L'analyse de la chaîne d'approvisionnement et le métier à tisser IoT à la suite de la perturbation de 2020

Les entreprises ont besoin d'une plus grande agilité et résilience dans les chaînes d'approvisionnement et la logistique pour réussir. Cela a incité les entreprises à envisager de nouvelles technologies pour faciliter la voie.

Parmi les candidats figurent l'Internet des objets (IoT), l'automatisation des infrastructures, l'intelligence artificielle (IA) et l'analyse avancée de la chaîne d'approvisionnement. Des concurrents tels que l'intégration de l'interface de programmation d'applications (API) et les jumeaux de la chaîne d'approvisionnement numérique se profilent également à l'horizon.

L'intérêt pour ces technologies s'est accéléré compte tenu de la pandémie mondiale de coronavirus, bien qu'elles aient déjà pris pied dans la gestion de la chaîne d'approvisionnement avant l'apparition de COVID-19. L'ancrage plus poussé de ces technologies dans les environnements informatiques nécessite d'identifier les meilleures opportunités pour les applications.

Le groupe de recherche Gartner a noté une pénétration importante de l'IoT dans une enquête de 2019 sur l'impact des entreprises numériques sur la chaîne d'approvisionnement. Alors que ce même rapport a jeté l'Internet des objets dans le creux de la désillusion de Gartner, moins que vanté, il y a des signes qu'il commence à redevenir populaire. Selon l'enquête sur la chaîne d'approvisionnement de Gartner, 59 % des personnes interrogées avaient partiellement ou entièrement déployé l'IoT dans leur organisation, tandis que 15 % prévoyaient d'investir dans l'IoT d'ici deux ans et 22 % avaient mis en place des pilotes. Ces données sont également cohérentes avec les données récentes de l'enquête 2020 sur l'adoption de l'IoT par IoT World, qui a indiqué que 51 % des personnes interrogées ont identifié un plus grand besoin d'initiatives numériques, y compris l'IoT.

Aujourd'hui, l'IoT est important car les techniques émergentes de la chaîne d'approvisionnement ont besoin des données les plus récentes et les plus précises, selon Amber Salley, directrice et analyste chez Gartner. Ce besoin de nouvelles données était aigu avant qu'un conflit commercial mondial ne survienne et avant que COVID-19 ne frappe, et plus encore dans leur sillage.

"La flexibilité de la chaîne d'approvisionnement post-COVID ne concerne pas nécessairement un changement de la demande, mais plutôt un changement de consommation", a déclaré Salley, citant l'exemple de mars 2020 de papier hygiénique nécessaire de manière inattendue dans une plus grande offre sur les étagères des magasins, et moins en quantité sur camions dirigés vers les bureaux et les institutions publiques.

C'est un moment où ces types de décisions d'approvisionnement doivent être prises rapidement et exécutées efficacement, à un niveau très granulaire. "Les entreprises essaient de réagir rapidement", a déclaré Salley. "Ils doivent savoir comment répartir au mieux quels magasins obtiennent quoi."

Chaînes d'approvisionnement perturbées par COVID-19

Les dirigeants de la chaîne d'approvisionnement font désormais le tri entre les choix technologiques à long terme, même s'ils sont confrontés au défi immédiat des modèles et processus commerciaux bouleversés. Les outils d'apprentissage automatique orientés IA en sont un exemple, et promettent des avantages pour la chaîne d'approvisionnement, notamment l'aide à la décision, la gestion des actifs en temps réel, l'optimisation des stocks et la planification de la maintenance préventive.

Comme l'explique Salley, il peut être difficile de séparer le bruit des données lors de la prise de décisions sur la chaîne d'approvisionnement, en particulier dans un environnement chaotique. Ici, les outils d'apprentissage automatique ont un rôle à jouer, mais la précision des données est primordiale.

"L'apprentissage automatique pour la reconnaissance de formes peut aider", a-t-elle déclaré. «Aujourd'hui, nous voyons de nombreuses entreprises utiliser de tels logiciels pour aider à la prévision de la demande. Mais le défi avec l'apprentissage automatique est qu'il faut beaucoup de données de très bonne qualité afin de voir les modèles corrects et d'être prescriptif avec précision."

De nombreuses organisations n'ont pas le volume dont elles ont besoin pour travailler avec l'apprentissage automatique, bien qu'elles puissent en avoir assez pour un cas d'utilisation individuel, a déclaré Salley. De plus, alors que les fournisseurs vantent les avantages de l'apprentissage automatique et de l'IA dans son ensemble, cette technologie est spécifique à chaque cas d'utilisation. "Vous ne pouvez pas facilement mapper d'un cas d'utilisation ou d'un domaine à un autre", a-t-elle déclaré.

