L’analyste opérationnel : un rôle stratégique et émergeant dans l’industrie du transport
- 31 janvier 2025
- 9 mins
L’analyste opérationnel (“Operational Analyst” en anglais), bien que peu connu dans l’industrie du transport, représente une évolution naturelle et cruciale des métiers de la logistique. Ce rôle, déjà établi dans d’autres secteurs, s’impose progressivement comme un élément clé de la transformation numérique des entreprises de transport.
Jad Naous, VP Engineering & Product chez Imply, a développé ce concept dans une vidéo intéressante. Selon lui, contrairement aux craintes répandues, l’automatisation ne supprimera pas les emplois, mais redéfinira plutôt les rôles des travailleurs. Cette évolution permettra au personnel opérationnel de se concentrer sur des activités à forte valeur ajoutée, augmentant ainsi leur importance au sein de l’organisation.
Chez Kardinal, cette vision de l’analyste opérationnel a toujours été présente, bien que sous d’autres appellations comme “outil d’aide à la décision”. La formalisation de ce concept par Jad Naous a permis de mettre en lumière cette transformation majeure des métiers de la logistique.
Dans un avenir proche, les opérateurs seront libérés des tâches répétitives et à faible valeur ajoutée, celles-ci étant prises en charge par des machines. Cette évolution, déjà visible dans certains secteurs, permet aux professionnels de se concentrer sur des missions plus complexes et stratégiques.
Par exemple, dans le domaine des sondages d’opinion, les responsables autrefois accaparés par la collecte et l’analyse manuelle des données peuvent désormais, grâce aux outils technologiques, se consacrer à l’interprétation et à l’action basées sur ces données.
Pour comprendre pleinement l’émergence de l’analyste opérationnel, il est essentiel de considérer l’évolution technologique globale de l’industrie du transport. Cette transformation ne se limite pas à un simple changement de poste, mais s’inscrit dans une refonte complète des processus et des compétences au sein des entreprises de transport.
Du papier à la digitalisation, de la digitalisation à l'automatisation
L'ère pré-numérique : une étape manuelle fastidieuse
Avant l’avènement de la digitalisation, la supply chain a connu une première transformation majeure avec la mise en place d’un réseau d’entrepôts et d’agences sur le territoire. Cette évolution visait à optimiser la collecte, le tri et la distribution des colis. Cependant, malgré cette restructuration, les processus demeuraient essentiellement manuels.
Les opérateurs se trouvaient alors confrontés à une montagne de tâches administratives chronophages :
- Gestion manuelle des bons de commande
- Transmission des informations par téléphone, puis par fax
- Classement et archivage physique des documents
Ces activités, bien que nécessaires, présentaient une faible valeur ajoutée et mobilisaient une part importante du temps de travail des opérateurs. De plus, la transmission des informations s’avérait particulièrement lente et sujette aux erreurs.
Une digitalisation en deux étapes
L’avènement de l’ère numérique a marqué un tournant décisif dans l’industrie du transport. Grâce à l’essor d’Internet, les interactions entre opérateurs ont connu une transformation radicale, devenant plus fluides et efficaces. Cette évolution a entraîné une réduction significative des délais de traitement :
- Les documents étaient désormais envoyés par courrier électronique et signés numériquement
- Les commandes clients s’effectuaient en ligne, simplifiant considérablement le processus
Cette première phase de numérisation a jeté les bases d’une transformation plus profonde du secteur.
Dans un second temps, les opérateurs ont commencé à élaborer des processus sophistiqués pour définir avec précision les besoins micro et macro de l’entreprise. Cette période a vu l’essor de la Business Intelligence, une approche axée sur l’exploitation des données pour répondre aux questions stratégiques. Bien que cette méthode ait initialement nécessité des délais importants (souvent plusieurs semaines), elle a ouvert la voie à une gestion plus intelligente et réactive.
Au cours de cette étape, les données sont devenues un actif stratégique inestimable. Pour exploiter pleinement cette nouvelle ressource, les entreprises ont déployé un arsenal d’outils technologiques avancés :
- Systèmes de Business Intelligence
- Systèmes de gestion du transport (TMS)
- Logiciels de planification des ressources de l’entreprise (ERP)
Ces outils ont permis d’intégrer l’intelligence directement dans les processus opérationnels, marquant le début d’une ère d’automatisation et d’optimisation.
Le rêve d'une automatisation complète
L’étape de digitalisation a ouvert la voie à une vision d’automatisation complète, un objectif qui reste d’actualité dans l’industrie du transport. Ce rêve s’est concrétisé par l’automatisation de certaines tâches comme l’impression des étiquettes pour les colis, le tri automatique des colis ou l’offre automatique de créneaux horaires de livraison aux clients.
