L’IA dans la chaîne d’approvisionnement : Une boîte à outils pour les chefs d’entreprise

Sep 25, 2024 • 12 min

L’imprécision du discours sur l’IA fait de la mise en œuvre de l’IA et de l’évaluation de son succès un objectif décourageant pour les chefs d’entreprise. Comment peuvent-ils échapper aux expressions abstraites et au battage médiatique pour mettre le doigt sur les applications fonctionnelles de l’IA dans la Supply Chain qui génèrent un retour sur investissement ?

Une approche pratique consiste à Diversification de l’IA – investissement stratégique dans différentes capacités d’IA qui remplissent des fonctions distinctes tout en fonctionnant en collaboration. La diversification de l’IA implique la construction d’un portefeuille de capacités qui évolue et se développe constamment pour atténuer les risques, optimiser les décisions et maximiser la valeur.

Comment utiliser l’IA dans la supply chain ?

Beaucoup de gens ont une idée de ce que l’IA peut faire pour la planification de la chaîne d’approvisionnement et du commerce de détail. Elle peut prévoir la demande, optimiser les stocks, améliorer le réapprovisionnement – la liste est longue.

Mais qu’est-ce que c‘est et comment cela se passe-t-il ?

Amy Webb, de l’université de New York, définit l’IA comme le fait de “faire faire à un ordinateur des choses qui requièrent normalement l’intelligence humaine”. Cette définition nous donne un aperçu de la manière dont les algorithmes d’IA peuvent résoudre des problèmes commerciaux concrets. En ce qui concerne la planification de la chaîne d’approvisionnement, ces algorithmes appartiennent à quatre grandes catégories.

Heuristique
Optimisation
Apprentissage machine (ML)
IA générique

Les classifications ci-dessus comportent des nuances et des sous-branches. Par exemple, l’IA générique est techniquement un sous-ensemble de l’apprentissage automatique. Toutefois, compte tenu de l’intérêt qu’elle a suscité dernièrement et de son orientation vers le langage naturel et le raisonnement, je distingue l’IA génique de l'”IA spécialisée”, c’est-à-dire des algorithmes orientés vers le calcul énumérés dans les trois premiers points.

J’entends souvent des arguments pour savoir lequel de ces algorithmes est le meilleur ou si l’avènement de l’un rend l’autre obsolète. Ces arguments sèment la confusion et détournent l’attention des chefs d’entreprise. Considérez chacun de ces algorithmes comme un outil dans une boîte à outils. Ce sont la clé, le marteau, le tournevis et la pince. L’un ne remplace pas l’autre. Je pourrais utiliser une lourde clé à molette comme marteau pour enfoncer un clou dans un mur, mais ce n’est pas la meilleure utilisation de la clé à molette. De même, il est important de connaître le contexte dans lequel vous appliquez chaque type d’IA afin d’utiliser le bon outil pour le bon travail.

Les quatre principaux types d'IA qui sont essentiels à une gestion efficace de la chaîne d'approvisionnement et à la planification de la vente au détail sont l'heuristique, l'optimisation, l'apprentissage automatique et l'IA générique. — **Fig 1 :** Les quatre grands types d’IA indispensables à une gestion efficace de la chaîne d’approvisionnement et à la planification de la vente au détail sont l’heuristique, l’optimisation, l’apprentissage automatique et l’IA générique.

Abordons chaque type un par un.

1. Heuristique

Les heuristiques sont des moteurs basés sur des règles qui fournissent des réponses correctes aux problèmes de l’entreprise. Elles répondent à un ensemble de questions de manière séquentielle, simplifiant ainsi la planification en éliminant les options qui ne répondent pas à des objectifs particuliers ou des priorités. Par nature, les heuristiques sont rapides. Par conséquent, elles conviennent aux situations moins contraignantes ou qui ne nécessitent qu’une réponse directionnelle correcte.

Par exemple, un client RELEX basé aux États-Unis possède 30 centres de distribution différents. Chaque article part du fournisseur et passe par un chemin prédéterminé de centres de distribution, ce qui signifie que l’entreprise n’a pas besoin de décider où envoyer le stock. Cela minimise les contraintes, de sorte que l’entreprise peut facilement utiliser des heuristiques pour prendre des décisions de planification rapides et précises qui équilibrent les Lead Time et les tailles de lot.