Les professionnels de l'informatique ne peuvent pas non plus naviguer facilement dans la surabondance d'outils d'analyse de la chaîne d'approvisionnement dédiés à leurs utilisations. Les acteurs possédant une expertise en matière de logiciels de chaîne d'approvisionnement et d'apprentissage automatique incluent :Anaplan, Blue Yonder, DHL Supply Chain, EY Supply Chain and Operations, IBM, John Galt, LLamasoft, Logility et SAP.

Les appareils IoT jouant un rôle plus important dans la surveillance de la chaîne d'approvisionnement, les principaux acteurs du cloud et de l'apprentissage automatique tels qu'AWS, Google et Microsoft font également partie de ce paysage. Les leaders du cloud travaillent avec Accenture, Cognizant, Pluto7, TensorIoT et d'autres spécialistes pour adapter le traitement analytique de la chaîne d'approvisionnement à des domaines spécifiques.

Des analyses qui regardent en arrière, pas en avant

Alors que de nombreux professionnels de la chaîne d'approvisionnement ont grandi en travaillant autour de modèles statistiques pour analyser les opérations, il en faut davantage, a déclaré Jeanette Barlow, vice-présidente d'IBM Sterling Supply Chain, notant que dans une certaine mesure, les modèles statistiques sont les plus aptes à regarder en arrière.

« Ils apprennent de l'histoire, et l'histoire est un excellent indicateur. Mais il y a des choses qui arrivent qui changent l'histoire. Il n'y a pas eu d'année comme cette année pour illustrer cela », a-t-elle déclaré.

Au cours de la dernière année, la compréhension de l'emplacement des stocks n'a fait que gagner en importance. Barlow a déclaré que le groupe IBM Sterling utilise les capacités d'IA cognitive d'IBM Watson pour aider les équipes à mettre à l'échelle les corrélations de données. Ces techniques sont devenues plus importantes car l'IoT a ajouté à la masse de données qui doivent être évaluées dans des délais limités.

Technologies fondamentales pour l'IoT de la chaîne d'approvisionnement

Le degré de préparation des entreprises à ajouter un apprentissage automatique avancé à la chaîne d'approvisionnement peut dépendre de leur position sur la voie de la numérisation.

Des technologies assorties leur permettent de devenir plus agiles; La technologie avec laquelle ils commencent dépend du niveau de maturité technique de l'organisation, selon Alex Pradham, responsable de la stratégie produit chez John Galt Solutions, qui propose la plate-forme de planification Atlas pour l'apprentissage automatique automatisé dans les applications de la chaîne d'approvisionnement. « Certaines entreprises ont encore besoin de technologies plus fondamentales », a-t-elle déclaré.

Pradham constate également des changements importants dans les canaux et les comportements d'achat. Cela incite les entreprises à exiger des plans plus précis pour des horizons à court terme. Elle suggère que les réductions du coût des capteurs IoT et les avantages de la collecte de données ultra-fraîches peuvent aider la planification des opérations car, de plus en plus, les inventaires ont besoin d'être constamment actualisés.

Obtenir des données de haute qualité est une première étape importante, convient John Traynor, vice-président et directeur général du spécialiste de l'IA TensorIOT. Des analyses utiles peuvent être aussi simples que des moyennes mobiles courantes, a-t-il déclaré, mais disposer de données est essentiel.

« En fin de compte, les gens recherchent un moyen d'améliorer l'efficacité opérationnelle. Il peut s'agir simplement d'avoir une vue d'ensemble des opérations. [Mais] vous devez commencer avec des données valides », a déclaré Traynor, rappelant l'adage de conception informatique éprouvé « GIGO » (ou « Garbage in, garbage out »).

Pour atteindre cet objectif, la société a récemment collaboré avec AWS et le fabricant de puces Semtech pour lancer la collecte de données numériques, en créant un kit qui connecte les périphériques réseau LoRa (longue portée) aux services natifs AWS pour le suivi des actifs et les services de construction intelligente.

Intégration d'API pour les chaînes d'approvisionnement

De nouvelles catégories de systèmes émergent qui tirent parti de l'IoT pour automatiser et améliorer les capacités d'acquisition de données, selon Prasad Satyavolu, directeur numérique de la logistique et de la fabrication au sein de la société de services professionnels Cognizant. La société a récemment accepté d'acquérir le fournisseur de services technologiques Bright Wolf pour étendre la couverture des applications IIoT, y compris l'optimisation du rendement.

