Quelle approche pour une optimisation de tournées vraiment pertinente ?

Pas le temps de lire maintenant ? Recevez cet article en pdf dans votre boîte email  

L’optimisation est un merveilleux levier de gains de performance pour tous les acteurs dont l’activité nécessite de réaliser des tournées.

Pourtant en pratique, on observe que peu d’acteurs réalisant des tournées utilisent une solution d’optimisation. La crainte (légitime !) est souvent de payer trop cher une solution qui, une fois en place, ne produirait pas les gains escomptés.

Parmi les équipés, il est fréquent d’observer une absence d’utilisation de la solution ou une utilisation partielle complétée par un grand nombre de corrections et replanifications manuelles. La cause la plus souvent évoquée est la trop grande spécificité de l’activité : la solution mise en place n’est finalement pas capable de prendre en compte les contraintes spécifiques.

Dns l’article précédent “Mais qu’est-ce qui ne tourne pas rond avec l’optimisation de tournées ?”, nous avons identifié les 4 freins majeurs à la mise en place d’une solution d’optimisation de tournées, à savoir :

  • La donnée n’est pas de bonne qualité
  • La donnée n’est pas pas dans la base de données
  • Les contraintes de l’activité sont très spécifiques
  • Le contexte de l’activité est très dynamique

Chez Kardinal, nous pensons que ces problématiques doivent se résoudre (au moins en partie) au sein même du produit que nous proposons à nos clients. Comment concevoir une solution d’optimisation de tournées vraiment pertinente ? Quelle expérience utilisateur proposer pour rendre la solution utilisable malgré les aléas du quotidien ? C’est à ces questions que nous essayons de répondre dans cet article, et bien sûr au quotidien au sein de notre équipe produit.

La capacité de corriger la donnée à la volée

Classiquement les solutions d’optimisation de tournées fonctionnent de la manière suivante :

  • Import / récupération des données
  • Calcul des tournées par des algorithmes
  • Arrêt des calculs
  • Obtention des tournées
  • Ajustements manuels si nécessaire
  • Envoi des tournées aux chauffeurs

Dans ce mode de fonctionnement, si une donnée est fausse (mauvais géocodage par exemple) ou n’était pas connue avant de lancer l’optimisation (un chauffeur en retard par exemple), on s’en rend facilement compte à l’étape d’obtention des tournées car des incohérences sont alors visibles. Mais c’est un peu tard. Si l’on veut corriger la donnée, il est alors nécessaire de repartir de l’étape 1 d’import des données.

Et ces boucles sont un vrai casse-tête pour les planificateurs, qui choississent alors trop souvent de se couper de l’outil et de finir de planifier manuellement.

Chez Kardinal, nous avons fait le choix radical de concevoir une solution d’optimisation continue qui ne s’arrête jamais d’optimiser. Ainsi, une erreur de données peut être corrigée dans notre interface ou dans le TMS du client sans qu’il ne soit nécessaire de relancer l’optimisation de tournées de 0.

La prise en compte des aléas en temps réel

Le fonctionnement de la solution Kardinal est continu : elle accompagne les opérationnels même après le départ des chauffeurs sur la route et continue d’optimiser les tournées en temps réel en fonction des aléas rencontrés sur le terrain. Cela permet à nos clients d’envisager des cas d’usages impossibles avec une approche statique :

  • Identifier des échanges de missions possibles (pick up, interventions techniques, etc) entre chauffeurs en fonction du niveau d’avancement de chaque tournée (en cours de journée)
  • Identifier des créneaux horaires de passage qui ne seront pas respectés (à cause d’un client absent chez qui on a dû passer 2 fois par exemple) et proposer des corrections dans la tournée pour maintenir la qualité de service au plus haut en livrant tous les clients à l’heure
  • Modifier l’ordre des livraisons en fonction du trafic temps réel et des embouteillages
  • Etc.

Chez Kardinal, ce principe de l’optimisation continue est fondamental. Elle est selon nous la meilleure réponse aux besoins des acteurs du transport face aux nouveaux enjeux de la logistique urbaine.

