Aperçu
RPM eco offre un système de gestion intégré pour le recyclage des contenants d'hydrocarbures en plastique contaminés, ainsi que des contenants de pesticides et d'engrais. L'entreprise compte des milliers de clients partout au Canada.
SimWell est une société de conseil dotée d'une équipe internationale d'ingénieurs et de consultants en simulation dédiée à la simulation, à l'optimisation et aux jumeaux numériques. Ils aident les chefs d'entreprise pionniers à prendre des décisions en toute confiance grâce à l'utilisation de la modélisation par simulation.
Problème
Les conducteurs de RPM éco ramassent les matières recyclables de leurs clients et les rapportent au centre de collecte. L'un des principaux problèmes était que tous ces clients étaient desservis à un intervalle de temps fixe. Cela signifiait qu'ils seraient desservis une fois par semaine, une fois toutes les deux semaines ou une fois par mois.
Un autre problème était que tous ces clients étaient sur un itinéraire statique. Cela pourrait être un problème s'il y avait une saisonnalité dans la consommation. Seuls deux employés ont géré tous les appels de service et les opérations, comme la construction de ces itinéraires.
RPM eco avait trois parties prenantes principales : les conducteurs, les coordinateurs et les gestionnaires.
Les conducteurs étaient payés en fonction de la quantité de poids qu'ils rapportaient au centre de collecte. Ils aimeraient avoir plus de kilogrammes par kilomètre, beaucoup moins de ramassages à vide et une application mobile facile à utiliser.
Les coordinateurs souhaitaient avoir plus de visibilité sur les itinéraires en cours et leurs conducteurs. En outre, ils avaient l'intention d'augmenter la volonté des conducteurs d'exploiter les itinéraires.
Du côté des gestionnaires, il était nécessaire d'augmenter les niveaux de service à la clientèle et la satisfaction des employés.
RPM eco a prévu de se rendre chez ses clients juste avant qu'ils demande de maximiser le poids ramassé et d'avoir un niveau de service élevé pour leurs clients. RPM eco souhaitait également construire des itinéraires dynamiques en fonction des besoins de ses clients et pouvoir facilement modifier ces itinéraires et en garder une trace. L'objectif de l'entreprise était de maximiser le poids des matériaux collectés par les camions.
Solution
SimWell a aidé RPM eco à optimiser une chaîne d'approvisionnement de reverse logistique. À cette fin, SimWell a développé sa propre solution de bout en bout appelée OSCAL. Il s'agissait d'une prédiction, d'une simulation et d'une application mobile. OSCAL est présenté sur l'image ci-dessous.
Prédiction du poids disponible pour chaque client
Cette solution de bout en bout a commencé par la prédiction. Les ingénieurs de SimWell ont créé un outil prédictif permettant d'anticiper le poids disponible dans chacune des installations du client. Les algorithmes prédictifs étaient basés sur des données historiques et la saisonnalité. Les ingénieurs ont utilisé deux méthodes : ARIMA (moyenne mobile intégrée autorégressive) et Croston, principalement utilisée pour la demande intermittente.
Ils ont combiné l'outil prédictif avec un modèle d'apprentissage supervisé pour gérer la variabilité des clients. Ils ont pu anticiper si le comportement de consommation du client les obligeait à passer d'une méthode à une autre.
Après la mise en œuvre de ces outils, RPM eco a été en mesure d'augmenter le niveau de service et de réduire la marge d'erreur entre le poids prévu et le poids ramassé. Ils pouvaient prédire le poids disponible pour chaque client à un moment donné.
Simulation d'itinéraires pour optimiser la distance parcourue entre les clients
Auparavant, RPM eco avait des itinéraires statiques qui posaient un problème en raison de la saisonnalité. Pour relever ces défis, les développeurs de SimWell ont créé un modèle de simulation basé sur le comportement des agents pour gérer la hiérarchisation des itinéraires. Ils ont principalement utilisé des diagrammes d'état pour modéliser les processus. Habituellement, dans le processus normal, RPM eco l'utiliserait semaine après semaine pour obtenir les meilleures prédictions pour les clients.