Pourtant, ce processus d’automatisation est plus ou moins réussi. Prenons l’exemple du tri automatique des colis. Les machines sont très coûteuses et ne reconnaissent pas nécessairement toutes les adresses, qu’elles soient manuscrites ou non. En conséquence, ces systèmes ne sont pas toujours aussi rentables. Leur réussite dépend souvent de la mise en place de normes strictes. Lorsque ces conditions sont réunies, le tri automatique peut devenir rentable et générer des gains de temps significatifs.
L’automatisation connaît des succès notables, comme les systèmes de prise de rendez-vous automatiques qui améliorent considérablement la productivité. Cependant, certaines initiatives d’automatisation connaissent un succès mitigé ou se heurtent à des obstacles significatifs. La livraison de colis par véhicules autonomes, par exemple, reste un défi technologique et logistique majeur, dont la viabilité à grande échelle n’a pas encore été démontrée de manière concluante.
L’idée d’une automatisation totale du secteur logistique, bien que séduisante, se heurte à plusieurs obstacles majeurs :
- Complexité des situations réelles : L’automatisation complète repose sur l’hypothèse que toutes les situations peuvent être anticipées et gérées par des algorithmes. Or, la réalité du terrain est souvent plus nuancée et imprévisible.
- Illusion de l’élimination des erreurs : Supposer que la suppression des opérateurs logistiques éliminerait toutes les erreurs est une vision simpliste. En réalité, les systèmes automatisés peuvent introduire de nouveaux types d’erreurs ou perpétuer des biais existants dans les données.
- Exigence de données parfaites : Pour qu’un modèle entièrement automatisé fonctionne efficacement, il faudrait disposer de données parfaitement “propres” et exhaustives. Cependant, l’expérience montre que la qualité et l’intégrité des données restent un défi constant dans de nombreuses organisations.
- Perte de flexibilité et d’adaptation : Les opérateurs humains apportent une capacité d’adaptation et de résolution de problèmes que les systèmes automatisés ne peuvent pas encore égaler, notamment face à des situations inédites ou complexes.
- Importance du jugement humain : Certaines décisions nécessitent une compréhension nuancée du contexte, des relations clients, et des subtilités opérationnelles que seul un professionnel expérimenté peut apporter.
Digital Supply Networks: Transform Your Supply Chain and Gain Competitive Advantage With Disruptive Technology and Reimagined Processes (Amit Sinha , Ednilson Bernardes, Rafael Calderon, Thorsten Wuest)
Un facteur souvent négligé dans le processus d’automatisation est la richesse des connaissances tacites détenues par les opérateurs de terrain. Ces informations, fruit de l’expérience quotidienne, sont difficilement quantifiables et intégrables dans les systèmes automatisés.
Prenons un exemple concret : une intelligence artificielle, aussi sophistiquée soit-elle, ne peut pas intuitivement savoir qu’un livreur a eu une altercation avec un client et que ces deux personnes ne doivent plus être mises en contact. Ce type d’information, pourtant crucial pour maintenir de bonnes relations clients et assurer un service de qualité, échappe aux processus standardisés.
Actuellement, ces précieuses connaissances pratiques du quotidien ne sont pas systématiquement intégrées dans un processus organisé. Les systèmes informatiques actuels peinent à capturer et à exploiter efficacement ces données subtiles mais essentielles.
Ainsi, plutôt qu’une automatisation complète, l’avenir de la logistique réside probablement dans une approche hybride, combinant l’efficacité des systèmes automatisés avec l’expertise irremplaçable des opérateurs humains. Cette synergie permettra d’optimiser les processus tout en conservant la flexibilité et l’intelligence situationnelle nécessaires dans un environnement en constante évolution.
Avec le développement de l’automatisation, du temps a été libéré pour les opérateurs, ce qui constitue une belle opportunité pour tirer parti de leurs précieuses compétences opérationnelles. Mais comment exploiter cette connaissance ? Comment lui donner de la valeur ?
L'analyste opérationnel : pas un nouveau métier mais une transformation des métiers de la logistique
Qui est l'analyste opérationnel ?
The Shift in Day-to-Day Activities thanks to automation: people are becoming Operational Analysts (Cré dits image : Jad Naous)
Pour mieux comprendre le rôle crucial de l’analyste opérationnel, examinons deux scénarios typiques dans le secteur du transport :
Un directeur d’agence doit anticiper les ressources nécessaires pour gérer l’afflux de commandes lié au Black Friday. Traditionnellement, sa méthode consistait à :
- Analyser les volumes du Black Friday de l’année précédente
- Utiliser un tableau Excel rempli d’informations approximatives
- Déterminer un chiffre basé sur ces données historiques
Cependant, cette méthode n’est pas fiable, car son environnement est toujours en mouvement. Les informations peuvent être correctes à un moment donné et erronées en quelques minutes… Grâce à des données fiables, il pourra gérer ses besoins de manière plus précise et rationnelle.
