Qu’est-ce que le machine learning et comment l’utiliser pour la prévision de la demande de produits ?

Comment exploiter le Machine Learning pour prendre de meilleures décisions en matière de supply chain ?

Depuis des années, les entreprises s’efforcent de mettre en œuvre des technologies intelligentes. L’objectif final est que ces systèmes ne se contentent pas de prendre des décisions, mais que ces décisions soient “bonnes” et n’aient pas besoin d’être validées par un être humain.

Alors que les entreprises adoptent l’IA, le Machine Learning et d’autres techniques avancées, comment pouvez-vous utiliser cette technologie révolutionnaire pour créer des gains d’efficacité sur toute la chaîne d’approvisionnement ?

Tout au long de cet article, nous allons approfondir le rôle déterminant que joue déjà le Machine Learning dans notre vie quotidienne, ainsi que la manière dont les entreprises peuvent l’exploiter pour créer un avantage concurrentiel.

De la mise en œuvre du Machine Learning pour la prévision de la demande de produits, à l’enrichissement de votre processus de planification des approvisionnements , nous explorerons certaines des applications intelligentes en Supply Chain qui donnent déjà des résultats fantastiques.

Les robots peuvent-ils prendre de “bonnes” décisions ?

Nous vivons dans un monde où la technologie fait partie intégrante de notre quotidien, et les technologies dont nous dépendons progressent à un rythme exponentiel. On peut observer des exemples d’algorithmes intelligents basés sur le Machine Learning dans tous les aspects de la vie :

• La façon dont nous trouvons les produits sur Internet
• Comment nous effectuons les transactions bancaires
• Lorsque nous écrivons quelques mots dans un courriel et que l’outil propose la fin de la phrase
• Et de plus en plus, comment des outils tels que ChatGPT créent un dialogue semblable à une conversation humaine.

Beaucoup de ces algorithmes enregistrent chaque donnée pour apprendre et se perfectionner. Un exemple emblématique est le système d’échecs Deep Blue (DBC) d’IBM . En 1997, cette machine a réussi à vaincre le champion du monde d’échecs, Garry Kasparov, en utilisant des algorithmes avancés développés grâce au Machine Learning.

Cependant, ces avancées ne sont pas sans conséquences. C’est un peu comme si notre monde commençait à ressembler à un épisode de Black Mirror. Ou plutôt, nous sommes tous devenus une personne d’intérêt qui est constamment surveillée. Pourtant, nous sommes tous convaincus que ces technologies innovantes nous facilitent la vie, l’améliorent et l’accélèrent.

Si nous extrapolons cela à la complexité de la Supply Chain, l’application de cette technologie intelligente existe depuis longtemps. Cependant, l’accent a été mis principalement sur l’automatisation des processus dans les usines. La cerise sur le gâteau consiste à développer des technologies capables d’apprendre à résoudre des problèmes en prenant de meilleures décisions de manière autonome.

Concepts fondamentaux de l’Intelligence Artificielle et de la machine learning

Il s’agit essentiellement d’essayer de faire en sorte que les machines s’alignent sur le comportement humain. Récemment, ce concept a pris de l’importance en raison, notamment, du volume et de la variété des données que les entreprises sont désormais en mesure de collecter et de la vitesse à laquelle elles peuvent les traiter.

Intelligence Artificielle (IA)

Il s’agit essentiellement d’essayer de faire en sorte que les machines s’alignent sur le comportement humain. Récemment, ce concept a pris de l’importance en raison, notamment, du volume et de la variété des données que les entreprises sont désormais en mesure de collecter et de la vitesse à laquelle elles peuvent les traiter.

Définition de “machine learning” (apprentissage automatique)

Il s’agit d’une discipline de l’IA consacrée à l’étude des algorithmes conçus pour effectuer une tâche à l’aide de données. Plus important encore, la machine utilise ces données pour apprendre et s’améliorer automatiquement sans intervention humaine.

Par essence, le Machine Learning associe statistiques appliquées et informatique à une vitesse et une précision qui permettent de prédire des comportements futurs. Pour ce faire, il doit collecter et stocker une grande quantité de données (Big Data), ce qui peut souvent constituer un obstacle pour de nombreuses entreprises.

Science des données et analyse avancée

La science des données couvre l’exploration et l’interprétation de données afin de découvrir des informations significatives pour les entreprises. Combinant principes et pratiques issus des mathématiques, des statistiques, de l’Intelligence Artificielle et de du Machine Learning, cette approche d’analyse avancée permet aux entreprises d’analyser de très grandes quantités de données.

