Comment sont organisés vos systèmes d’information ?
La tendance est à la centralisation de notre SI mais il faut être conscient que, dans notre secteur, les entreprises ont beaucoup grossi par acquisitions et déssiloter le SI résultant est évidemment un objectif. Nous avons donc défini un modèle de référence groupe et nous migrons petit à petit les SI locaux.
Les TMS (transport management systems) demeurent pour l’heure différents car migrer ces solutions constitue des chantiers très lourds. Mais il faut veiller à ce que les données puissent aisément circuler entre TMS.
L’écosystème du transport et de la logistique est très fragmenté et son fonctionnement repose encore beaucoup sur le papier
Quand on dit data chez Heppner, de quoi parle-t-on ?
Outre les données classiques (RH, clients…), la donnée est avant tout celle du « track & trace », c’est à dire toutes les données de la chaîne logistique. On doit toujours pouvoir répondre à la question « où est tel colis ? ». Or il n’est pas nécessairement entre nos mains.
L’écosystème du transport et de la logistique est très fragmenté et son fonctionnement repose encore beaucoup sur le papier. L’objectif de digitalisation vise à un meilleur transfert de données logistiques mais aussi financières. Nous cherchons à optimiser nos flux de transport et de logistique. Il faut sortir du simple constat « voilà la situation » pour piloter réellement les flux de colis, avec une donnée la plus temps réel possible et, demain, des capacités prédictives fondées sur le passé comme sur le présent.
Or les sources TMS sont très variées. Les données résultantes sont donc également très variées et utilisent des langages variés. Nous travaillons, au sein de l’écosystème, pour mettre en place un vocabulaire commun. Aujourd’hui, nos clients disposent déjà d’une visibilité précise sur leurs expéditions, mais cette visibilité reste difficile à unifier avec plusieurs transporteurs et systèmes différents. Notre enjeu, c’est de leur offrir une vision vraiment globale, malgré des sources hétérogènes.
Qu’apporte votre travail sur l’homogénéisation des données aux clients ?
Les attentes des clients, ce sont d’abord la fiabilité et la ponctualité des livraisons avec la possibilité de prévisions. Ensuite, il y a aussi une question de transparence. Les clients désirent également pouvoir compter sur une certaine flexibilité dans les livraisons et la prise de rendez-vous. Enfin, il s’agit de pouvoir suivre le prix et proposer le meilleur rapport qualité du service, prix. Tout cela suppose évidemment une cybersécurité sans faille pour que les systèmes fonctionnent effectivement.
Si l’on peut mettre en place un self-service sur un portail avec automatisation des processus, il est cependant important que l’assistance soit faite par un humain. Enfin, il est aussi nécessaire de réaliser un suivi de l’empreinte environnementale (CO²) en fonction du carburant utilisé et du chemin suivi. Avec Tableau Embedded, nous pouvons afficher un reporting en temps réel calculant les émissions de CO² générées.
En quoi l’IA apporte-t-elle de la valeur ?
Il y a plusieurs cas d’usage à partir des données de TMS différents, collectées et transférées sur Snowflake. L’IA peut ainsi optimiser les transports. Elle peut procéder à des regroupements de trajets gérés sur des TMS différents. Il en résulte une baisse de l’empreinte carbone, du coût et du prix.
L’enjeu est d’anticiper : ne plus subir les situations, mais les piloter par la donnée, avec une organisation véritablement data driven
Au-delà, l’enjeu est d’anticiper : ne plus subir les situations, mais les piloter par la donnée, avec une organisation véritablement data driven. Cette approche s’appuie aussi sur l’expérience métier des équipes, parfois acquise sur plusieurs décennies, que l’IA vient compléter et augmenter. Tableau fournit justement le cadre analytique qui fait le lien entre les expertises des équipes et des recommandations actionnables au quotidien.
Nous aurons aussi d’autres cas d’usage, à terme, avec de la computer vision (reconnaissance visuelle des colis…) et le machine learning.
Quelles sont les limites à ces usages de l’IA ?
La première limite est de savoir éviter les biais. Pour cela, nous maintenons pour l’instant un contrôle humain.
Les compagnies maritimes envoient leurs tarifs presque quotidiennement. Nous les ressaisissons dans nos systèmes. L’IA pourrait analyser les tarifs fournis pour éviter la saisie manuelle mais le contrôle humain demeurera systématique : une erreur sur des tarifs aurait de graves conséquences très onéreuses.
Pour optimiser les coûts, il pourrait être préférable d’utiliser des SLM (modèles de plus petite taille) plutôt que des LLM afin d’éviter des coûts énergétiques inutiles.
A terme, il s’agira d’utiliser l’IA pour mieux anticiper les trajets en fonction de l’écosystème de partenaires comme des préoccupations géopolitiques
Quelles sont les perspectives et les défis encore à relever ?
Nous ne pouvons pas investir sur des solutions sans certitude de ROI : notre secteur est un secteur à faibles marges. Un enjeu reste, bien sûr, de mieux intégrer les différents TMS au-delà de la seule question de la sémantique. A terme, il s’agira d’utiliser l’IA pour mieux anticiper les trajets en fonction de l’écosystème de partenaires comme des préoccupations géopolitiques.
Nous devons aussi former nos collaborateurs à l’usage de l’IA. Dans un prompt, plus on donne de contexte, plus la réponse sera pertinente. Enfin, il demeurera essentiel que tous les partenaires de l’écosystème adhèrent à la sémantique commune pour que l’on puisse mettre en œuvre une digitalisation globale de la chaîne logistique.