Les Dossiers Thématiques > Innovation > Supply Chain : quelles innovations en 2019 ? > Interview d’Évelyne RAYNAUD, Directrice du développement d’A-SIS



Supply Chain : quelles innovations en 2019 ?

INTERVIEW

‘‘ Le machine learning trouve dans l’entrepôt des cas d’usage prometteurs ’’ E.RAYNAUD, A-SIS


Évelyne RAYNAUD, Directrice du développement d’A-SISInterview d’Évelyne RAYNAUD, Directrice du développement d’A-SIS
Réalisée le 18/02/2019 par Frédéric LEGRAS, Directeur du Portail FAQ Logistique dans le cadre du dossier thématique « Supply Chain : quelles innovations en 2019 ? »


A-SIS a beaucoup avancé sur le sujet du machine learning ces dernières années. Pourriez-vous dans un premier temps nous rappeler de quoi il s’agit ?

Le machine learning consiste à étudier les données et les comportements pour mettre en évidence des corrélations entre des facteurs dans le but d’aider à prédire l'avenir.

  Autres contributions

L.GOURDON | GRN Logistic / SSI SCHÄFER
‘‘ La fusion entre WMS et WCS permet de véritablement raisonner en temps réel ’’

G.DWARIKA | GEFCO
‘‘L’innovation est au cœur de la stratégie de développement de GEFCO’’

J. BOUR | DDS LOGISTICS
‘‘ Un incubateur transport pour adresser les nouvelles attentes du secteur   ’’

P.HENRION | BOA CONCEPT
‘‘ Aller toujours plus loin dans la modularité logistique ’’

F.BIESBROUCK | BK SYSTEMES
‘‘ Nous visons l’élargissement fonctionnel continu de nos solutions ’’

M.HARIK | XPO LOGISTICS
‘‘ L'industrie de la supply chain a besoin de machines ! ’’

M.DALBARD | PTV
‘‘ PTV souhaite remettre en cause certains paradigmes dans le domaine de la logistique urbaine ’’

Il s’agit de procéder par itération, sur la base de l’analyse d’historiques, pour améliorer de manière continue la pertinence du modèle.

Ces techniques ne pouvaient exister tant qu'il n’était pas possible de collecter des masses de données importantes et que les machines ne disposaient pas de puissances de calcul suffisantes.

C’est désormais le cas. Les conditions sont donc réunies pour que les algorithmes de ce type prennent leur essor.

Ils se répandent d’ailleurs déjà dans nos environnements personnels quotidiens. Des acteurs de référence de l’industrie des services Web et multimédia ont par exemple recours au machine learning pour proposer à leurs clients une expérience d’utilisation toujours plus pertinente (recommandations de contenus par exemple).


La supply chain est-elle concernée ?

La supply chain a beaucoup à y gagner. 

Les éditeurs d'APS ont déjà commencé à faire évoluer leurs algorithmes en ce sens.

L’objectif est de basculer vers un apprentissage continu et automatisé pour affiner les prévisions de la demande et les calculs de niveaux de stock.

Ce n'est donc plus l'Homme qui définit des règles de gestion qu'il programme, mais bien l'algorithme qui détermine les facteurs et fait évoluer son système de prédiction. Il apprend en quelque sorte de lui-même.




Et chez A-SIS, où en êtes-vous ?

Pour un éditeur de notre catégorie, il nous semble indispensable d’investiguer ce genre de technologies afin de pouvoir proposer des solutions supply chain innovantes.  

C’est pourquoi nous avons renforcé les compétences de nos équipes il y a maintenant 3 ans. Plusieurs Ingénieurs et Docteurs en Recherche Appliquée en Data Science ont été recrutés à cet effet.
Il s’agit d’experts, qui ont été spécifiquement formés au machine learning.
Nous avons ainsi dans un premier temps mené des études et initié le travail sur les données que nos clients nous ont autorisés à exploiter.

