur un processus humain intermédié (ex. création d’un ticket à l’équipe BI) ;
  • Les données brutes récupérées doivent être traitées - là encore de manière automatique - pour en faciliter l’interprétation.

Trivialement, on comprendra que la donnée présentée au décisionnaire devra être de qualité (véracité, fraîcheur, complétude…) pour que sa décision soit la meilleure.

Pour les entreprises de la supply chain et de la logistique, c’est un challenge de taille puisque - par essence - elles manipulent de nombreux objets complexes à l’interface entre le monde physique (marchandises, hangars, moyens de transport…) et numérique (flux documentaires, flux financiers…), et doivent s’accommoder de la qualité variable des données provenant de leur écosystème (entreprises en amont ou en aval).

Les décideurs opérationnels : acteurs incontournables pour devenir “data-driven”

Pour devenir data-driven, nous l’avons dit, il faut systématiquement utiliser la donnée dans sa prise de décision.

Si aucun système ne garantit l’usage de la donnée à une prise de décision identifiée, nous proposons le mode opératoire suivant :

  1. identifier les données utiles pour la prise de décision ;
  2. définir sous quelle forme ces données sont les plus utiles/compréhensibles pour le décisionnaire ;
  3. concevoir et implémenter une solution logicielle adaptée au contexte du décisionnaire, qui présente - au bon moment - les données identifiées (étape 1) sous la forme définie (étape 2).

Un tel changement ne peut se faire sans que l’implication des décideurs opérationnels. Chez MFG Labs, nous intervenons chez nos clients avec des méthodologies de design de service portées par un pôle “Experience” (UX/UI designers, Designers industriels, Service designers…) et avec un méthode de co-construction qui inclut les agents opérationnels dès les phases de diagnostic terrain. Notons également que le fait d’impliquer les futurs utilisateurs dès la phase de conception est un gage d’adoption de la future solution.

Un modèle opérationnel simple et facilitateur de projets IA à forte valeur ajoutée

Ainsi, disposer et maintenir une donnée de qualité, concevoir et implémenter des outils logiciels exploitant ces données, et impliquer les opérationnels dans la conception permet donc d’améliorer les prises de décision.

En outre, on remarque très vite que cela permet d’enclencher un cercle vertueux pour l’entreprise :

  • Les agents qui désormais utilisent quotidiennement la donnée remarquent très vite les défauts/déviations de qualité, et les signalent ou les corrigent dès lors qu’on leur donne les moyens de le faire (via l’implémentation d’une feedback loop dans la solution logicielle par exemple). L’asset de donnée est mieux surveillé, et les défauts de qualité sont plus facilement corrigés, augmentant de fait la valeur de cet asset.
  • En enregistrant et en observant les choix des utilisateurs et les données consultées pour se faire, on comprend mieux les mécanismes de décision. Cela permet d’identifier les paramètres les plus influents et ceux qui le sont moins, d’observer des tendances et des saisonnalités et, par dessus tout, de créer un set de données labellisées qui pourra être utile si l’on souhaite tendre vers une plus grande automatisation de la décision.

Lorsque ce cercle vertueux fait son oeuvre, l’entreprise acquiert une meilleure connaissance des sous-jacents permettant de prendre la décision, et possède alors un asset de données qualifié et exploitable.

Cet asset est un socle sur lequel capitaliser, et permet d’aller plus loin dans l’amélioration des prises de décisions. L’entreprise a la possibilité de revisiter le mandat donné à l’opérateur et celui donné à l’outil. L’ajout de services d’intelligence artificielle permettrait en effet de déterminer si l’outil doit être utilisé juste pour présenter des chiffres, pour prédire un phénomène ou un état, pour prescrire la solution la plus adaptée au contexte, pour automatiser tout ou partie des décisions…

Notons que l’ambition d’une entreprise n’est pas systématiquement d’atteindre l’automatisation (i.e. la délégation totale de la décision au système). Techniquement c’est très souvent difficile à mettre en place.Souvent d’ailleurs, au delà des considérations éthiques, le ROI est négligeable, le coût d’implémentation d’un système totalement automatisé étant élevé voir techniquement infaisable.

Il est donc important de déterminer convenablement le mandat à donner au système. La délégation d’une partie du processus de décision doit permettre en tout cas de prendre les bonnes décisions, des décisions “augmentées”, de manière systématique.

Bénéfice de l’approche, cela peut permettre au collaborateur de consacrer le temps gagné à d’autres tâches plus importantes. Par exemple, dans le freight forwarding, on arrive à réduire drastiquement le temps consacré à la planification des transports pour focaliser les collaborateurs sur la gestion d’exception lors de l’exécution des transports. La meilleure gestion des exceptions permet à l’entreprise de réduire le nombre de litiges et d’augmenter significativement la satisfaction client.

La soft-information : la prochaine obsession ?

Si l’obsession de capter un maximum de données pertinentes pour améliorer les systèmes et donc les prises de décision semble nécessaire, on constate que certaines informations sont difficiles à capter, à structurer et donc à processer. Ces soft information qui circulent au sein de l’entreprise sont pourtant souvent clefs dans la prise de décision.

Grèves, routes bloquées, tempêtes qui clouent les avions au sol, épidémies qui imposent la clôture de certaines activités dans certains pays… Toutes ces informations qui sont échangées au sein de l’entreprise, par mail, téléphone, fax, sur l’intranet etc. ne figurent souvent dans aucun système et ne pourront donc pas être pris en compte par les services d’intelligence artificielles à qui l’on délègue une partie de la décision.

En structurant ces informations, une entreprise enrichit son asset de données. Certains algorithmes peuvent alors être revus pour considérer ces nouvelles données et rendre plus performants les outils développés. D’autres modèles algorithmiques, dont on a refusé l’étude car impossible à réaliser, deviennent des alternatives crédibles, du fait de ces nouvelles données, et leur développement pourra être considéré.

Call to action

Le chemin à parcourir par les entreprises logistiques pour rendre leurs opérations data-driven n’est pas unique. L’amélioration continue et concomitante des systèmes et des données est toutefois une posture nécessaire à intégrer, et forcément créatrice de valeur à long terme.

Pour en savoir plus, contactez-nous à : contact@mfglabs.com

See other news