Le modèle de simulation a reçu les données d'une base de données cloud. Les développeurs du modèle ont lancé les scripts Python pour réajuster les intervalles pour les nouveaux clients, puis faire les prédictions. Après ces prédictions, les ingénieurs disposaient d'une liste de clients disponibles pour la simulation.
Les modélisateurs disposaient de différents algorithmes de création d'itinéraires utilisant une hiérarchisation et un SIG spécifiques. Cela a permis aux ingénieurs de suivre le temps de conduite, ce qui est important pour le domaine de transport. Ils souhaitaient optimiser la distance parcourue par les clients sur cet itinéraire. Une fois l'itinéraire accepté ou rejeté, les informations étaient renvoyées à la base de données cloud.
Il y avait des outils qui permettaient aux coordinateurs de travailler avec ces itinéraires. Sur le côté gauche de l'image ci-dessous, il y a un outil appelé Planificateur d'itinéraires qui permet aux spécialistes d'ajouter des appels de service, de modifier des itinéraires ou de supprimer des clients en cas de changements. Sur le côté droit de l'image ci-dessous, il y a un centre de service à la clientèle qui est utilisé pour modifier les données de clients en fonction de leurs besoins.
Développement d'une application mobile pour les conducteurs
Dès que les ingénieurs ont prédit les volumes et créé les itinéraires, les conducteurs ont pu recevoir leurs itinéraires. Auparavant, ils recevaient des informations sur papier, mais cela était inefficace et peu fiable car elles pouvaient être perdues en cours de route. De plus, cet élément de papier rendait difficile la mise en œuvre de ce modèle de simulation. Face à ces constats, les spécialistes de SimWell ont décidé de développer une application mobile.
L'application pourrait gérer automatiquement les entrées et les sorties de la simulation. Le conducteur peut completer l'itinéraire une fois qu'il s'est connecté à l'application. Ensuite, les informations à ce sujet ont été renvoyées au modèle de simulation.
La base de données était basée sur MySQL et hébergée sur le portail Azure. Celui-ci s'occupait du travail opérationnel de RPM et servait de moyen de communication entre l'application et la simulation.
L'application a également fourni une validation sur les collectes de données, de sorte qu'elle avait un poids et un seuil prédits. Si les données se trouvaient en dehors du seuil, le conducteur serait invité à les valider et à les modifier si nécessaire. Cette application a bouclé la boucle de la solution de bout en bout.
Infrastructure de la solution
L'infrastructure de la solution se composait de plusieurs éléments : la base de données SQL Microsoft Azure, Power BI, Power Apps, les prédictions et l'application mobile. Power BI et Power Apps ont été connectés à Microsoft Azure pour la visualisation des données et la modification des paramètres. En plus de cela, le modèle de simulation AnyLogic a simplement coordonné tous les éléments.
Le SIG était déjà intégré à AnyLogic, ce qui était important pour cette solution. En tant que logiciel de logistique inverse, AnyLogic a permis aux ingénieurs d'intégrer et d'exploiter facilement la base de données SQL Azure externe ainsi que les scripts Python pour l'analyse prédictive dans la logistique.
Résultats
Toutes les parties prenantes ont bénéficié de cette solution. Le coordinateur avait une vue d'ensemble en temps réel de la chaîne d'approvisionnement de la logistique inverse. Les outils de BI intégrés ont aidé les équipes opérationnelles et de gestion à prendre des décisions tactiques et stratégiques. Dans l'ensemble, les données opérationnelles étaient bien meilleures, avec une sécurité et une gouvernance accrue.
Depuis le début du projet, RPM eco a augmenté de 20 % le poids total collecté auprès des clients et de 52 % le poids moyen par pick-up. Dans le même temps, le nombre de ramassages à vide a diminué de 81 %.
Le premier graphique de l'illustration ci-dessous montre l'énorme diminution du nombre de ramassages à vide de 2021 à 2022. Le deuxième graphique montre l'augmentation du poids moyen par camionnette.
L'étude de cas a été présentée par Shirwa Mahdi, Maxime Leclerc, Joseph Moyer, David Larivée, de SimWell, lors de la conférence AnyLogic 2022.
Les diapositives sont disponibles au format PDF.
