L’analyse descriptive, prédictive et prescriptive des données, au service d’un WMS plus performant et adaptatif

23 août 2023

Mustafa Çagri Gürbüz, professeur de Supply Chain Management au MIT-Zaragoza

PAR MUSTAFA ÇAĞRI GÜRBÜZ
Professeur de Supply Chain Management au MIT-Zaragoza International Logistics Program

L’équilibre entre l’offre et la demande est l’un des principaux défis de la gestion de la supply chain. Un défi de taille, compte tenu des incertitudes liées aux processus d’approvisionnement ─ telles que les performances aléatoires ou les perturbations ─ et des fluctuations de la demande comme la saisonnalité. Dans ce contexte, les entrepôts, partie intégrante des chaînes d’approvisionnement, jouent un rôle décisif en tant qu’intermédiaires entre le fabricant et le client. Même en l’absence de stock, ces installations restent le principal lien entre les deux extrémités de la chaîne, parfaitement illustré par le concept de cross-docking. Mais au-delà de leur fonction de stockage, les entrepôts ont aussi pour mission de réduire les coûts (notamment de transport) en consolidant les produits, permettant ainsi des économies d’échelle.

Assurer un niveau de service optimal, c’est-à-dire un temps de réponse court et une disponibilité élevée des stocks, tout en minimisant les coûts, se révèle plus complexe qu’il n’y paraît. Les produits aux cycles de vie plus courts, leur nature périssable dans de nombreux secteurs (électronique, vêtements, aliments frais, etc.), la multiplication des références, la complexité des chaînes d’approvisionnement et les attente des consommateurs pour des produits hautement personnalisés ajoutent une difficulté supplémentaire. L’offre et la demande ayant un impact significatif sur les opérations logistiques, toute perturbation risque d’entraîner des interruptions ou des inefficacités importantes quant au fonctionnement de l’entrepôt.

La probabilité d’interruptions de la part du fournisseur principal, par exemple, peut motiver l’entreprise à acheter auprès de plusieurs fournisseurs ou à augmenter les niveaux de stock pour atténuer le risque. De telles décisions peuvent complexifier les processus de réception et nécessiter des investissements supplémentaires pour accroître la capacité de stockage. De même, des perturbations mineures, comme des retards de livraison par les fournisseurs ou des fluctuations temporaires de la demande, peuvent aussi perturber la synchronisation des processus d’entrée et de sortie des marchandises, entraînant une hausse inattendue de la charge de travail.

L’analyse prédictive des données sert à déterminer le taux d’exposition au risque des acteurs de la supply chain, y compris l’entrepôt lui-même. Elle peut aussi garantir que les Temps de Survie (durée maximale pendant laquelle la chaîne logistique peut rester complètement opérationnelle après une perturbation majeure à l’un de ses nœuds) et le Temps de Récupération, deux concepts introduits par le professeur du MIT David Simchi-Levi, restent dans les plages admissibles pour garantir une continuité, sans heurt, des opérations de l’entrepôt.

Des décisions fondées sur la donnée

La prise de décisions basées sur des modèles statistiques gagne en popularité dans la gestion de la chaîne d'approvisionnement, car il n'est plus possible de compter uniquement sur le jugement humain. Grâce à l'accès à d'importantes quantités de données structurées et non structurées, ainsi qu'à des capacités d'analyse avancées, il devient possible d'identifier des tendances et des corrélations entre les facteurs clés de performance de la chaîne d'approvisionnement.

Les modèles descriptifs, prédictifs et prescriptifs de big data utilisent des techniques statistiques, d’exploration des données et d’apprentissage automatique. Selon Vimal Kumar, les modèles basés sur le machine learning, tels que l’algorithme de régression random forest, trouvent des applications pratiques dans les entrepôts pour minimiser les déchets (environ un tiers des fruits et légumes frais dans le monde sont rejetés).

La prise de décision est de plus en plus automatisée et fondée sur la donnée dans la chaîne d’approvisionnement

Ces mêmes modèles peuvent également être appliquées pour concevoir la distribution d’un entrepôt, gérer efficacement les équipements de manutention et la main-d’œuvre, surveiller les opérations (préparation des commandes, inventaire, stockage) ou améliorer la prise de décision face aux perturbations ou aux événements inattendus. Par exemple, DHL a mis à profit le big data et l’analyse des données pour améliorer la planification prédictive du réseau, la gestion de la valeur client ou des risques, et la prévision de l’offre et de la demande en fournitures. Dans son étude sur l’application du machine learning au sein d’un entrepôt, Alessandro Tufano indique que les algorithmes basés sur l’analyse des données peuvent identifier des SKU similaires et les regrouper physiquement pour faciliter la préparation des commandes, ou à anticiper la charge de travail liée à la préparation des commandes pour définir les zones et les stratégies de picking les mieux adaptées.

