Optimiser sa flotte avec l'IA et le machine learning pour une supply chain plus efficace et plus durable

Avec une pression toujours plus forte pour rationaliser les opérations et réduire les coûts, tout en gardant un oeil sur le développement durable, la gestion de flotte doit faire face à de nouvelles problématiques que la crise de Covid-19 a souvent accentué. Pourtant, grâce aux technologies d'intelligence artificielle (IA) et de machine learning (ML), les entreprises peuvent aujourd'hui optimiser leur flotte et ainsi répondre à ces nouveaux défis simplement, et à bas coût.

Les gestionnaires de flotte ont pour objectif principal d'optimiser le coût global du transport, ce qui n'a pas été chose aisée cette dernière année, notamment due à la pénurie de personnel liée à la pandémie et à la hausse des coûts du carburant. De plus, ils doivent constamment améliorer le déploiement de la flotte, augmenter la productivité du personnel, le tout en se conformant aux obligations réglementaires, en répondant aux exigences de réduction du CO₂, en assurant la transparence des opérations et en respectant les accords de niveau de service (SLA).

Les gestionnaires de flotte constituent le lien central entre les fournisseurs et les clients et sont donc essentiels au flux opérationnel ininterrompu de la chaîne d'approvisionnement. La crise que nous connaissons et les interruptions et retards qu'elle a entraînés ont exacerbé et accéléré les inefficacités préexistantes dans la gestion opérationnelle de la flotte. Les problèmes tels qu'un manque de communication entre le gestionnaire de la chaîne d'approvisionnement et le conducteur, une mauvaise visibilité des stocks et des actifs pendant le transit, des délais allongés ou non prévisibles, se sont multipliés ces derniers mois. De plus, sans données en temps réel pour surveiller ou mesurer les performances du véhicule et du conducteur, il est difficile de s'assurer de la sécurité de ce dernier ou de la gestion efficace des itinéraires et du carburant. Il en résulte des délais d'exécution incohérents et des flottes qui parcourent des kilomètres à vide.

L'introduction de l'IA dans les processus de la supply chain a entraîné une augmentation des revenus

L'épidémie de Covid-19 ayant entraîné de nombreuses perturbations des réseaux logistiques, les entreprises ont rapidement cherché à accroître la résilience de leur supply chain, notamment par le biais de technologies d'intelligence artificielle et de machine learning. McKinsey révèle ainsi que 53% des dirigeants du secteur manufacturier déclarent que l'introduction de l'IA dans les processus de la supply chain a entraîné une augmentation des revenus.

Pour que les systèmes IA/ML fonctionnent de manière optimale, ils doivent cependant avoir accès rapidement à des algorithmes basés sur des données exploitables. L'Internet des Objets (IoT) est la clé pour accéder à ces données. Il comprend la connectivité et les objets connectés qui offrent une visibilité et une surveillance de la flotte en temps réel, les logiciels de Business Intelligence permettant d'extrapoler et d'évaluer les données pour accélérer la prise de décision, et le Cloud qui réduit les coûts et facilite un traitement plus rapide de ces données.

Si Gartner prédit que, d'ici 2030, 50% des multinationales "product-centric" auront investi dans des plateformes de visibilité de transports en temps réel, le cabinet souligne que "si 72% des organisations du secteur considèrent la technologie de management de la supply chain comme une source d'avantage concurrentiel, seules 47% d'entre elles l'utilisent de manière horizontale et holistique dans tous les domaines fonctionnels". Là où les technologies IoT n'ont pas encore été adoptées, les gestionnaires de flotte continuent à perdre du temps et des ressources à rassembler manuellement des données à partir de sources disparates pour prendre des décisions. Ce manque d'agilité et de transparence a des répercussions, non seulement sur la supply chain, mais aussi sur l'ensemble de l'organisation.

Optimiser la planification des itinéraires ainsi que les besoins de stockage

L'un des meilleurs exemples d'optimisation de flotte consiste à utiliser l'IoT pour obtenir une vue d'ensemble de la localisation et de l'état de celle-ci grâce au suivi GPS, mais aussi du stockage et de l'échange de biens consignés ou des emballages inutilisés. Les entreprises de transport routier de marchandises parcourent de longues distances pour collecter et ramener les palettes vides à leurs propriétaires, ce qui est coûteux et a un impact négatif sur l'environnement. En combinant les données réelles sur les itinéraires et le comportement des clients finaux avec les prévisions futures, il est possible de prévoir où les actifs devront se trouver et optimiser la planification des itinéraires ainsi que les besoins de stockage. Grâce à un meilleur suivi de la localisation de la flotte et des palettes, les utilisateurs sont ainsi en mesure d'échanger des palettes via une plateforme collaborative en ligne et d'utiliser leurs propres ressources. Cela favorise la collaboration entre les entreprises, réduit les émissions de CO₂ et les kilomètres parcourus à vide, tout en rationalisant les opérations et les coûts.

L'IA, le ML et l'IoT sont des partenaires parfaits dans le chemin vers l'optimisation de la flotte. Un résultat direct de l'introduction de l'IA et du ML dans les supply chain est la réduction des coûts au sein de la supply chain en question ; la diminution du transport et de la main-d'oeuvre étant l'un des domaines où l'on fait le plus d'économies. Alors que l'un des avantages cachés de l'IA et du ML est que les données sont générées "virtuellement" (sans appareils ou souvent même sans mouvement des actifs physiques), par conséquent l'empreinte carbone qui en résulte est une fraction de la collecte des mêmes données dans le monde physique.

L'IA et le ML peuvent être déployés pour traiter les données opérationnelles générées par les applications cloud et aider à prédire, planifier et évaluer tous les domaines de la supply chain. Plus les logiciels d'IA ont accès à des algorithmes sur une période donnée, plus leurs prédictions seront précises. Dans le cas de la gestion de flotte, ils permettent d'utiliser au mieux une flotte, réduire le coût des opérations, augmenter la productivité des conducteurs et réduire les kilomètres parcourus à vide.

Par Ian Terblanche, directeur des ventes stratégiques et des canaux de distribution chez Sigfox