« Maintenant, les systèmes peuvent utiliser l'IoT pour l'acquisition de données afin de créer une visibilité sur des parties de l'ensemble de la chaîne d'approvisionnement », a-t-il déclaré. Un avantage encore plus grand réside dans les données externes qui peuvent être intégrées dans les systèmes de planification. Dans ce contexte, Satyavolu a cité l'intégration de l'interface de programmation d'applications (API) comme un ingrédient technologique clé dans les innovations de la chaîne d'approvisionnement d'aujourd'hui.

Au cours des derniers mois, a noté Satyavolu, plusieurs entreprises manufacturières ont intégré les données du tableau de bord mondial Johns Hopkins pour obtenir des statistiques sur la pandémie de COVID-19. "Vous l'utilisez comme une API et la réintégrez dans les systèmes pour gagner en visibilité sur l'"état de l'union" mondial", a-t-il déclaré. Cela a grandement contribué à la planification de la production.

Jumeaux numériques de la chaîne d'approvisionnement 

Comptez ce que Gartner appelle le « jumeau de la chaîne d'approvisionnement numérique » comme une autre technologie à surveiller bien qu'elle en soit encore à ses débuts.

Le groupe d'analystes définit le jumeau de la chaîne d'approvisionnement numérique comme une « représentation dynamique, en temps réel et échelonnée dans le temps des diverses associations entre les objets de données qui constituent en fin de compte le fonctionnement de la chaîne d'approvisionnement physique ». En tant que tel, il ressemble et diffère à la fois des outils de gestion de la durée de vie des produits, des logiciels de simulation et des modèles statistiques, ainsi que, d'ailleurs, du robot qui rampe dans les réacteurs endommagés par le tsunami de la centrale nucléaire japonaise de Fukushima.

L'utilisation de jumeaux numériques pour la chaîne d'approvisionnement peut simuler les opérations d'entrepôt et les niveaux de stock, et fournir un banc d'essai pour une analyse de simulation de différents scénarios de chaîne d'approvisionnement. Selon l'estimation de Salley, le jumeau de la chaîne d'approvisionnement numérique implique un modèle construit à l'aide de données récoltées à partir de l'environnement réel de la chaîne d'approvisionnement pour refléter l'activité. La météo et d'autres données externes peuvent être incluses dans la modélisation.

Pour l'instant, les types de logiciels impliqués dans la construction d'un jumeau numérique pour la chaîne d'approvisionnement sont divers. Outre les piliers de la chaîne d'approvisionnement, des fournisseurs comme Ansys, Dassault, GE, MathWorks, PTC, Siemens et d'autres sont à la recherche.

La mise en œuvre des technologies de jumeaux numériques dans la chaîne d'approvisionnement commence par l'identification des problèmes et le choix d'un candidat à traiter en premier. S'attaquer à un problème commercial connu est un bon point de départ, conseillent Salley et d'autres. Elle a déclaré s'attendre à ce que les projets jumeaux de la chaîne d'approvisionnement numérique démarrent à petite échelle pour prouver la technologie et les cas d'utilisation.

Salley a également averti que les systèmes existants pourraient ne pas adopter naturellement ces nouvelles méthodes. Une nouvelle infrastructure peut être nécessaire.

"L'un des problèmes est que le jumeau d'approvisionnement numérique nécessite une infrastructure plus récente", a déclaré Salley. À titre d'exemple, elle a souligné l'utilisation de bases de données graphiques émergentes, par opposition aux bases de données relationnelles, pour cartographier les interconnexions complexes entre les objets en réseau dans la chaîne d'approvisionnement.

Comme pour l'apprentissage automatique, alimenter le système avec de bonnes données est une nécessité avec les jumeaux numériques. Salley a déclaré que les avantages des jumeaux de la chaîne d'approvisionnement numérique proviennent de données « à haute granularité et à faible latence. Et c'est là que l'IoT entre particulièrement en jeu."

Informés par la diffusion en continu des données des appareils IoT, les responsables de la chaîne d'approvisionnement peuvent être prévenus qu'une chaîne d'assemblage est sur le point de tomber en panne, que des pièces sont nécessaires pour maintenir la chaîne en marche ou que la production peut être déplacée pour compléter la production de la ligne - toutes des lignes de production familières scènes de la fin.

Les questions que se posent aujourd'hui la chaîne d'approvisionnement, les opérations et les responsables informatiques sont motivées par le "désir d'être plus numérique", a déclaré Salley. « Il y aura toujours des perturbations. » Le besoin maintenant est de travailler avec la technologie et les gens pour gagner en visibilité, en agilité et en résilience — et pour prendre les bonnes décisions, même sous pression.