À partir de là, nous avons pu définir de nouveaux cas d'usage pour la gestion de l'entrepôt. Ceux-ci sont désormais intégrés à notre Road Map.


Quels sont ces cas d’usage ?

Le premier cas d'usage concerne la planification des ressources dans l'entrepôt.

En partant des historiques d’activité et des carnets de commandes il est possible de déduire les facteurs permettant de prévoir la charge dans l'entrepôt à très court terme.

L'objectif est d’aider la logistique à passer les pics en lissant mieux la charge.

Le deuxième sujet concerne les calculs de réapprovisionnement pickings. Il s’agit de s’assurer que la productivité du préparateur de commandes ne soit pas pénalisée par des ruptures d’emplacements picking.

Le troisième cas d'usage concerne le processus de réception en entrepôt. On retrouve chez nos clients des étapes classiques de contrôle qualité basées sur des règles d’échantillonnage. Avec le machine learning, ces non-qualités peuvent être analysées à partir des historiques et il devient possible d’en déduire les facteurs permettant de programmer au mieux les futurs échantillonnages.


Un acteur dont l’activité débute et dispose donc d’historiques limités est-il éligible à ces solutions ?

L'idée est de réfléchir par secteur. Nous travaillons à partir de données de clients qui évoluent dans les mêmes domaines et qui nous ont autorisés à exploiter celles-ci pour initier les premières analyses.

Il est alors possible de déduire des facteurs communs que l’on peut proposer par défaut afin d’initialiser le système. Ces données sont ensuite croisées avec les carnets de commandes qui sont redescendus de la gestion commerciale de l’entreprise.

Une fois que la société commence à se constituer des historiques, ce sont ceux-ci qui seront utilisés.

Il me parait important de préciser que les données restent propres à chaque client. Cela est tout à fait imperméable. Si le client nous en donne l’autorisation, nous utilisons ses données pour déduire des facteurs génériques.

Nos applications sont d’ailleurs bien sûr conformes à la RGPD.


À quelle échéance, les cas d’usage que vous avez évoqués seront-ils mis en œuvre ?

Ces 3 cas d'usage sont déjà en cours d’étude. Nous pensons implémenter dès cette année celui qui concerne la planification des ressources.


Sera-t-il possible d'aller au détail de la zone de l'entrepôt ?

Sur tous ces cas d’application, l'idée est de descendre au plus fin des données logistiques et donc de ne pas s'arrêter à de la charge par article comme pourrait le faire un APS.

Il s’agit de traiter l’ensemble du parcours de la commande dans l’entrepôt et d’aller ainsi au détail de l’emplacement, des différentes zones d'activité, des processus de préparation, etc.


Vous avez pour l’instant uniquement parlé d’entrepôt. Existe-t-il des cas d’usage dans le transport ?

Le cas d'application que nous pressentons dans le transport concerne l’optimisation de tournées.

Notre solution TMS est pour sa part destinée aux chargeurs, en particulier dans la logistique de détail. Il s’agit d’acteurs qui ne disposent généralement pas de flotte en propre, mais sous-traitent leur transport. Ils ne sont donc pas concernés par cette problématique.

C’est la raison pour laquelle, nous avons, au moins dans un premier temps, privilégié des applications dans notre WMS, domaine dans lequel nous comptons une importante base installée.


Et sur le WCS ?

Notre WCS bénéficie déjà des travaux que nous avons effectués dans le domaine de la recherche opérationnelle. De nouveaux algorithmes ont ainsi été intégrés dans notre solution afin d’en optimiser le fonctionnement.

Néanmoins, il ne s’agit pas réellement de machine learning. Sur le WCS, la problématique n’est pas de prévoir la charge, mais d’optimiser en temps réel les flux à traiter.


Bio Express

Évelyne RAYNAUD est Directrice du développement d’A-SIS et en charge de la stratégie Produit de l’éditeur.

Site Internet d’A-SIS : http://www.a-sis.com/


Contactez notre équipe