Big Data et chaîne logistique : optimisation des livraisons

La maîtrise des processus logistiques garantit aux entreprises un gain de temps et d’argent. En effet, chaque processus induit des coûts pour les entreprises qui, s’ils ne sont pas correctement contrôlés et anticipés, peuvent se répercuter sur le reste de la Supply Chain, et à terme sur les frais de gestion des flux humains, des capitaux et des marchandises, ainsi que sur la satisfaction de leurs clients.

Aujourd’hui, l’optimisation des livraisons et l’amélioration des processus liés à la Supply Chain peuvent se faire grâce au Big Data et ses applications. Comment les technologies de stockage et de traitement des méga-données peuvent-elles aider les entreprises dans l’optimisation des livraisons ? Quel type de data permet la réussite des projets d’optimisation du Supply Chain Management ? Quels champs d’études sont impliqués dans ce type de projets et quels enjeux se cachent derrière l’optimisation des tournées des livreurs ? Nous détaillons, ici, tout ce qu’il faut comprendre sur ce sujet : données nécessaires, conséquences des délais d’acheminements des marchandises, etc.

Comment optimiser les livraisons grâce au Big Data ?-1

Chaîne logistique et livraison

La livraison fait partie des processus du Supply Chain Management. Elle garantit l’acheminement des marchandises auprès des distributeurs ou des particuliers.

Chaîne logistique : définition

La chaîne logistique regroupe l’ensemble des flux de matières premières et transformées, ainsi que les activités liées à celles-ci qui permettent d’assurer le fonctionnement des activités commerciales d’une entreprise. La gestion de la chaîne logistique, ou Supply Chain Management, comprend notamment :

  • la gestion des approvisionnements auprès des fournisseurs et de leurs fournisseurs ;
  • l’administration des stocks et leur conservation ;
  • la transformation des matières premières (si nécessaire) ;
  • la livraison des commandes clients ou répartition auprès des distributeurs partenaires.

L’optimisation de ces processus est cruciale pour la santé économique des entreprises. Elle permet de diminuer l’immobilisation des flux de trésorerie, d’anticiper les ruptures de stocks, de répondre à la demande client efficacement et d’assurer à terme leur satisfaction et fidélisation.

Les facteurs affectant la livraison

L’optimisation des livraisons se joue principalement au niveau de la gestion des tournées. La livraison peut être affectée au niveau :

  • des retards d’approvisionnement ;
  • du nombre et de la séquence des livraisons à effectuer ;
  • de l’attente au niveau des logements des clients finaux ou des points de livraison ;
  • du nombre de livreurs ou de chauffeurs disponibles ;
  • des créneaux horaires et de la disponibilité des livreurs ;
  • du nombre de véhicules en état de service.

Les chauffeurs et les coursiers peuvent rencontrer les problèmes suivants lors de leurs tournées :

  • pic inhabituel de trafic entre deux points de livraison ;
  • présence de travaux ou de chantiers ;
  • absence d’un client à son domicile.

Conséquence pour les entreprises ? Une potentielle détérioration de la satisfaction client et des retards au niveau des livraisons restantes. Celles-ci peuvent être alors reportées de quelques heures à quelques jours, générant ainsi des frais de stockage supplémentaires. Elles peuvent également causer des annulations de commandes du côté des clients. Ainsi, les conséquences sur le chiffre d’affaires des entreprises peuvent rapidement devenir colossales.

Big Data et amélioration de la chaîne logistique

Né à la fin des années 1990, le Big Data cherche à relever le défi de la gestion, du traitement et de la visualisation des grandes quantités de données. Les processus logistiques sont générateurs de quantités colossales de données. Les applications du Big Data assurent leur exploitation dans les processus décisionnels des entreprises.

Big Data : définition

Le Big Data regroupe l’ensemble des moyens d’informations ne pouvant être traités, transformés et analysés à l’échelle humaine. Ces informations possèdent les caractéristiques suivantes :

  • un volume conséquent ;
  • une vitesse ou vélocité à laquelle la data est générée, stockée, voire traitée ;
  • une variété tant au niveau de l’origine des données (applications mobiles, objets connectés [IoT], sites web, etc.) qu’au niveau du format de celles-ci (vidéos, textes, images, documents structurés ou non, etc.).