Applications et études de cas

WMS avec identification automatique et saisie des données

L’une des principales fonctions d’un logiciel de gestion d’entrepôt (WMS) est de fournir une visibilité entre les opérations d’approvisionnement et de logistique en garantissant la précision des données collectées et partagées. En ce sens, la technologie d’identification automatique et de saisie des données (AIDC) supprime la gestion sur papier, ce qui minimise considérablement les erreurs de saisie des données.

Comme l’AIDC, les jumeaux numériques et la blockchain se démarquent comme des solutions prometteuses pour améliorer l'efficacité des opérations de stockage. Au-delà de leurs fonctions de suivi et de contrôle, les digital twins sont aussi utilisés pour créer des modèles descriptifs/prédictifs visant à optimiser les opérations. L’accessibilité offerte par l’internet des objets (IoT) facilite le développement de tels outils, en permettant une meilleure accessibilité.

Les indicateurs de performance prédictifs ou KPP, tels que la fluctuation de la demande, la réduction des niveaux de stock, la modification des délais fournisseurs, l’état des équipements de manutention ou la charge de travail, constituent un moyen d’anticiper les scénarios avec un haut degré de fiabilité. En intégrant ces prévisions à un WMS et des jumeaux numériques, cela contribuerait à dynamiser davantage les opérations. En effet, cela supprimerait les déplacements inutiles (comme parcourir de trop longues distances dans l’entrepôt), augmenterait la productivité (en cas de livraisons ou d’enlèvements tardifs, le personnel se consacrerait à d’autres tâches) et éviterait les pénuries d’équipements ou de marchandises (par la maintenance prédictive et une meilleure planification de la main d’œuvre).

Mustafa Çagri Gürbüz souligne l’importance de l’analyse prédictive des données dans la logistique

Un WMS optimisé avec l’IoT et les jumeaux numériques offrirait ainsi aux entreprises la possibilité de réussir la mise en œuvre de stratégies telles que le just-in-time (JIT), le vendor managed inventory (VMI) ou le cross-docking, qui nécessitent des efforts considérables en matière de synchronisation, de prévision, de coordination et de planification. Ces systèmes sont également capables de détecter et de résoudre plus rapidement les incohérences. Par exemple, grâce à des capacités de surveillance améliorées et à la collecte régulière d’informations ─ par opposition aux audits trimestriels ou annuels ─, le WMS peut identifier instantanément qu’un article manquant dans une livraison à un détaillant était en réalité présent dans l’entrepôt, permettant ainsi de répondre sans délai à la réclamation du marchand.

WMS basé sur l’IoT pour une productivité et une efficacité améliorées

Dans une étude publiée dans l’International Journal of Production Research, C.K.M. Lee aborde la mise en place d’un WMS basé sur l’IoT ─ intégré à des techniques de « clustering flou » ─ pour gérer les opérations d’un fabricant de boîtes et d’équipements dont les commandes sont de petite taille et hautement personnalisées. Dans ce contexte, la gestion manuelle des opérations limite la capacité de réaction aux modifications des commandes et entraîne des coûts supplémentaires. En effet, environ 50 % des coûts d’exploitation totaux liés aux processus de picking sont dus à la dépendance envers la mémoire et l’expérience du personnel.

Dans l’étude de cas concerné, les clients demandent fréquemment des modifications, telles que des ajouts, des suppressions ou des annulations, ce qui nécessite un WMS flexible, capable d’anticiper ces changements et de répondre rapidement afin de garantir la disponibilité des matières premières et des produits semi-finis.

Le modèle de logique flou développé par les chercheurs repose sur un moteur basé sur des règles, et collecte des données sur le volume de commandes actuel, le nombre de références, le temps restant avant la date de début établie, l’emplacement des articles, les spécifications du client, la quantité requise et le nombre d’opérateurs disponibles. Disposant de ces informations, le système est en mesure de prédire l’état de la période suivante et de proposer une réponse, par exemple le choix d’un picking par lots comme méthode de préparation optimale.