Dans cet exemple, le transport par camion, la méthode de livraison standard, a un délai de livraison de 7 jours. Toutefois, comme le client doit recevoir sa commande dans les 5 jours, la règle veut que le mode de livraison soit l'avion, qui livrera en 3 jours, ce qui répond aux exigences du client. — **Fig. 2 :** Dans cet exemple, le transport par camion – la méthode de livraison standard – a un délai de livraison de 7 jours. Toutefois, pour répondre aux exigences du client, la règle prévoit de remplacer le mode de livraison par le transport aérien, qui a un délai de livraison plus court.

Prenons un autre exemple. Supposons que je sois un distributeur qui sélectionne automatiquement le transport par camion comme premier mode de transport et utilise l’avion comme option secondaire. Je peux toutefois créer une règle qui permet de passer au transport aérien si le temps nécessaire pour acheminer le produit sur le marché par camion est plus long que prévu par le client.

Les heuristiques sont également très utiles pour créer des plans de coupe approximatifs. En prenant en compte les contraintes les plus importantes, elles simplifient et accélèrent le processus de planification, en fournissant de bons points de départ pour les plans que les capacités d’optimisation peuvent affiner par la suite.

2. Optimisation

L’optimisation mathématique est une branche des mathématiques appliquées qui vise à trouver la meilleure solution possible à partir d’un ensemble d’alternatives disponibles, selon deepai.org. La planification de la Supply Chain dans des environnements fortement contraints, tels que la fabrication, nécessite des compromis complexes, ce qui en fait un candidat idéal pour l’optimisation.

Supposons par exemple que vous produisiez des frites surgelées de qualité moyenne et supérieure et que vous les vendiez à des restaurants à service rapide. Vous avez deux clients.

Dans cet exemple, le client A ne prendra que des frites de qualité supérieure. Le client B opte pour les frites de qualité moyenne, moins chères, mais acceptera les frites de qualité supérieure si le prix n'augmente pas.

Le client A n’acceptera que des frites de qualité supérieure. Le client B opte pour les frites de qualité moyenne, moins chères, mais acceptera les frites de qualité supérieure si elles n’entraînent pas de coûts supplémentaires.

Si les frites de qualité moyenne sont en rupture de stock, le fabricant peut envoyer des frites de qualité supérieure au client B pour le même prix afin de réaliser des recettes, même si les marges sont plus faibles.

Lorsque les commandes des clients arrivent, vous n’avez plus de frites de qualité moyenne, mais vous pouvez toujours proposer vos frites de qualité supérieure au client B pour le même prix. De cette façon, vous pouvez réaliser des recettes au prix d’un compromis sur la marge.

Si le fabricant ou le distributeur choisit d'envoyer au client B des frites de qualité supérieure, il doit le faire en tenant compte de la demande anticipée du client B.

Cependant, il vous reste à honorer la commande du client A, qui est de qualité supérieure. Par conséquent, les avantages liés à l’échange de frites de qualité supérieure avec le client B doivent être mis en balance avec la demande anticipée du client A.

Il s’agit d’un exemple extrêmement simple du type de compromis que l’optimisation excelle à équilibrer.

Cependant, la réalité des affaires implique des décisions beaucoup plus complexes concernant une variété de contraintes – matières premières, capacité, priorité des clients, etc. Ces types de cas d’utilisation se prêtent très bien à l’optimisation, qui analyse ces contraintes, prend en compte les objectifs de l’entreprise (comme la maximisation des revenus ou la minimisation des coûts) et traite rapidement les données disponibles pour formuler des recommandations de compromis optimales.

Conseil : il existe certaines similitudes entre les types de problèmes auxquels l’heuristique et l’optimisation peuvent être appliquées. J’entends parfois des débats sur la supériorité de l’une ou l’autre approche, mais il ne devrait pas s’agir d’un débat “l’un ou l’autre”, mais plutôt “l’un et l’autre”. Il s’agit plutôt de choisir le meilleur outil en fonction des circonstances ou d’utiliser une combinaison des deux.

3. Apprentissage machine (ML)

L’apprentissage automatique est “l’utilisation et le développement de systèmes informatiques capables d’apprendre et de s’adapter sans suivre d’instructions explicites, en utilisant des algorithmes et des modèles statistiques pour analyser et tirer des conclusions à partir de modèles dans les données”, selon Oxford Languages. Cette méthode est surtout utilisée pour établir des corrélations entre différents flux de données afin de faire des prédictions.

