L’équipe Comptes d'épargne santé (HSA) d’Intelligence artificielle appliquée au sein d’Accenture a livré un système de prévision Order to Delivery (OTD) pour une marque d’équipement utilisée aux États-Unis qui a été touchée par les perturbations de la chaîne d’approvisionnement liées à la COVID-19. Le système de prévision, basé sur un jumeau numérique de la chaîne d’approvisionnement, a augmenté la précision des prévisions OTD de 57% et réduit les coûts de 20%.
Le système de prévision OTD, ses résultats, d’autres améliorations et les plans de développement sont détaillés dans cette étude de cas d’utilisation d’un jumeau numérique dans la chaîne d’approvisionnement. Le projet a été réalisé par Pablo Rodriguez Varela, chef d’équipe, Patricio Ivan Pipp, directeur, et leur équipe HSA d’intelligence artificielle appliquée chez Accenture Argentine. L’équipe est spécialisée dans l’analyse de la chaîne d’approvisionnement et des opérations.
L’approche de l’intelligence aartificielle appliquée consiste à combiner l’intelligence artificielle avec les données, l’analyse et l’automatisation dans le cadre d’une vision stratégique audacieuse visant à transformer l’entreprise dans toutes les fonctions et tous les processus, à grande échelle.
Problème : Éviter les longs délais de commande à la livraison
Le client souhaitait prédire le comportement de la chaîne d’approvisionnement et permettre une exécution intelligente de sa chaîne d’approvisionnement de vélos aux États-Unis d’Amérique.
Pendant la pandémie de COVID-19, la demande de vélos stationnaires d’entrainement a considérablement augmenté et a fait passer les délais de commande à la livraison (OTD) de cinq jours à soixante jours. Le défi consistait à réduire le temps d’OTD et à améliorer la planification.
Cinq questions principales nécessitaient une réponse et se répartissaient en deux catégories :
- Planification
- Quel est le temps OTD prévu pour chaque nouvelle commande donnée dans le cadre de planification ?
- À quel débit devrions-nous nous attendre à travers un emplacement donné dans le cadre de planification de 12 mois ?
- Quel est le stock de vélos attendus dans chaque endroit prévu pour ?
- Exécution
- Quels niveaux de stock devraient être atteints et de quelle provenance ?
- Les stocks arrivant bientôt dans un port devraient-ils être réacheminés vers d’autres centres de distribution compte tenu du dernier état de retard ?
Solution : Un jumeau numérique basé sur la simulation dynamique
L’équipe d’intelligence artificielle appliquée a adopté l’approche non conventionnelle de la création d’un jumeau numérique de la chaîne d’approvisionnement. Adopter cette approche a créé des défis supplémentaires et a signifié travailler en étroite collaboration avec le client pour assurer l’adhésion.
La solution de chaîne d’approvisionnement s’est concentrée sur la prédiction des temps OTD, pour aider à les réduire, et fournir une base pour une solution intelligente d’allocation des stocks, afin d’améliorer la planification. En créant un jumeau numérique comme solution, il est possible de comprendre pourquoi quelque chose se passe et de poser des questions hypothétiques. Un jumeau numérique est un modèle dynamique d’un système basé sur des données du monde réel qui peuvent être inspectées et observées en fonctionnement - la raison des résultats et du comportement peut être vue et expliquée.
L’équipe a choisi d’utiliser le logiciel de modélisation de simulation AnyLogic pour construire le jumeau numérique en raison de sa flexibilité et de ses intégrations d’apprentissage automatique, qu’elle prévoyait d’utiliser plus tard. Dans AnyLogic, l’équipe a répliqué l’ensemble de la chaîne d’approvisionnement, des fournisseurs aux centres de distribution (DC), en passant par les sites du dernier kilomètre à l’aide de la modélisation d’événements discrets.
Les fournisseurs apportaient 40 000 produits aux États-Unis chaque semaine en provenance d’Asie, tandis que les usines basées aux États-Unis produisaient 4 000 unités par semaine. Le réseau comptait 150 sites de dernier kilomètre à partir desquels les commandes des clients étaient exécutées.
