Réapprovisionnement de la chaîne d'approvisionnement piloté par l'IA

Sommaire

Qu'il s'agisse d'une étude de Gartner sur la chaîne d'approvisionnement ou d'une enquête mondiale de Geodis sur la chaîne d'approvisionnement, vous remarquerez que la principale préoccupation des responsables de la chaîne d'approvisionnement est l'augmentation de la complexité de la chaîne d'approvisionnement et les perturbations de la chaîne d'approvisionnement. La situation s'est encore aggravée avec la volatilité accrue des problèmes et des événements imprévisibles tels que COVID-19, l'obstruction du canal de Suez, et bien d'autres encore.

Au fil des ans, les entreprises ont beaucoup investi dans la technologie pour gérer efficacement les complexités et les perturbations de la chaîne d'approvisionnement. L'article de Gartner sur la technologie de la chaîne d'approvisionnement 2022 met l'accent sur quelques points à prendre en considération :

• Alors que les technologies de la chaîne d'approvisionnement sont principalement au cœur des préoccupations des dirigeants, les technologies qui améliorent la prise de décision humaine et gèrent les actifs à la périphérie sont des domaines d'intérêt.
• D'ici 2026, plus de 75 % des fournisseurs d'applications commerciales de gestion de la chaîne d'approvisionnement proposeront des fonctions intégrées d'analyse avancée (AA), d'intelligence artificielle (IA) et de science des données.
• D'ici 2026, 80 % des entreprises subiront une perte de valeur significative parce qu'elles n'auront pas réussi à fusionner leur chaîne d'approvisionnement numérique jumelle.

SimWell, leader dans le domaine de la simulation et de l'IA, prend en compte toutes ces complexités et perturbations de la chaîne d'approvisionnement de manière efficace tout en créant des répliques numériques des chaînes d'approvisionnement en utilisant la puissance de la simulation et de l'IA, faisant ainsi un pas en avant dans la création de systèmes de chaîne d'approvisionnement autonomes.

Dans cet article, nous présentons brièvement l'une des solutions complexes de chaîne d'approvisionnement construites en tirant parti de la simulation et de l'IA pour planifier efficacement les réapprovisionnements de la chaîne d'approvisionnement. La solution est construite en utilisant AnyLogic pour simuler les chaînes d'approvisionnement et Microsoft Bonsai AI pour prendre des décisions optimales lors de la planification des réapprovisionnements.

Les Défis

À mesure que les chaînes d'approvisionnement se développent, le processus de planification du réapprovisionnement devient plus complexe en raison de l'introduction d'un grand nombre de facteurs, d'options et d'alternatives. Ces éléments doivent être pris en compte pour déterminer la meilleure stratégie de réapprovisionnement possible.

Un grand nombre de variables telles que la précision des prévisions, le délai d'exécution, les coûts d'exécution, la disponibilité des produits, la disponibilité des transporteurs, les capacités, les exigences en matière de niveau de service, les exigences en matière de taille des lots, les risques et les volatilités, le cycle de vie des produits, etc. ont un impact important sur la planification du réapprovisionnement.

Plus précisément, nous cherchons à répondre à des questions telles que : quand commander, quoi commander, combien commander et où commander.

Un bon plan de réapprovisionnement doit permettre, en temps utile et de manière pratique, de:

• Minimiser les ruptures de stock et le surstockage
• Minimiser les coûts d'expédition et de transport
• Minimiser les transferts de stock et les mouvements de stock ad hoc
• Minimiser le stockage des produits proches de la date d'expiration et leur radiation.

La plupart des organisations traitent ce problème en utilisant une approche mathématique basée sur des politiques, allant d'une simple règle min-max à des politiques MRP de vérification des prévisions plus périodiques. Elles créent un ensemble de règles qui déterminent quand commander les stocks (par exemple une règle min-max) et utilisent des heuristiques pour déterminer les meilleurs plans d'allocation. Les politiques sont revues et ajustées périodiquement.

Les leaders de la chaîne d'approvisionnement d'aujourd'hui vont au-delà des méthodes traditionnelles et construisent des algorithmes de planification de la demande basés sur le ML et des optimiseurs de planification de réapprovisionnement complexes qui prennent en compte de multiples facteurs (la liste n'est peut-être pas exhaustive) pour créer un plan de réapprovisionnement optimal.

Les perturbations et l'imprévisibilité actuelles de la chaîne d'approvisionnement ont eu des répercussions sur l'offre, la demande et les délais. Ainsi, les approches susmentionnées nécessitent des interventions humaines constantes et des mises à jour des paramètres politiques/algorithmiques pour s'aligner sur les environnements changeants, ce qui entraîne une augmentation des points de contact humains et nécessite donc davantage de changements et de décisions susceptibles de créer des résultats supra-optimaux et, dans certains cas, de provoquer un effet de fouet. 

Il n'est pas tout à fait possible de visualiser les performances de ces plans générés en tenant compte de toutes les volatilités et de tous les risques, car la plupart des logiciels de planification d'entreprise actuels fournissent au mieux des projections de scénarios (pessimistes, optimistes et très probables) sans tenir compte de la probabilité d'occurrence de ces scénarios et du degré de préparation requis pour qu'ils se réalisent.

La Solution

La solution repose sur une approche basée sur la simulation et l'IA pour résoudre ce problème. L'IA apprend la stratégie de réapprovisionnement en utilisant le jumeau numérique de la chaîne d'approvisionnement, examine toutes les options disponibles et recommande le meilleur plan de réapprovisionnement en s'adaptant continuellement à la dynamique de la chaîne d'approvisionnement en constante évolution.

L'IA est alimentée par une solution basée sur l'apprentissage par renforcement développée par Microsoft Bonsai. En utilisant le jumeau numérique de la chaîne d'approvisionnement, l'IA peut prédire l'impact de toute perturbation, par exemple quand, quels produits et quels nœuds de la chaîne d'approvisionnement seront touchés. Notre solution peut ensuite suggérer le meilleur ensemble d'actions pour atténuer ou minimiser l'impact de la perturbation.

Avec cette solution, le point de contact humain passe de la mise à jour/ajustement des plans ou des facteurs à l'enseignement de son expérience à l'IA, augmentant ainsi la prise de décision de l'IA.

Diagramme : Un schéma de haut niveau décrivant la manière dont nous combinons la puissance de la simulation et de l'intelligence artificielle pour obtenir des plans de réapprovisionnement dynamiques et optimaux est présenté ci-dessous :

Les résultats

La solution offre une interface utilisateur simple et facilement compréhensible, une visibilité de bout en bout de la chaîne d'approvisionnement de l'organisation, prend en compte tous les autres plans et les simule avec toutes les volatilités et tous les risques présents, et fournit le plan de réapprovisionnement avec un ensemble d'actions prescriptives, si l'offre ne peut pas correspondre à la demande par les moyens habituels.

Nous pouvons vous aider

Si vous souhaitez savoir comment utiliser la simulation dans votre entreprise, vous pouvez prendre rendez-vous. L'équipe SimWell sera ravie d'en savoir plus sur vos activités et vos défis et de répondre à vos questions sur la simulation.