Le gestionnaire de transport chargé de définir les créneaux horaires de livraison fait face à des défis similaires. Traditionnellement, sa planification repose sur une journée type et son expérience personnelle. Cette approche présente cependant des biais importants, car elle ne tient pas compte des nombreux facteurs susceptibles de perturber un itinéraire, tels que les embouteillages imprévus ou les conditions météorologiques changeantes. En adoptant le rôle d’analyste opérationnel et en utilisant des outils d’optimisation des tournées, il peut désormais réagir en temps réel aux perturbations et trouver rapidement des solutions alternatives.
Cette approche technologique apporte une fluidité accrue à l’ensemble du processus de livraison, permettant une adaptation dynamique aux conditions changeantes et une optimisation continue des ressources. Ainsi, l’analyste opérationnel transforme une planification statique en une gestion proactive et flexible des livraisons, améliorant significativement l’efficacité opérationnelle et la satisfaction client.
Sur quoi et comment travaille l'analyste opérationnel ?
Clarifions notre définition de l’analyste opérationnel : il s’agit d’un responsable opérationnel qui utilise les données pour prendre de meilleures décisions, et ces décisions ont des répercussions directes sur les membres de la direction et les chauffeurs. C’est un acteur central et important dans une entreprise de transport.
Un analyste opérationnel se concentre sur la prise de décision. Pour cela, il s’appuie sur :
- Sa connaissance du terrain
- Sa connaissance des différents objectifs de l’entreprise, de l’agence et des chauffeurs
- Sa position centrale dans l’organisation
- Les données, qui sont sa principale matière première
Ces éléments lui permettent de prendre des décisions contextualisées (au lieu de décisions génériques ou biaisées).
Prenons un scénario concret : un opérateur envisage de retarder le départ d’un chauffeur de 10 minutes. Il doit être capable de déterminer tous les impacts de son choix sur la flotte de camions, les clients ou la productivité. Optimiser une tournée est un problème mathématique complexe :
- Lorsqu’une tournée comprend trois adresses de livraison, il y a six itinéraires possibles.
- Lorsqu’une tournée comprend dix adresses de livraison, il y a 3 628 800 itinéraires possibles !
Sans intelligence artificielle, il est impossible d’avoir une vue globale et scientifique de la situation.
Considérons un scénario fréquent dans le secteur de la logistique : un client modifie son créneau de livraison à la dernière minute. L’impact de ce changement et la capacité de l’entreprise à y répondre efficacement dépendent largement du volume de créneaux flexibles gérés :
- Avec un faible volume (environ 5%), la gestion manuelle reste possible et efficace.
- Avec un volume élevé (50-60%), la complexité augmente exponentiellement, rendant la gestion manuelle inefficace.
Dans ce dernier cas, une solution technologique avancée devient indispensable pour recalculer rapidement les itinéraires, évaluer l’impact des changements et proposer des alternatives en temps réel.
Grâce à l’intelligence artificielle, l’analyste opérationnel peut désormais explorer et tester de multiples scénarios avec une précision et une rapidité inédites. Cette capacité contraste fortement avec les méthodes traditionnelles, qui nécessitaient des recherches fastidieuses ou l’utilisation de formules approximatives, souvent biaisées par manque de temps ou de données.
Les données, aussi puissantes soient-elles, ne peuvent se substituer à l’expertise humaine. L’analyste opérationnel joue un rôle crucial dans l’interprétation et l’application de ces informations :
- Prise de décision humaine : C’est l’analyste opérationnel, et non l’intelligence artificielle, qui prend les décisions finales. L’IA agit comme un assistant sophistiqué, un alter ego numérique qui calcule et présente les impacts financiers et organisationnels des différentes options.
- Compréhension contextuelle : Le responsable opérationnel conserve le dernier mot car il possède une compréhension nuancée des conséquences de chaque décision à tous les échelons de l’organisation, des chauffeurs aux dirigeants.
- Gestion de la complexité : Dans un environnement organisationnel complexe, caractérisé par des interactions multiples entre opérateurs et des flux d’informations en constante évolution, l’analyste opérationnel excelle.
- Approche hybride : La force de l’analyste opérationnel réside dans sa capacité à combiner :
- Les insights fournis par les données
- Son expertise métier approfondie
- Sa connaissance fine de l’écosystème de l’entreprise
- Double atout : L’analyste opérationnel s’appuie sur deux alliés complémentaires :
- La puissance analytique des données
- Ses compétences pointues et son jugement affiné par l’expérience
Revenons à notre exemple : faire partir un chauffeur 10 minutes plus tard signifie qu’un client sera livré avec un léger retard… Mais si ce choix augmente la productivité globale, l’analyste opérationnel est-il prêt à prendre le risque de ne pas satisfaire un client ? Seul un humain peut faire le compromis entre plusieurs objectifs. Dans notre exemple, il répondra à un objectif commercial que l’IA ne connaît pas. En d’autres termes, une IA génère des algorithmes précieux, mais elle n’est pas capable de prendre la bonne décision dans certaines situations. Une machine n’est pas consciente de toutes les conséquences de ses décisions.