Parmi les exemples pratiques, citons qui détecte les variations de la demande ou effectue une analyse des causes profondes.

Par exemple, en ce qui concerne la planification de la demande, les algorithmes d’apprentissage automatique aident les planificateurs de tous les secteurs à s’attaquer à la quantité considérable d’informations que les chaînes d’approvisionnement mondiales génèrent. Contrairement aux feuilles de calcul encombrantes, les solutions de prévision basées sur l’apprentissage automatique analysent et distillent de vastes pools de données en informations gérables pour des prévisions de la demande plus précises et des décisions fondées sur des données. En outre, les algorithmes d’apprentissage automatique tirent des enseignements des résultats obtenus et les affinent au fil du temps ; plus ils sont utilisés longtemps, meilleurs sont leurs résultats.

L'apprentissage automatique intègre trois types d'informations dans les prévisions : les modèles de vente récurrents, les décisions commerciales internes telles que les promotions, et les facteurs externes tels que les vacances et la météo. Cela permet d'établir des prévisions plus précises, plus granulaires et plus automatiques de la demande à court et à long terme. — **Fig. 3.** Grâce à l’apprentissage automatique, les détaillants peuvent saisir la façon dont les modèles de vente récurrents, les décisions commerciales internes et les facteurs externes affectent la demande pour des prévisions plus précises et plus granulaires.

La Détection de la demande fait passer ces capacités d’analyse au niveau supérieur, en utilisant l’apprentissage automatique pour intégrer les données actuelles provenant de l’ensemble de la chaîne d’approvisionnement (y compris les systèmes de point de vente des détaillants). Cette technologie est donc parfaite pour les détaillants et les entreprises de biens de consommation à rotation rapide (FMCG) qui doivent suivre l’évolution rapide des tendances du marché ou les événements météorologiques soudains. Par exemple, si un événement sportif majeur est prévu, la demande de boissons non alcoolisées et de boissons alcoolisées peut augmenter. S’il va pleuvoir toute la semaine prochaine, la demande de crème solaire peut chuter alors que les ventes de parapluies augmentent. Grâce à l’apprentissage automatique, les entreprises peuvent prédire si elles vendront plus ou moins d’un produit. Les prédictions basées sur le ML informent les capacités d’optimisation qui déterminent la quantité de produit à réapprovisionner dans chaque lieu.

Détection de la demande utilise l'apprentissage automatique pour intégrer les données historiques et s'adapter rapidement aux informations entrantes de la Supply Chain, telles que les événements météorologiques, les perturbations et les fluctuations de la demande. Cela augmente la haute précision des prévisions afin de garantir la disponibilité des produits et de minimiser les stocks pour des chaînes d'approvisionnement plus efficaces et plus rentables. — **Fig. 4.** La Détection de la demande utilise l’apprentissage automatique pour intégrer les données historiques et s’adapter rapidement aux informations entrantes de la chaîne d’approvisionnement, afin d’obtenir des prévisions très précises et granulaires.

L’apprentissage automatique facilite également l’analyse des causes profondes des écarts entre la planification et l’exécution. Souvent, les recommandations de planification – telles que la quantité à fabriquer, à approvisionner et à livrer – ne sont pas mises en œuvre correctement dans le monde réel. Cela peut être dû à des divergences entre les hypothèses de planification et l’état réel des facteurs contributifs tels que les délais, les coûts ou la disponibilité des transports. Les paramètres de planification doivent être constamment ajustés en étant testés par rapport aux données du monde réel. La capacité à exploiter divers flux de données internes et externes et à les corréler est naturelle pour les algorithmes de ML, ce qui les rend particulièrement adaptés aux situations qui exigent ce type d’analyse.

Alerte au geek ! On me demande souvent si l’optimisation en tant que technique va devenir obsolète avec la montée en puissance du ML. Au contraire, l’optimisation survivra et prospérera ; il n’y a pas d’apprentissage automatique sans optimisation. En effet, un modèle d’apprentissage automatique est affiné en calculant une “fonction de perte” et en effectuant une optimisation pour minimiser cette perte. (Une fonction de perte quantifie la différence entre les prédictions du modèle et la sortie réelle, fournissant un retour d’information sur la précision du modèle afin qu’il puisse s’ajuster et s’améliorer à l’avenir). Les meilleures solutions de planification utilisent l’apprentissage automatique pour prédire et l’optimisation pour décider.