Le WMS basé sur l’IoT avec clustering flou proposé par C.K.M. Lee et les coauteurs de l’étude est capable de surveiller les produits en temps réel et de s’adapter rapidement aux modifications des commandes. Les chercheurs montrent que ce modèle prédictif/prescriptif améliore la productivité, la précision du picking, l’efficacité et la capacité face à la variabilité des commandes. Le modèle proposé permet de traiter davantage de commandes par unité de temps, de réduire les erreurs, d’augmenter les taux de traitement des commandes et leur degré de précision, ainsi que d’offrir un rigueur accru des inventaires. Ces résultats peuvent être attribués à la fois aux capacités analytiques du modèle prédictif/prescriptif et au WMS basé sur l’IoT.

Conception prédictive d’entrepôts à l’aide de l’apprentissage automatique

Dans son article Machine learning approach for predictive warehouse design, Tufano développe un modèle d’apprentissage automatique capable de prédire plusieurs aspects d’un système de stockage à partir d’observations préalables. Le premier aspect concerne la technologie de stockage, par exemple les systèmes automatisées avec transstockeurs, les systèmes compacts, les rayonnages cantilever, le système miniload pour bacs, les rayonnages à palettes et les rayonnages pour picking. Le deuxième tient compte des équipements de manutention : chariot élévateur, chariot préparateur de commandes, etc. Le troisième aspect concerne la stratégie de répartition de la surface de stockage, soit en allouant une même zone pour les articles destinés aux commandes et à la réserve, soit en affectant chaque type de stock à une zone distincte. Le dernier aspect concerne la politique de picking : commandes single-unit ou multi-unit.

Les technologies du big data et du machine learning permettent aux entreprises de mettre en place des modèles descriptifs, prédictifs et prescriptifs d’analyse des données

Pour alimenter ce modèle d'apprentissage automatique, les chercheurs ont utilisé divers indicateurs clés de performance (KPI) tels que le SKU profiling (comportement de chaque SKU), inventory profiling (identification du meilleur emplacement), workload profiling (comment et où la charge de travail est repartie) et layout profiling (comment les ressources sont placées et organisées). À partir de l’inventory profiling, par exemple, il est possible de prédire le risque de pénurie de stock en identifiant le moment précis où une référence spécifique pourrait être épuisée en raison d’une augmentation de la demande.

Ce modèle exige d’avoir accès à certaines informations concernant l’emplacement des marchandises (entrées), le picking (sorties), les coordonnées spatiales de l’entrepôt, les volumes de chaque SKU et la liste détaillée des commandes à préparer. Le modèle d’apprentissage automatique, qui a pour but de prédire la configuration de l’entrepôt adaptée à chaque référence, a été validé à partir de données recueillies auprès de 16 entreprises de différents secteurs dont l'automobile, l'industrie, l'agroalimentaire, la cosmétique et l'édition.

La mission du modèle est de fournir des solutions viables et flexibles ─ même si elles ne sont pas nécessairement optimales ─ alignées avec les pratiques de l’industrie. Les fournisseurs 3PL, par exemple, rencontrent souvent des difficultés à prendre des décisions en matière de conception, à cause de l’imprévisibilité de la demande, qui montre une tendance irrégulière. Ils peuvent par ailleurs ne pas connaître les besoins exacts de leurs nouveaux clients, et les contrats existants peuvent changer fréquemment. La rotation des références liée à l’expiration des contrats clients en est un exemple. Selon Alessandro Tufano et les coauteurs de l’étude, les prestataires logistiques pourraient bénéficier de ce modèle prédictif basé sur des données, notamment s’ils disposent d’informations relatives à des paramètres clés tels que le volume/poids de chaque référence ou la dynamique de la demande (popularité, saisonnalité).

Prévision à court terme de la charge de travail et gestion efficace de la main d’œuvre

Dans le domaine de la supply chain, l'automatisation des prises de décision et l'utilisation des données jouent un rôle de plus en plus prépondérant. Néanmoins, les considérations de l’humain restent décisives pour la planification de l’offre et de la demande. Certaines opérations essentielles, telles que la préparation des commandes et l’emballage, dépendent fortement de la main-d’œuvre. La charge de travail dans l’entrepôt (notamment les sorties de marchandises) est elle aussi généralement variable, principalement en raison de l’incertitude liée à l’offre et à la demande.

