[RAPPORT]
Les données en optimisation de tournées : état des lieux, enjeux et bonnes pratiques
Dans l’article précédent, nous avons détaillé les données indispensables pour une optimisation de tournées réellement pertinente. Parmi elles, les ordres de missions, les ressources disponibles et les contraintes spécifiques de l’activité sont des informations essentielles collectées par le donneur d’ordre. Grâce à la digitalisation du secteur de la logistique et du transport, il est aujourd’hui plus aisé de rassembler et stocker cette data. Cependant, l’enjeu n’est pas tant de recueillir un maximum de données mais surtout que celles-ci soient de bonne qualité.
Cette problématique a été conceptualisée dans l’expression “Garbage In, Garbage Out” (GIGO) qui exprime le fait qu’une intégration de données erronées conduit inévitablement à des résultats absurdes. L’application de GIGO dans le cadre de l’Intelligence Artificielle et du Machine Learning a été démontrée à plusieurs reprises : des biais humains ont notamment pu altérer des algorithmes qui se voulaient objectifs lors de recrutements automatisés, reproduisant des discriminations existantes.
La donnée est de mauvaise qualité ou incomplète
En optimisation de tournées, ce concept est également essentiel : avec de mauvaises données, les tournées calculées seront inexploitables. Ainsi, une adresse mal renseignée perturbera la pertinence de la tournée : le véhicule stationnera au mauvais endroit, le livreur va mettre un certain temps à chercher la bonne adresse et cela engendra des retards. Le livreur devra finalement bien souvent se débrouiller par lui-même sur le terrain alors que ce genre d’aléa aurait pu être anticipé.
En logistique, il est très courant d’observer l’absence de données ou que celles-ci comportent des erreurs : une adresse inexacte, des champs interchangés (le numéro de téléphone dans le champs adresse par exemple), un mauvais poids ou volume du colis, etc. Cette problématique de qualité de la donnée reste encore très présente aujourd’hui car les logisticiens saisissent fréquemment les données à la main, augmentant le risque d’erreur. Surtout, les transporteurs sont tributaires de la donnée collectée par leurs clients chargeurs qui est souvent manquante ou incomplète.
Les données sur les ordres de missions et les ressources disponibles sont ainsi généralement collectées, cependant ce n’est pas le cas pour les données détaillant les contraintes spécifiques de l’activité. Bien souvent, celles-ci existent uniquement dans la tête des opérationnels et ne sont renseignées dans aucune base de données. Par exemple : un client a une préférence pour tel technicien, un chauffeur est en retard ce matin, un autre est plus rapide sur une zone qu’il maîtrise mieux que les autres, etc. Or, si le logiciel d’optimisation de tournées ignore toutes ces informations cruciales, il ne pourra pas planifier des tournées optimales du point de vue des équipes opérationnelles.
Dans le cadre des tournées de techniciens, les données sur les compétences ne sont généralement pas maintenues à jour notamment en raison du turnover important dans la profession. Pourtant, ces données sont essentielles, les techniciens pouvant posséder des compétences différentes qui ne seront pas toutes adaptées à chaque client. En fonction de la complexité de l’intervention, le temps passé par un technicien chez un client peut varier de façon importante. L’absence de ces informations dans le système génère de mauvaises tournées avec des temps inexacts et des techniciens non qualifiés pour l’intervention à réaliser.
La data, responsable de l'avortement de projets d'optimisation
En le constatant quotidiennement sur le terrain, les acteurs de la logistique ont aujourd’hui conscience de l’importance de la data et de son impact sur l’activité si elle est de mauvaise qualité. La maturité digitale devient petit à petit la norme sur le marché et les logisticiens commencent à prendre soin de leur data.
La majorité des clients de Kardinal ont entamé des démarches pour améliorer la qualité de leurs données, certains présentent même une transition en passe d’être achevée. Par le passé, nous avons avorté beaucoup de projets à cause d’une absence ou d’une faible qualité de données.
Cédric Hervet, co-fondateur et Chief Product Officer de Kardinal
Les entreprises ayant eu une croissance externe, c’est-à-dire par en rachetant d’autres sociétés, éprouvent des difficultés à harmoniser et centraliser leurs systèmes informatiques. La donnée, généralement éparpillée dans des fichiers Excel ou plusieurs base de données, n’est pas réellement exploitable par le logiciel d’optimisation.
Nous avons rencontré cette situation lors de discussions avec une société d’experts en assurance. Elle avait besoin d’optimiser les déplacements de ses experts qui réalisaient des audits. Cependant, il était quasiment impossible d’automatiser l’optimisation car la donnée était manquante : aucune information sur les ordres de missions, sur les compétences nécessaires pour réaliser ces audits.
Le projet d’optimisation de tournées sert souvent, dans ces cas là, de révélateur au client concernant son manque de maturité digitale. Il réalise ainsi qu’un gros travail de collecte et nettoyage de la donnée est nécessaire.
Nous avons également dû ajourner un projet avec un acteur de la livraison de colis qui avait tenté de normaliser les échanges de données via l’EDI (Echange de Données Informatisé) pour que les transporteurs puissent s’échanger des ordres de transport. Cependant, l’intégration a été très imparfaite (des champs adresse mal renseignés, des champs interchangés…) et il aurait fallu un retraitement manuel de la totalité de ces EDI chaque jour, ce qui était impossible.
La qualité de la data est aujourd’hui un enjeu primordial, qui implique un vrai travail de digitalisation des processus logistiques. Nombreuses sont les entreprises du secteur qui ne renseignent pas exhaustivement toutes leurs données dans leurs systèmes informatiques. Des données cruciales sont encore incomplètes ou non accessibles par l’outil d’optimisation qui va ensuite calculer des tournées non adaptées et irréalistes sur le terrain. La perte de performance est alors significative. Quelle solution existe-t-il à cette problématique de la donnée ? Comment améliorer la qualité de la data et la maintenir dans le temps ? Retrouvez nos pistes de réflexion dans l’article suivant >>