"Nous sommes parvenus à réduire le délai de livraison de 48 à 12 heures"

Lorsqu’un navire a bloqué le canal de Suez en mars 2021, plusieurs entreprises ont tiré la sonnette d’alarme: si nous sommes à ce point tributaires de ce passage, c’est qu’il existe un problème dans notre chaîne de production. Avec la crise sanitaire, l’incident a déclenché une prise de conscience: il faut procéder autrement.

En réalité, pour Kris Van Marcke, Thought Leader & Solution Owner chez Ordina, cette évolution a débuté voici plusieurs années déjà. “Les entreprises se concentrent désormais sur la stabilité de leur chaîne logistique plutôt que sur la simple réduction des coûts. Elles le font par exemple en se diversifiant et en combinant production offshore et production nearshore. La tendance la plus récente consiste à tenter d’anticiper les problèmes et opportunités. À partir de données et d’algorithmes affinés en permanence, elles essaient de dessiner des prévisions de plus en plus précises pour leur chaîne logistique.”

Bien entendu, ces entreprises faisaient des prévisions par le passé… mais d’une façon différente. “Autrefois, elles réfléchissaient au prochain trimestre ou à l’année suivante”, note Kris Van Marcke. “Aujourd’hui, elles se focalisent également sur le mois prochain, la semaine prochaine, voire le lendemain. Les entreprises demandent expressément de telles prévisions parce qu’elles leur permettent de mieux adapter leur capacité de production à la demande, y compris à très court terme.” 

Copie numérique de la chaîne de production

Des projections aussi courtes exigent des moyens différents. “Les statistiques sur lesquelles nous nous appuyions ne suffisent plus”, prévient Kris Van Marcke. “Nous ne nous contentons pas d’observer les ventes d’une période similaire: nous implémentons d’autres sources de données. Quand nous travaillons pour une entreprise active dans le secteur agroalimentaire, par exemple, nous intégrons les prévisions météorologiques et les périodes de vacances dans nos calculs; pour d’autres entreprises, ce seront d’autres données. Il s’agit avant tout d’établir des liens et d’améliorer la qualité des prévisions.”

Ces calculs ne passent plus depuis longtemps par de simples algorithmes. “Dans un concept digital twin, des entreprises appliquent un modèle reposant sur une version déterministe de la réalité qui respecte des règles fixes. C’est – comme l’expression le laisse entendre – une copie numérique de la réalité. Mieux le ‘jumeau numérique’ réplique la réalité, plus il sera possible d’en tirer des enseignements.”

Si cette méthode s’avère pratique et efficace jusqu’à un certain point, la réalité est naturellement plus capricieuse. C’est pourquoi on étend ce modèle déterministe à un second modèle autoapprenant. Un modèle alimenté en continu en nouvelles données dont il tire des enseignements.

“Il y a énormément de données disponibles”, sourit Kris Van Marcke. “Le défi est de les convertir en connaissances. Les boutiques internet le font très bien avec leurs publicités en ligne, par exemple, mais pour de nombreuses entreprises dans la production et le transport, notamment, cela demeure compliqué. Pour autant, le potentiel reste énorme, par exemple en combinant des données sur le trafic, la météo et les grèves.”

Le client est roi

Ces nouvelles informations ont un impact sur la planification de la production et le transport de certaines marchandises. Pour l’entreprise elle-même comme pour ses fournisseurs. “L’époque où l’entreprise élaborait sa chaîne logistique en toute autonomie est révolue”, estime Kris Van Marcke. “Le client final a parfois beaucoup plus d’impact que le fournisseur. Cette évolution est apparue au sein des entreprises B2C, quand Zalando et consorts ont dû gérer des colis retour; elle pénètre dorénavant dans le monde B2B. Et dans ce cadre, il est important de choisir un système ERP capable de se connecter aisément à d’autres outils.”

Kris Van Marcke cite l’exemple des grands aéroports qui s’adaptent constamment aux besoins de leurs clients, les compagnies aériennes. Pensez à l’affectation des vols aux portes afin que les passagers en transit puissent attraper aisément leur correspondance. Au nombre de guichets pour le check-in et leur emplacement. Ou encore aux sous-traitants qui fournissent des services aux compagnies aériennes pour le traitement des bagages ou l’entretien technique.

“Une entreprise de transport nous a demandé de réduire ses délais de livraison de 48 à 12 heures sans perte de rentabilité. Nous avons commencé par analyser le réseau existant. Où se trouvaient les hubs? Quels étaient les transports fixes quotidiens? Sur ces données, nous avons ‘lâché’ un algorithme qui nous a permis d’optimiser les transports. Nous en sommes arrivés à un planning où le réseau est exploité de manière optimale et où il y a toujours des liaisons d’un hub à l’autre, sans qu’aucun envoi ne manque une liaison quelque part. Si nécessaire, le système recherche automatiquement des itinéraires ou des horaires de départ alternatifs.”

Le tableau que brosse Kris Van Marcke, avec ces digital twins autoapprenants qui calculent des scénarios et autres algorithmes qui optimisent la planification, relève toujours de la science-fiction pour de nombreuses entreprises. “Pourtant, ces outils sont de plus en plus utilisés, car ceux qui élaborent aujourd’hui une stratégie intelligente peuvent devenir les Zalando de demain.”