Comment soutenir l'analyste opérationnel en pratique
Déployer de nouvelles solutions de prise de décision
La transformation des métiers de la logistique et la mise en place de l’IA sont des évolutions importantes qui ne s’installent pas immédiatement dans une entreprise. Pour gérer cette transition, voici 4 conseils :
Les opérateurs doivent comprendre les enjeux de cette transformation et la signification des données dans leur travail quotidien. Face aux experts, vous devez être capable de prouver le retour sur investissement de votre solution technologique. Vos arguments doivent être quantifiables.
Les opérateurs mettront votre solution à l’épreuve. Il est donc essentiel de prêter attention à leurs retours. Leurs observations sont très importantes : vous devrez intégrer leurs contraintes dans votre solution.
Pour mettre en place une méthodologie permettant d’incorporer les outils technologiques dans le travail quotidien des opérateurs, il est crucial que ces derniers aient confiance en votre solution et la considèrent comme un assistant. Une méthodologie structurée est la clé.
Soyez conscient des perceptions variées. Un opérateur peut estimer que la solution ne fonctionne pas alors que les résultats montrent le contraire ! Lorsque vous proposez une nouvelle solution, n’oubliez pas de revenir aux métriques pour démontrer que l’IA est performante.
Assurez des données fiables pour répondre aux besoins en temps réel
La qualité et la fiabilité des données sont essentielles pour garantir l’efficacité de l’optimisation des tournées. Les analystes opérationnels doivent pouvoir obtenir rapidement des informations précises pour réagir à diverses situations complexes et dynamiques :
- Gestion des crises imprévues : La pandémie de Covid-19 a illustré l’importance d’une adaptabilité rapide. Malgré une augmentation significative des volumes B2C, de nombreuses entreprises de transport ont subi des pertes financières. Ce paradoxe s’explique par un manque de ressources pour gérer efficacement cette hausse soudaine de la demande.
- Volatilité des volumes : Les analystes doivent pouvoir anticiper et gérer les variations de volume, y compris les cas de déclarations erronées. Par exemple, lorsqu’un client sous-estime intentionnellement le poids d’un colis pour réduire ses frais de livraison, cela peut perturber la planification logistique.
- Variété des produits : Chaque type de produit présente des contraintes spécifiques de transport. L’exemple d’un pneu à charger dans un camion illustre la nécessité d’une planification précise tenant compte des caractéristiques uniques de chaque article.
- Adaptation à un environnement réglementaire changeant : L’organisation logistique doit s’adapter en temps réel aux décisions administratives et aux changements réglementaires. L’instauration d’une zone à faibles émissions interdite aux camions, par exemple, peut avoir un impact significatif sur l’organisation des tournées et la productivité globale.
Les analystes opérationnels doivent disposer d’outils leur permettant d’obtenir des réponses instantanées pour évaluer rapidement les impacts financiers de situations complexes et changeantes. Les données, lorsqu’elles sont correctement exploitées, répondent efficacement à ces nouveaux enjeux opérationnels.
Prenons l’exemple du développement d’une nouvelle offre par l’équipe marketing, comme un créneau de livraison de deux heures. L’analyste opérationnel doit alors répondre à plusieurs questions cruciales :
- Comment gérer cette offre sur le plan opérationnel ?
- Quels seront les impacts sur l’organisation actuelle ?
- Est-il nécessaire d’investir dans une nouvelle flotte dédiée à cette offre ?
Dans un secteur où les marges sont souvent serrées, la prise de décision basée sur des chiffres précis devient cruciale.
Conclusion
Pour stimuler la croissance d’une entreprise de transport, il est essentiel d’adopter une approche novatrice des métiers de la logistique, axée sur la rationalité et la rigueur scientifique. Cette transformation débute par l’automatisation des tâches répétitives, libérant ainsi du temps et des ressources précieuses. Une fois cette base établie, l’implémentation de solutions technologiques avancées devient possible et pertinente. Cette évolution permet aux analystes opérationnels de se consacrer à des missions complexes à forte valeur ajoutée, telles que l’optimisation des processus, l’analyse prédictive et la planification stratégique. Cette approche progressive non seulement améliore l’efficacité opérationnelle, mais positionne également l’entreprise à l’avant-garde de l’innovation dans le secteur du transport et de la logistique.
