Nos projets

Ports congestionnés, pénuries généralisées de main-d’œuvre, pics d’augmentations des coûts de transport, retards d’expédition : la pandémie de COVID-19 a poussé les chaînes d’approvisionnement jusqu’à leur point de rupture. Les perturbations qu’elle a provoquées se manifestent encore aujourd’hui, aggravées par les changements climatiques et les tensions géopolitiques, ce qui affecte la disponibilité globale des biens et des services. Dans ce contexte, renforcer la résilience des chaînes d’approvisionnement au moyen de technologies dites « intelligentes » est une priorité.

La gestion des imprévus fait partie intégrante du quotidien. Détaillants, fabricants, compagnies de transport et de logistique notamment, peuvent ainsi voir leurs activités impactées par des facteurs aussi variés que des catastrophes naturelles, des mouvements de grèves, des cyberattaques, ou encore une forte demande inattendue pour un produit vanté par une célébrité. Face à ces phénomènes ponctuels mais aussi à des facteurs économiques, géopolitiques, sociaux, ou encore écologiques qui sont en perpétuel changement et sur lesquels les entreprises n’ont généralement pas de contrôle, les systèmes d’IA peuvent permettre de mieux analyser les impacts potentiels de tel ou tel facteur sur leurs activités.

Qu’est-ce-qu’une IA résiliente?

Tout comme les organisations qui font preuve de résilience enregistrent de meilleurs résultats, les systèmes d’IA résilients sont également plus performants. Mais qu’entend-t-on par « résilience » quand on réfère à l’intelligence artificielle? Il s’agit par exemple d’avoir des systèmes capables d’explorer des scénarios de recours pour l’avenir après un événement imprévisible. En d’autres termes, il est question de renforcer la capacité de prévision de ces systèmes dans un contexte où les repères du passé ne donnent plus nécessairement d’indications sur les trajectoires d’avenir. Par exemple, lorsque des imprévus météorologiques rendent un itinéraire routier impraticable, ou causent des annulations de vols. Des centaines de variables de ce type peuvent affecter les opérations des entreprises, qui doivent donc pouvoir se fier à des modèles de prévisions flexibles pour simuler avec précision une variété de scénarios et ainsi prendre des décisions optimales dans les meilleurs délais.

L’anticipation, clé pour une meilleure gestion

C’est là qu’entrent en jeu les modèles de prévision de la demande, qui sont un exemple d’utilisation de l’intelligence artificielle en entreprise. Voici quatre bonnes pratiques qui permettent de tirer le meilleur parti de ces systèmes aussi bien en « temps normal » qu’en cas d’imprévus.

Avoir une bonne visibilité sur les actifs

Les entreprises ont des pratiques très variées. Certaines ont des activités hautement intégrées et automatisées, d’autres utilisent des processus manuels, et plusieurs fonctionnent avec un mélange des deux. La numérisation des données est une première étape incontournable pour pouvoir ensuite implanter des systèmes intelligents. 

Actualiser ses données 

Mettre régulièrement à jour les bases de données qui alimentent les systèmes d’IA est une très bonne façon de renforcer ces systèmes afin qu’ils fournissent des indications pertinentes sur les tendances de consommation.

Transférer les apprentissages 

Prenons l’exemple d’un exploitant de chaînes de magasins de vente au détail qui a dû fermer temporairement l’une de ses succursales en raison d’une panne électrique. En prévision de la réouverture, l’exploitant devra anticiper les ventes et organiser les opérations en conséquence, en veillant notamment à ajuster l’horaire du personnel pour gérer efficacement le flux de clientèle et à réapprovisionner les stocks. Pour ce faire, l’exploitant peut s’appuyer sur les données transactionnelles d’autres succursales ayant déjà connu des perturbations similaires et ainsi prédire les comportements d’achat de sa clientèle lors de la réouverture avec plus de précision. Ces données des autres succursales peuvent notamment donner de l’information sur la fluctuation des ventes après la réouverture du magasin, sur les produits qui ont été les plus demandés, etc. Ici, l’IA minimise donc l’impact des imprévus sur les opérations et les ventes et facilite la reprise des activités. 

Faire des simulations  

Pour toute problématique commerciale, il existe de nombreuses solutions potentielles, mais les tester une à une pour évaluer leur incidence sur les activités peut se révéler un processus long et coûteux. Déployer des technologies d’intelligence artificielle pour simuler rapidement et avec précision l’impact potentiel des solutions envisagées est une bonne pratique avant de prendre un engagement à grande échelle. 

Les entreprises qui intègrent des solutions technologiques prédictives à leurs activités peuvent donc être motivées par plusieurs facteurs:

• Anticiper les perturbations potentielles d’une chaîne d’approvisionnement;
• Prévoir les variations de la demande; 
• Adapter les opérations et les gestions de stocks en temps réel;
• Optimiser des politiques d’ajustement de prix.

Les décisions d’affaire mélangent de plus en plus l’intuition et les habitudes humaines avec la puissance des systèmes de prévision. La capacité des entreprises à combiner les connaissances humaines avec les solutions technologiques disponibles sur le marché occupe donc une place croissante dans les discussions stratégiques actuelles.