Les volumes de données collectés permettront par la suite de nourrir les algorithmes et les applications d’intelligence artificielle (machine learning, deep learning, etc.). L’analyse et le traitement de la data issue des data lake, par ses algorithmes, permettent de mettre ainsi en exergue des patterns ou schémas récurrents invisibles à l’œil humain.

Applications du Big Data au supply chain management

Les applications du Big Data peuvent être perçues comme des outils d’aide à la décision pour les entreprises. Le recours aux outils du Big Data remplit donc différents objectifs business tels que :

  • la fidélisation et satisfaction des clients ;
  • la diminution des coûts de transports (diminution de la consommation du carburant entre autres) ;
  • la réduction des émissions de CO₂ ;
  • l’augmentation du nombre de tournées par jour et par coursier ou chauffeur ;
  • la diminution des coûts de stockage et d’entretien des colis.

L’optimisation de la durée et des coûts d’acheminement des colis et des marchandises nécessite la prise en compte, en continu, de :

  • l’évolution du trafic routier ;
  • l’absence d’un client ;
  • l’annulation de certaines commandes ;
  • la modification de certains créneaux de livraison ;
  • les pannes de véhicules de service ;
  • les changements d’adresse des clients ;
  • les retards de livraison cumulés pendant la journée ;
  • l’émergence de nouvelles commandes ;
  • les temps de repos légaux des travailleurs (pause déjeuner entre autres).

Les outils du Big Data garantissent l’accès, la visualisation et le stockage des données représentant les dimensions décrites ci-dessus.

Comment optimiser les livraisons grâce au Big Data ?-2

Données nécessaires à l’optimisation de la livraison

Les outils du Big Data permettent le stockage de données décrivant un phénomène donné. Celles-ci peuvent être endogènes au système étudié ou extérieures à lui. Dans le cas de l’optimisation de la livraison, les données internes à l’entreprise peuvent être :

  • les factures des clients ;
  • la géolocalisation des points de livraison ou des domiciles des clients finaux ;
  • les informations liées à la flotte de livreurs (véhicules disponibles, nombre de chauffeurs, etc.) ;
  • l’état des stocks (nombre de produits, ruptures de certains articles ou non, etc.) ;
  • des informations liées à la chaîne logistique (données des fournisseurs et de leurs fournisseurs par exemple) ;
  • l’historique des ventes.

Chaque donnée endogène peut être croisée avec des données externes :

  • calendrier des vacances ;
  • zones de chantiers ou de travaux, sorties d’écoles, etc. ;
  • spécificités locales (festivals, zones touristiques entre autres) ;
  • grèves, manifestations et mouvements sociaux ;
  • météo ;
  • etc.

Le but derrière cette collecte de données est de mettre en évidence des corrélations invisibles à l’œil nu. La conjugaison des données issues du fonctionnement global de l’entreprise, de la chaîne logistique dans laquelle elle s’insère, et de la data descriptive de phénomènes extérieurs pouvant les impacter permet de mieux comprendre le phénomène étudié. Le but final étant de visualiser et de cartographier ce qui se passe en temps réel pour chaque livreur. Et ce, afin de les aider à mieux gérer leurs tournées entre autres.

Techniques de machine learning au service de l’optimisation des livraisons

Différentes disciplines mathématiques et informatiques sont sollicitées dans la résolution des problèmes liés à l’optimisation des livraisons. Parmi elles, on retrouve notamment :

  • la recherche opérationnelle ;
  • la data science (branche de l’intelligence artificielle) ;
  • la théorie des graphes.

Les champs d’application de ces spécialités permettent de modéliser mathématiquement les problématiques d’optimisation des processus du Supply Chain Management. Elles autorisent également la mise en place de solutions améliorant la gestion des aléas et des crises en temps réel. Cela signifie que les solutions générées s’adaptent, au fur et à mesure, aux incidents émergents et aux nouvelles réalités du terrain.

Pour conclure, les outils du Big Data permettent de structurer, stocker et nettoyer les données nécessaires à des analyses plus poussées des processus logistiques. Ces dispositifs garantissent un accès, en temps réel, aux données extraites du terrain (état des stocks, retards de livraisons, bouchons, travaux, état de la flotte de livraison, etc.). Cela permet aux entreprises de s’adapter rapidement face aux perturbations internes et externes, et de gagner en flexibilité pour à terme diminuer les pertes de temps et de capitaux.

Nous vous recommandons ces autres pages :