Ces données peuvent à leur tour être utilisées pour réaliser une analyse descriptive (qui consiste à expliquer ce qui s’est passé au moyen de statistiques, de graphiques et de tableaux). Cependant, les techniques de Machine Learning apportent une réelle valeur ajoutée en réalisant deux types d’analyse plus sophistiquées : l’analyse prédictive (faire des prédictions basées sur des situations passées en vue d’une utilisation future) et l’analyse prescriptive (simuler différents scénarios et évaluer les actions qui permettront d’obtenir les meilleurs résultats à l’avenir).

Exemples de le Machine Learning

Comme nous l’avons mentionné, les applications de Machine Learning sont nombreuses. Mais prenons un exemple simple pour montrer comment les techniques de Machine Learning peuvent être utilisées pour obtenir de meilleurs résultats financiers.

Imaginez que vous travaillez pour une salle de sport et que vous souhaitez fidéliser les clients qui envisagent peut-être d’annuler leur abonnement au cours des prochaines semaines. Votre objectif est d’identifier ces membres, puis de les impliquer au bon moment pour les persuader de rester.

Voyons ce qu’il en est :

Comment le Machine Learning peut-il ajouter de la valeur à votre Supply Chain ?

L’intégration du Machine Learning dans la gestion de la Supply Chain aide les entreprises à automatiser des tâches apparemment sans grande valeur, ce qui permet de consacrer plus de temps aux activités stratégiques et à celles qui ont un impact plus important sur l’entreprise. Cependant, le Machine Learning ouvre un univers de possibilités plus ambitieuses.

Voici quelques exemples de la manière dont le Machine Learning a profité aux équipes Supply Chain :

Gestion de la Supply Chain

• Optimisation des circuits de livraison pour le réapprovisionnement à travers les différents points du réseau logistique.
• Création d’un calendrier de commande fournisseur tenant compte de contraintes multiples telles que coûts de stockage, délai de livraison, capacité de l’entrepôt , etc.
• Fournir des informations en temps réel sur la localisation exacte de chaque palette dans la chaîne d’approvisionnement et déterminer l’heure d’arrivée précise au point suivant de la chaîne

Optimisation des entrepôts

• Automatisation des contrôles de qualité grâce à la reconnaissance d’images pour détecter les dommages causés aux conteneurs et aux emballages
• Concevoir la répartition des produits dans l’entrepôt, optimiser les itinéraires de préparation, minimiser les erreurs de préparation, etc.
• Améliorer la gestion des ressources en tenant compte des informations relatives à l’absentéisme prévu et à la rotation du personnel afin d’optimiser les schémas de travail.
• Déterminer le meilleur moment pour effectuer la maintenance préventive des machines et des équipements afin de réduire les temps d’arrêt.

Planification de la production

• Collecte de données pour comprendre la productivité des machines et identifier les possibilités d’optimisation (par exemple : redistribution des temps de production).
• Automatiser les actions répétitives pour augmenter la vitesse de production et l’agilité, ce qui permet au personnel de se concentrer sur d’autres types de tâches à plus forte valeur ajoutée.
• Permettre la personnalisation et la customisation, avec une précision maximale et une production plus rapide
• Détecter les éventuelles anomalies de production et s’assurer qu’elles n’ont pas d’incidence sur le processus de production.

Comment utiliser le Machine Learning pour la prévision de la demande de produits ?

Jusqu’à présent, nous avons parlé des applications du Machine Learning dans la Supply Chain d’une manière générale. Dans la prochaine section, nous nous concentrerons sur un domaine plus spécifique, où la puissance de cette technologie passionnante donne des résultats concrets.

En permettant aux entreprises de créer des prévisions de plus en plus précises, le Machine Learning joue un rôle important en aidant les entreprises à améliorer leurs processus de prise de décision. Appliqué à la prévision de la demande de produits, les avantages du Machine Learning sont évidents.

Si l’on considère la nature de ce processus critique de la Supply Chain, le Machine Learning est une solution naturelle pour la prévision de la demande des produits :

• Les techniques de prévision s’appuient généralement sur un vaste échantillon de données
• La multiplicité des sources de données et des niveaux d’agrégation entraîne souvent un degré élevé de complexité.
• Les informations qui en résultent peuvent être utilisées pour soutenir la prise de décision dans l’ensemble de l’organisation et peuvent même s’étendre à la sélection de partenaires Supply Chain.

Compte tenu de la complexité et de la criticité de la prévision de la demande de produits pour soutenir un processus de prise de décision efficace de la Supply Chain, de nombreuses entreprises adoptent des modèles statistiques pour anticiper la demande future. Cependant, l’intégration du Machine Learning dans le processus permet aux entreprises de créer une visibilité que les modèles statistiques classiques ne peuvent pas égaler.

