Comment l’IA pour la chaîne d’approvisionnement transforme l’expérience client
Meagan Johnson Meagan Johnson
27 août 10 min

Comment l’IA pour la chaîne d’approvisionnement transforme l’expérience client

La chaîne d’approvisionnement du commerce de détail d’aujourd’hui semble très différente de celle d’il y a vingt ou même dix ans. C’est parce qu’aujourd’hui, c’est le client qui est assis au tableau de contrôle principal, dirigeant le trafic de la chaîne d’approvisionnement d’un détaillant. Les détaillants ne peuvent plus se contenter de pousser les produits vers les clients comme ils le faisaient autrefois. Le client est maintenant hyper-connecté et en contrôle, ce qui crée plus de variabilité, de volatilité et de complexité que jamais auparavant.

Magasins, entrepôts, usines et réseaux logistiques adoptent de nouvelles méthodes de numérisation pour les aider à répondre aux clients où qu’ils soient, quand ils le veulent, avec le bon prix et les bons produits. Cette hyper-connectivité crée une abondance massive et croissante de données, et il n’est pas toujours facile de discerner quels signaux sont les plus pertinents et les plus exploitables — et lesquels ne sont que du bruit. Il ne suffit pas de gagner en visibilité sur les données par l’intermédiaire d’une tour de contrôle centrale pour s’adapter à l’évolution des besoins et des comportements des clients et y répondre.

Ce qu’il faut, c’est une chaîne d’approvisionnement qui apprend de manière active, avec des cycles de planification et d’exécution plus dynamiques et plus courts. L’IA qui apprend et s’améliore continuellement fait entrer cette vision dans le domaine du possible : l’IA peut donner un sens aux données et les utiliser comme base pour recommander des actions. Elle peut analyser des points de données disparates pour mieux gérer et minimiser les ruptures d’inventaire, et elle peut rassembler toutes les différentes chaînes de la chaîne logistique en temps réel, de sorte que de moins en moins de clients se rendent dans un magasin, pour se retrouver debout devant une étagère vide.

Les données sont cruciales, mais ce n’est pas où se trouve la valeur.

De nombreux détaillants possèdent les données, certains plus que d’autres, mais l’avantage concurrentiel ne réside pas dans les données elles-mêmes (qui sont loin d’être rares). L’avantage concurrentiel réside plutôt dans l’agrégation et l’interprétation des bonnes données, provenant de sources multiples (et donc de toutes les fonctions de l’entreprise), et dans l’utilisation de ces données comme base pour prendre des décisions plus rapides et mieux éclairées.

C’est là que l’IA donne un avantage aux détaillants. Avec un logiciel d’apprentissage machine qui analyse et apprend à partir des données, il est possible d’aller au-delà des tableaux de bord, qui fournissent aux utilisateurs une visibilité, pour passer aux actions recommandées par l’IA. Ces recommandations, qui devraient pouvoir être mises en œuvre de manière réaliste à tous les points pertinents de la chaîne d’approvisionnement, permettent aux entreprises de mieux suivre le rythme des consommateurs hyper-connectés d’aujourd’hui.

Prenons un exemple : une grande entreprise a récemment signalé que son PGI produisait quelque 800 alertes par jour, ce qui rend extrêmement difficile pour les employés de déterminer les mesures à prendre et dans quel ordre. Ils devaient également comprendre ce qui pouvait être abordé de façon réaliste dans un horizon de temps d’exécution donné et quelle était la valeur à risque si rien n’était fait. En utilisant l’IA, le détaillant a montré que le nombre d’alertes pouvant donner lieu à une action était beaucoup plus faible que le nombre qu’il recevait. De plus, certaines perturbations réelles n’ont jamais été détectées par le PGI déterministe à l’arrière. Il s’agit simplement d’un exemple pour montrer que la capacité de trouver des modèles dans les données et de ne convertir que les informations pertinentes, de grande valeur et exploitables en intelligence qui peuvent être exécutées au bon moment, d’une manière connectée et synchronisée à travers la chaîne d’approvisionnement, est ce qui fera vraiment une différence aux yeux du client.

La connexion et l’interprétation des points de données traditionnels tels que l’inventaire disponible, les heures d’arrivée prévues des camions, les dates de production ou d’autres données non structurées comme celles produites par les caméras, le wifi, les balises ou les capteurs, sont essentielles pour déterminer quelle information est la plus pertinente pour traiter les perturbations potentielles à haut risque et à valeur ajoutée. Si l’on pense à un événement comme une rupture de stock, qui a longtemps été considéré comme l’un des points les plus douloureux pour les détaillants, la capacité de discerner les scénarios de rupture de stock qui sont les plus importants à traiter et ceux sur lesquels il faut agir quand cela compte pour le client, permettra aux décideurs de consacrer plus de temps aux activités à valeur ajoutée et aux rôles au niveau de l’exécution, comme les employés en magasin, pour faire de meilleurs gains en productivité.

Avec l’IA, les détaillants peuvent réagir plus rapidement aux perturbations de la chaîne d’approvisionnement.