Pour faire face aux fluctuations de la demande, les entreprises doivent prendre en compte une multitude de facteurs, y compris la saisonnalité ou les pics de vente liés à certaines périodes comme les soldes. Face à ces défis et à la variabilité de la charge de travail, elles cherchent à constituer une réserve de main-d’œuvre flexible en complément de l’effectif permanent à temps plein dans l’entrepôt. Cependant, avant de pouvoir anticiper la charge de travail et planifier le besoin en personnel, il faut procéder à une analyse approfondie en vue de détecter les erreurs de planification de la demande, de maîtriser les éventuels biais et d’en estimer l’impact sur l’efficacité du travail.

La prise de décision dans la chaîne d’approvisionnement est de plus en plus automatisée et fondée sur la donnée

Le jugement d’un manager peut conduire, en raison de la nature humaine, à surévaluer le volume des commandes. Ce biais peut influencer les décisions concernant le recrutement de main-d’œuvre et les accords de niveau de service conclus avec les clients. Bien que ce biais ne soit pas avantageux pour la phase d’emballage qui nécessite un effectif important, un biais de 30 à 70 % dans les activités de picking et d’expédition peut entraîner un gain d’efficacité de 5 à 10 %. C’est ce que révèle d’une étude menée dans un entrepôt de Samsung Electronics en Europe occidentale, portant sur des produits à forte rotation. Les résultats ont aussi été validés à travers une enquête menée sur 30 entrepôts d’autres entreprises (Thai Young Kim et autres).

Le modèle prédictif proposé par les auteurs met en évidence l’importance de maîtriser le biais de prévision de la demande (la différence entre la demande prévue et volume réel des commandes) pour améliorer la productivité des employés de l’entrepôt. Il établit une corrélation analytique entre le biais de prévision de la demande et la productivité du travail, optimisant ainsi la planification de la capacité de travail.

Selon les auteurs, en maîtrisant le biais de prévision grâce à l’analyse de la demande historique, on améliore les perspectives de vente et l’affectation de ressources humaines aux différentes étapes de la logistique.

La modélisation prédictive pour une gestion améliorée

Les plateformes de big data proposant l’analyse descriptive, prédictive et prescriptive sont des outils puissants grâce auxquels les entreprises pourraient réduire les risques, accroître l’efficacité et maximiser la rentabilité dans la gestion de leurs entrepôts, à condition de surmonter certains obstacles. Cependant, l’adoption de l’analyse des mégadonnées dans ce domaine fait face aux défis posés par plusieurs facteurs dont la taille de l’organisation, les limitations technologiques ou le manque de partage d’informations entre les acteurs de la chaîne d’approvisionnement.

L’étude menée par Ayoub Ghaouta révèle que l’utilisation des modèles prédictifs reste limitée (la plupart des modèles sont descriptifs), à l’exception des algorithmes de routage et de la gestion des stocks. Toutefois, étant donné l’importance de la gestion des risques dans la chaîne d’approvisionnement, les entreprises devraient être encouragées à appliquer plus régulièrement les modèles prédictifs à la gestion des entrepôts. Ainsi, un système de gestion d’entrepôt doté de capacités de gestion des risques pourrait identifier et calculer la probabilité d’éventuelles perturbations chez les partenaires de la chaîne d’approvisionnement ─ par exemple, un fournisseur sujet aux interruptions ou un client présentant un comportement irrégulier quant aux commandes. Cette technologie aiderait par ailleurs les entreprises à élaborer des stratégies d’atténuation réactives et proactives, basées sur les niveaux de risque associés à chaque fournisseur ou client.

Enfin, un effort supplémentaire est encore nécessaire pour étudier comment un WMS basé sur l’IoT contribuerait au passage d’un contrôle centralisé à un contrôle décentralisé au sein de l’entreprise. Cela signifierait une connexion optimale entre les personnes, les équipements de manutention, les produits et les capteurs, mais aussi une meilleure coordination et communication dans la prise de décision.

 

 

Références

 

 

Mustafa Çagri Gürbüz est professeur de gestion de la chaîne d’approvisionnement dans le cadre du programme international en logistique du MIT-Zaragoza. Il est également chercheur associé au MIT Center for Transportation and Logistics. Ses principaux domaines de recherche sont la gestion des stocks et de la chaîne d’approvisionnement, l’optimisation des systèmes de distribution, les contrats et la modélisation des systèmes opérationnels.