Les principaux éléments du modèle étaient les commandes, les nœuds et les camions, chacun ayant des données associées :
- Commandes : date de création de la commande, produit, nœud, date de livraison de la commande.
- Nœuds : emplacement, type (fournisseur, DC, dernier kilomètre), inventaire, temps de traitement.
- Camions : capacité, délai de livraison.
Le jumeau numérique de la chaîne d’approvisionnement avait une fourchette de prévision d’un jour à un an. L’exécution de simulations Monte Carlo (en anglais) sur le modèle dans le jumeau numérique a fourni des plages de prévision pour les temps OTD. Pour chaque ensemble d’exécutions de simulation, le modèle nécessitait des entrées clés et fournissait des sorties clés :
Entrées clés : maître d’emplacement, capacité de localisation entrante/sortante, position d’inventaire et arriéré, jours cibles d’approvisionnement, délais entre les nœuds, prévision de la demande, prévision de la production
Principaux extrants : prévision OTD, carnet de commandes du dernier kilomètre, position des stocks par nœud de réseau, utilisation des ressources (camions)
Pour que la solution soit un jumeau numérique et pas seulement un modèle de simulation, il devait y avoir une connexion de données en direct. Dans ce cas, les données provenaient de divers services et feuilles de calcul Amazon, tous connectés via Amazon S3. En outre, Tableau était connecté pour l’analyse métier sur les sorties du modèle. Un schéma du système peut être vu dans le diagramme de flux d’informations.
Le jumeau numérique a été configuré avec l’état actuel de la chaîne d’approvisionnement et vérifié. Il a montré le comportement attendu et identifié où des améliorations pourraient être apportées.
Après avoir testé et analysé l’état initial de la chaîne d’approvisionnement, l’équipe a utilisé le modèle de chaîne d’approvisionnement pour optimiser de manière heuristique les opérations de la chaîne d’approvisionnement. Des variables telles que l’inventaire requis et le stock de sécurité n’étaient plus fixées par des règles à l’échelle du réseau. En outre, les centres de réapprovisionnement des de centres de distribution pourraient être réaffectés en fonction des besoins des sites du dernier kilomètre.
Résultats : Les avantages d’un jumeau numérique de chaîne d’approvisionnement
Pour les domaines prioritaires de la prédiction OTD et de l’allocation intelligente des stocks, les avantages attendus de l’initiative de jumeau numérique de la chaîne d’approvisionnement étaient importants. Respectivement, une augmentation de la précision de 57% pour les prévisions de la commande à la livraison et une réduction des coûts de 20% pour les coûts logistiques d’allocation des stocks.
De plus, la précision attendue de l’heure d’arrivée estimée pour les prospects est passée de 40 % à 76 %.
Ces résultats proviennent d’une simulation de trente minutes qui ne doit être exécutée qu’une fois par semaine.
Le projet n’a pas été sans défis. Il y avait une résistance à l’utilisation d’un jumeau numérique de la part des équipes du client. Pour surmonter cette résistance, il était nécessaire de travailler en étroite collaboration avec les parties concernées. La visibilité sur le comportement dynamique des opérations de la chaîne d’approvisionnement et les possibilités supplémentaires permises par un jumeau numérique ont permis d’obtenir un soutien pour la décision d’utiliser l’approche.
D’autres défis liés aux données manquantes et à la logique indéfinie. En raison de la décision d’utiliser une approche de jumeau numérique, il a été possible de surmonter ces défis avec des hypothèses.
Désormais, le jumeau numérique constituera le cœur de la chaîne d’approvisionnement, ce qui permettra de prendre des décisions de manière holistique et plus éclairée. Les prochaines étapes comprennent l’intégration de l’apprentissage par renforcement pour aider davantage à l’optimisation et à la planification des événementsindésirables. Et, au fur et à mesure que le jumeau numérique est construit, il est envisagé que ses capacités deviennent applicables à tous les niveaux organisationnels : stratégique, tactique et d’exécution.
L’étude de cas a été présentée par Patricio Ivan Pipp et Pablo Rodriguez Varela of Accenture Applied Intelligence HAS à la conférence AnyLogic 2021.