Une amélioration de la donnée au fil du temps

Accompagner les chauffeurs sur la route, c’est aussi être en mesure de collecter de la “donnée terrain”. Cette donnée est ensuite utilisable :

  1. pour comparer les tournées théoriques et celles réalisées et comprendre d’où proviennent les écarts
  2. pour améliorer la pertinence des futures optimisations de tournées : la solution Kardinal intégre des algorithmes de Machine Learning capables d’identifier les écarts théorique/réalisé et de déterminer dans les données collectées quelles en sont les variables explicatives.

Par exemple : un transporteur livre des meubles en B2C et il a été défini pour l’agorithme un temps de livraison de 10 minutes en moyenne par adresse livrée. En pratique, cet indicateur présente des écarts importants puisque le temps passé à chaque adresse par un livreur varie entre 5 et 20 minutes. Avec le temps et en “sondant” les données collectées, les algorithmes de Machine Learning sont capables d’identifier que certaines variables, à savoir la taille du colis, le poids du colis, la présence d’un ascenseur, la disponibilité du code de la porte d’entrée, la présence d’un ou de deux livreurs, l’étage de la livraison, la zone géographique de l’adresse, etc.

Les algorithmes apprennent des données et améliorent leurs futures prédictions en adaptant le temps de livraison en fonction de ces caractéristiques (au lieu de considérer 10 minutes quelque soit le contexte).

Une capacité de modélisation des contraintes quasi-infinie

La plupart des outils proposent, en standard, des contraintes classiques de la logistique telles que les horaires des chauffeurs, les créneaux de livraison ou encore les capacités des véhicules. Et ils conçoivent un algorithme capable de résoudre tous les cas qui rentrent dans ce cadre.

Or, en pratique, et surtout pour les grands acteurs, leur activité ne rentre jamais tout à fait dans le cadre… En effet, ces contraintes et objectifs sont généralement trop généraux pour décrire précisément ce dont l’utilisateur a besoin. Quelques exemples :

  • Il ne peut pas y avoir plus de X véhicules en livraison simultanée sur un site
  • Certains clients sont prioritaires par rapport à d’autres
  • Certains prestataires sont prioritaires par rapport à d’autres
  • Il n’y a pas de créneau de livraison précis, mais à partir du moment où la marchandise est enlevée, on a 1h pour la livrer
  • Etc.

Les configurations sont infinies, et bien souvent, l’utilisateur est forcé de tordre son fonctionnement pour essayer de coller aux capacités de modélisation du logiciel, qui sont limitées par le cadre. Il est difficile de faire évoluer ce cadre, car l’algorithme d’optimisation est construit pour tout résoudre dans ce cadre précis, et changer le cadre revient souvent à changer l’algorithme lui-même !

Chez Kardinal, nous avons donc décidé de construire un algorithme capable de résoudre tous les problèmes d’optimisation de tournées possibles. C’est ce qu’on appelle, dans le jargon, un solveur. Tant que la problématique à traiter correspond à une optimisation des tournées, peu importe les contraintes, ce sera le même algorithme ultra-performant qui pourra réaliser la planification. Cela nous permet d’intégrer en quelques jours, dans le standard, toutes les nouvelles contraintes que nous rencontrons chez tous nos nouveaux clients, sans sacrifier la performance de l’algorithme.

Conclusion

Si dans l’ensemble, le gestion du dernier kilomètre consiste toujours à transporter des biens ou des personnes vers une destination, les modalités pratiques de ce transport sont extrêmement diversifiées. En pratique, nous n’avons jamais rencontré deux contextes logistiques rigoureusement identiques.

La difficulté, pour nous éditeurs, est de proposer une approche standard (c’est-à-dire avoir le même code déployé pour tous les clients), tout en proposant un environnement suffisamment adapté à leur contexte pour rester pertinent. 

L’optimisation “Always On” et l’utilisation du Machine Learning sont autant d’exemples des concepts forts et ambitieux que nous mettons en oeuvre chez Kardinal pour, enfin, proposer des solutions pertinentes à ces challenges.

L'auteur

Cédric Hervet est le Directeur Scientifique de Kardinal, une startup tech dédiée au secteur du transport et de la logistique qu’il a co-fondé en 2015. Docteur en Mathématiques, depuis plus de 10 ans, il étudie et conçoit des systèmes d’Intelligence Artificielle pour des applications industrielles dans les secteurs des télécommunications, du marketing digital et du transport.