Approfondissons ce sujet et explorons 3 utilisations pratiques du Machine Learning dans la prévision de la demande de produits :

Prévision de la demande de nouveaux produits

Etablir la prévision de la demande de nouveaux produits est généralement un défi complexe. Toutefois, en utilisant des algorithmes avancés d’apprentissage automatique, les systèmes basés sur le Machine Learning peuvent autonomement regrouper les historiques de demande de plusieurs produits pour identifier et anticiper les tendances de la demande. Cette approche permet au système de prédire le volume potentiel de la demande pour les nouveaux produits.

Résultat : les équipes chargées de la chaîne d’approvisionnement peuvent établir beaucoup plus rapidement des prévisions fiables pour les nouveaux produits, tout en éliminant l’incertitude et le risque liés au lancement de nouveaux produits.

Détection d’anomalies dans les données

En utilisant des techniques similaires à celles utilisées pour la détection des fraudes, les techniques d’apprentissage automatique permettent aux équipes Supply Chain d’identifier les valeurs aberrantes dans l’historique de la demande et de les exclure de toute analyse. De plus, en utilisant des réseaux neuronaux avancés pour regrouper les SKU (Stock Keeping Unit) très sensibles aux anomalies, ces produits peuvent être gérés de manière plus proactive.

En détectant les anomalies dans les transactions des clients, la disponibilité et l’état des stocks, la pertinence des autres algorithmes de soutien ne fait que s’améliorer.

Élimination des déchets

Réduire les déchets est un défi complexe ! Étant donné que les déchets peuvent être causés par un grand nombre de facteurs, le centre de recherche Slimstock développe des outils qui aident les entreprises à anticiper les niveaux de déchets et à atténuer ces causes. En se concentrant sur la quantité optimale à commander pour les articles périssables ainsi que sur le risque d’obsolescence en fin de cycle de vie, notre équipe étudie comment l’IA peut aider les équipes de la chaîne d’approvisionnement à mieux contrôler les déchets.

Optimisation des promotions

Il ne fait aucun doute que les promotions posent de gros problèmes aux entreprises. Toutefois, à mesure que les algorithmes d’apprentissage automatique progressent, les entreprises exploitent la technologie pour optimiser le processus de prise de décision en matière de promotions. En utilisant une technique appelée “apprentissage par renforcement profond”, les entreprises peuvent élaborer des politiques de promotion plus efficaces qui stimulent les ventes et minimisent le risque de démarques imprévues.

Conditions préalables à l’application des principes du Machine Learning à votre activité

Compte tenu du nombre croissant de sources de données potentielles et de l’évolution rapide de la puissance de calcul, le Machine Learning peut être un outil extrêmement puissant pour la prévision de la demande de produits et d’autres processus clés de la Supply Chain.

Pourtant, par essence, il s’agit toujours d’un “outil de plus dans la boîte à outil”. Et bien sûr, le Machine Learning présente des inconvénients. C’est pourquoi les entreprises ne devraient pas chercher à se lancer dans le Machine Learning uniquement pour le plaisir.

Le Machine Learning n’est pas une solution universelle. Son véritable avantage réside dans les situations où il existe de grandes quantités de données combinées à une complexité si élevée que les méthodes mathématiques traditionnelles atteignent leurs limites. Cependant, la question demeure : quelle quantité de données est réellement nécessaire pour obtenir des résultats significatifs ?

Si nous avons une situation avec 5 variables qui peuvent chacune prendre 10 valeurs différentes, nous avons déjà des milliers de combinaisons possibles que la machine peut apprendre. Dans les prévisions, par exemple, il y a souvent beaucoup plus de variables qui peuvent prendre plusieurs valeurs.

Si les données sont disponibles, le Machine Learning a un énorme potentiel. Toutefois, dans la pratique, il s’agit là de la plus grande vulnérabilité du Machine Learning. Les gestionnaires doivent donc considérer comment les données peuvent être collectées de manière structurée, efficiente et de haute qualité.

Le Machine Learning nécessite également une grande puissance de calcul. Certains algorithmes d’apprentissage automatique reposent sur un très grand nombre de calculs numériques, ce qui peut parfois poser problème dans le cadre de la gestion des stocks.

En outre, il est important de garder à l’esprit que les solutions en matière de gestion des stocks ne reposent pas uniquement sur des résultats quantitatifs. En fin de compte, ce sont les personnes qui doivent comprendre les solutions et travailler avec elles. La direction doit donc suivre cela de près. Par conséquent, il est important de faciliter la connaissance du Machine Learning et de la gestion théorique des stocks dans l’ensemble de l’entreprise.

Néanmoins, pour les entreprises qui espèrent travailler plus efficacement, le Machine Learning offre des avantages concurrentiels significatifs. Qu’il s’agisse de battre le champion du monde d’échecs ou de vous aider à obtenir des données plus fiables sur la demande future, le Machine Learning offre aux entreprises de nouvelles possibilités qui révolutionnent déjà la Supply Chain d’aujourd’hui.