Green Logistics
Optimiser ses plans de transport grâce à l’Intelligence Artificielle

En moyenne, on considère que le taux de remplissage moyen des camions en Europe, toutes activités confondues, est d’environ de 70%. 

 

Dans ce cadre l’optimisation des ressources de transport est un impératif :

  • Préserver les marges opérationnelles
  • Affronter la pénurie de moyens (en particulier de chauffeurs)
  • Répondre aux enjeux environnementaux 

Pourtant cette optimisation est rendue plus complexe par l’évolution des habitudes de consommation. La plus simple des optimisations, c’est la massification. Complexe à mettre en œuvre avec des flux multi canaux…

Comment faire mieux avec les mêmes ressources ?

Selon l’étude de Transport & Environment, “une meilleure efficacité logistique entraîne une réduction de 7% des émissions d’ici 2050 par rapport à celles de 2018, ou une réduction de 11% si l’on considère le scénario de référence en 2050”.

Le leader de la logistique sous température dirigée, STEF, a pris les devants en confiant l’optimisation de ses plans de transport à DCbrain, éditeur du logiciel INES Optim, basé sur un double digital et un cœur d’optimisation d’Intelligence Artificielle. 

Ce déploiement, basé sur des principes de méthodologies clés tels que data audit, change management et méthodologie agile permet de contribuer aux objectifs du groupe en termes d’optimisation CO².

 

Rejoignez-nous le 19 mars à 8h45 et venez découvrir le retour d’expérience de ce projet. Nous y aborderons les aspects technologiques et opérationnels qui ont permis de faire de ce projet un succès stratégique et environnemental.

 

Intervenants :

  • Damien Chapotot, Directeur Général délégué @STEF Transport
  • Arnaud de Moissac, CEO @ DCbrain
  • Philippe Clopeau, Project Management Officer @DCbrain

______________________

Merci à tous d’avoir participé à notre meetup Supply Chain. Vous avez été très nombreux et nous n’avons malheureusement pas pu répondre à toutes vos questions. Vous retrouverez ici le condensé des questions / réponses.

  • À quelle fréquence sont renouvelées les schémas de traction ?
    Les schémas seront vraisemblablement renouvelés lors de grandes variations saisonnières, pour faire des choix immobiliers (quelle nouvelle implantation). Mais nous pourrons aussi utiliser l’outil pour faire face à des situations exceptionnelles (intempéries par exemple sur une région).
  • Comment le paramètre « Qualité de service » a été modélisé dans l’IA ?
    Nous intégrons l’ensemble des promesses opérationnelles de nos destinataires et expéditeurs sur la base de nos offres et donc la modélisation du réseau définit les meilleurs « chemins » et horaires de traction.
  • Comment réagit le modèle d’optimisation à une forte activité journalière (hausse des volumes de distribution) ?
    Nous ne modéliserons pas le réseau à la journée mais en fonction de périodes reproductibles. (saison, etc)
  • L’outil prend-il en compte des capacités finies de chargement / déchargement ainsi que les leadtime de chargement et le respect de la promesse client (délai end to end en cas de plusieurs ruptures de charge) ?
    En effet l’outil intègre les capacités des véhicules, de nos sites (m2, nombre de portes, effectifs, etc), les promesses opérationnelles (horaires liés à nos offres) et intègre un nombre maximum de « points stop ».
  • À combien estimez-vous le taux de retour à vide (traction et camionnage) au sein du réseau Stef ?
    À date, notre taux de retour à vide sur les tractions inter-sites est très faible. En revanche nous pouvons optimiser les taux de remplissage et les chemins de ces tractions.
  • Comment s’intègre l’outil vs le TMS ?
    On fournit un modèle du projet au départ, en accord avec le client, nous fournissons un MCD qu’on adresse à la DSI qui va faire des requettes dans le TMS et qui va les poser sur un serveur à une fréquence définie ensemble.
  • L’optimisation des tournées intègre-t-elle les tournées d’enlèvement chez vos fournisseurs ?
    Nous intégrons les contraintes horaires d’enlèvement chez nos clients mais la modélisation se fait de site STEF vers le site STEF ou vers les plateformes de nos clients.
  • Au niveau de la méthodologie, les échanges sont à quelle fréquence (quotidien, hebdo, mensuel) ? Combien de temps faut-il pour réaliser l’optimisation ?
    Un comité de projet est réalisé chaque semaine avec toutes les équipes (STEF et DCbrain), ainsi qu’un comité de pilotage chaque mois. Néanmoins, nous restons disponible à tout moment par téléphone. La réalisation d’une optimisation dépend du projet et de nombreux facteurs. Selon la complexité du projet, cela peut varier entre 4 à 6 mois.
  • La modélisation est-elle dynamique? Au sens où si de nouveaux fournisseurs s’ajoutent à votre business, le plan de transport sera t’il modifié automatiquement?
    Nous ne sommes pas dans un outil d’exploitation quotidien, nous décidons de la date du lancement des modélisations nouvelles du réseau. Bien évidemment, si un client a des impacts en terme de volume et de localisation, libre à nous de relancer une modélisation du réseau pour mesurer les impacts de l’intégration de ce nouveau client. Nous pouvons décider d’une nouvelle modélisation, mais ce ne sera pas systématique ou automatique.
  • Le périmètre d’application est modélisé pour la partie traction, les boucles sont-elles possibles ou imaginables, la réutilisation de moyen, la gestion des retours types emballage?
    C’est effectivement un des éléments que nous avons demandé d’intégrer dans l’outil, la capacité à organiser, créer des boucles en prenant en compte toutes les règles métier.
  • Dans la data, comment traitez-vous les outliers (valeurs atypiques) ?
    Nous avons un module dédié à l’alerte lors de la détection d’outlier. Ensuite, le comportement de base est de supprimer les outliers qui n’ont aucun sens physique et de voir avec le client s’il souhaite qu’on corrige les autres.
  • L’outil semble être un optimiseur. Peut-il servir à designer / initialiser un nouveau schéma ?
    Oui , il est possible d’ajouter et de supprimer des agences , modifier le nombre de porte et ou de quai, tout cela permet ainsi de piloter vos investissements et de mesurer l’impact sur le réseau existant.
  • Quelle est la part d’IA dans ce cas s’il s’agit d’un outil qui optimise avec des règles mathématiques de théorie des graphes ?
    La théorie des graphes fait partie de l’IA. Un réseau de neurone est traité comme un « computational graph » par les principaux framework de deep learning comme tensorflow Ceci dit, l’hybridation chez DCbrain entre la RO et le DL est de l’ordre 70-30.

On espère vous revoir nombreux lors de notre prochain meetup, à bientôt !