Si nous pensons à un produit donné et essayons d’imaginer le chemin qu’il parcourt tout au long de la chaîne d’approvisionnement centrée sur le client, il y a des lots de production potentiellement plus petits pour répondre à une demande plus fragmentée et personnalisée, et il y a très certainement plus de manipulation en raison des divers canaux clients qu’il peut parcourir ou entre eux. Par conséquent, en plus du bruit, il y a aussi un potentiel accru de distorsion des données.

Avec l’IA, les détaillants peuvent réagir plus rapidement aux perturbations de la chaîne d’approvisionnement.

Par exemple, un détaillant nous a dit qu’environ un cinquième de ses commandes en ligne ne sont pas exécutées en raison de données erronées sur les stocks disponibles. Les détaillants doivent être en mesure de détecter ou de prévoir où ce genre de distorsion peut exister ou pourrait survenir, afin d’être prêts, le cas échéant, à corriger rapidement les écarts et à s’assurer qu’ils sont pris en compte lorsqu’ils prescrivent un plan d’action ou d’atténuation. L’IA a le potentiel d’aider les détaillants à relever certains des défis liés à la rupture des stocks. La vision par ordinateur, par exemple, peut être exploitée pour mieux détecter et compter les produits à l’avant et à l’arrière du magasin et repérer les articles égarés ou les marchandises endommagées, ce qui permet de maximiser la disponibilité sur étagère.

Des données localisées à l’orchestration d’ensemble

Détecter les signaux pertinents et prédire où des perturbations peuvent se produire afin d’aider les décideurs à formuler des recommandations normatives est déjà un pas en avant de la visibilité de la tour de contrôle. Mais rien de tout cela n’a beaucoup de valeur si l’exécution n’est pas correctement orchestrée dans l’horizon de temps d’exécution défini. Avec une chaîne d’approvisionnement plus complexe et interconnectée, l’effet de délai standard de planification à l’exécution se multiplie, et ce qui était un plan soigneusement élaboré a maintenant moins d’incidence ou même moins de pertinence parce que l’exécution n’était pas synchronisée entre les bons nœuds et acteurs dans la chaîne d’approvisionnement.

Des données localisées à l’orchestration d’ensemble.

En quoi cela est-il important pour l’IA et en quoi cela peut-il être utile ici? L’exécution se fait au niveau du magasin, de l’entrepôt et du camion et, sans doute, même au niveau de l’employé individuel. La seule façon de concevoir un plan d’exécution de qualité et réalisable (ou un plan d’atténuation dans certains cas) est d’être capable d’analyser et de saisir les données et les signaux à ces mêmes niveaux. Cela implique la collecte d’un grand volume de données que – contrairement aux systèmes et modèles existants – les modèles d’apprentissage profond peuvent accueillir. Plus important encore, avec le temps, l’IA peut capter la rétroaction ou interpréter les signaux au niveau « local » et apprendre et se reformer continuellement pour fournir une orientation prescriptive plus riche et une planification et une exécution localisées. Il est ainsi plus facile de prédire où des distorsions de données peuvent exister et d’établir plus rapidement un ensemble de tâches prioritaires, orchestrées entre tous les nœuds et acteurs concernés, pour résoudre les problèmes de données internes avant qu’ils ne deviennent un problème pour le client.

Une fois les prévisions et les recommandations du système d’IA mises en œuvre, de nouveaux points de données peuvent être saisis qui relient le plan prescrit à l’efficacité de l’exécution réelle. Les informations tirées de ces données peuvent devenir un point de différenciation, car elles peuvent réduire considérablement le temps entre la planification et l’exécution en créant une boucle de rétroaction continue et plus en temps réel. Cela permet une planification plus dynamique et une amélioration continue, et répond directement au besoin d’agilité de la chaîne d’approvisionnement dans ce paysage complexe où le client est roi.

Offrir une expérience d’achat transparente à l’ère du consommateur connecté

L’économie à la demande d’aujourd’hui exigera des détaillants, des fabricants et des entreprises de logistique qu’ils adoptent de nouvelles approches novatrices. L’IA a la capacité de fournir des informations plus riches et plus localisées qui peuvent mener à une planification et une exécution plus dynamiques et optimales. Elle relie des sources de données disparates et interprète l’information nouvelle, élimine le bruit et offre des solutions prescriptives pour guider les employés sur ce qui est le plus pertinent et le plus réalisable. De plus, associée à des données d’entrée de qualité, l’IA est capable de repérer et de prévoir les écarts, minimisant ainsi la perturbation des stocks. Enfin, l’IA peut orchestrer l’exécution et saisir de nouvelles informations pour une planification plus localisée et dynamique tout au long de la chaîne logistique. Avec l’IA qui apprend et s’améliore, les détaillants peuvent gagner les clients d’aujourd’hui en leur donnant plus de ce qu’ils veulent : une expérience de magasinage facile, fiable et amusante, de sorte qu’ils ne quittent plus le magasin les mains vides.


Vous serez à Groceryshop du 15 au 19 septembre à Las Vegas? Rencontrez un de nos experts pour apprendre comment l'IA peut optimiser votre chaîne logistique. Prenez rendez-vous!