4. IA générique

Le nouveau venu est l’IA générique. Coursera définit l’IA gen comme une approche algorithmique, formée sur des données existantes, qui “permet aux utilisateurs d’entrer une variété d’invites pour générer un nouveau contenu”. Bien que les principes existent depuis un certain temps, les progrès des puces haut de gamme et l’essor de l’informatique en nuage rendent la technique accessible pour des applications pratiques.

Avec tout cet enthousiasme, il est essentiel de rester réaliste quant à ce que l’IA générique peut et ne peut pas faire. ce que l’IA générique peut et ne peut pas faire. Par exemple, les grands modèles de langage (LLM ) constituent le cas d’utilisation le plus courant de l’IA génique. Ils ne sont pas doués pour effectuer des calculs, mais ils sont très bons pour regarder une chaîne de mots et prédire le mot suivant (comme beaucoup en ont fait l’expérience avec ChatGPT et Gemini).

Supply Les systèmes de chaînes d’approvisionnement sont intrinsèquement complexes. L’heuristique, l’optimisation et l’apprentissage automatique aident aux calculs, mais le contexte et la collaboration sont tout aussi importants dans la prise de décision de la Supply Chain. C’est là que l’IA générique entre en jeu.

Nous commençons à voir l’utilisation de chatbots alimentés par le LLM en tant qu’assistants d’IA, ouvrant la voie à des avancées significatives en matière de productivité et d’autonomisation de l’utilisateur. Un assistant de la chaîne d’approvisionnement devrait puiser dans une base de connaissances établie des meilleures pratiques spécifiques à l’industrie et aux solutions, et tirer des enseignements des données en contexte. Rendre ces informations faciles d’accès et de compréhension accélère l’intégration des employés, fluidifie les opérations quotidiennes et offre davantage de possibilités d’apprentissage continu et d’amélioration des processus.

Un utilisateur discute avec Rebot, un système d'IA générique conçu pour permettre aux utilisateurs d'accéder instantanément aux meilleures pratiques du secteur et à la connaissance des solutions, afin d'améliorer la planification quotidienne. — **Fig 5 :** Les systèmes Gen AI tels que Rebot de RELEX sont conçus pour permettre aux utilisateurs d’accéder instantanément aux meilleures pratiques du secteur et à la connaissance des solutions pour une meilleure planification quotidienne.

À l’avenir, ces systèmes évolueront vers des copilotes IA à part entière qui fourniront des recommandations spécifiques à l’entreprise et aideront de manière proactive les planificateurs à anticiper et à contrer les perturbations et les changements du marché.

Un chat entre un utilisateur et Rebot, un système d'IA générique, montre Rebot en train de répondre à des questions spécifiques aux clients, par exemple en expliquant pourquoi une proposition de commande est élevée et en recommandant les étapes suivantes. — **Fig. 6.** À l’avenir, les systèmes d’IA génériques comme Rebot seront capables de répondre aux questions spécifiques des clients concernant les variations de la demande, les anomalies de planification et les actions recommandées.

Comment la diversification de l’IA profite aux supply chains

Les mises en œuvre réfléchies de l’IA font plus que cocher une case. Elles génèrent des gains d’efficacité et de productivité pour les utilisateurs, qui peuvent améliorer et accélérer la prise de décision. Ces décisions permettent de fixer des objectifs de stocks proportionnels à la demande, de répondre aux besoins des clients tout en maîtrisant les niveaux de stocks. En évitant les stocks excédentaires, l’utilisation stratégique de l’IA limite la prévalence et l’impact de problèmes tels que l’obsolescence et la détérioration, ce qui favorise des pratiques durables en matière de chaîne d’approvisionnement et libère des fonds de roulement pour de meilleures marges.

Les chefs d’entreprise devraient considérer l’IA comme un ensemble d’algorithmes et appliquer les techniques à des problèmes spécifiques de manière pratique plutôt que de faire de l’IA juste pour le plaisir de faire de l’IA. Heureusement, il existe de nombreuses applications qui ont fait leurs preuves et dont le retour sur investissement prouve l’efficacité.

Approfondir les applications de l’IA dans des cas d’utilisation plus spécifiques