Optimisation mathématique : la clé de supply chains résilientes

Le chaos logistique n'est pas un phénomène nouveau dans le monde supply chain, mais l'échelle du bouleversement causé par le COVID-19 est quelque chose que les parties prenantes n'ont jamais vu auparavant : 94 % des entreprises du Fortune 1000 ont subi des perturbations de la pandémie, selon Accenture.

Heureusement, les entreprises ont aujourd'hui à leur disposition une gamme de technologies d'intelligence artificielle comme l'optimisation mathématique, pour aider à combattre et surmonter les perturbations supply chain.

L'optimisation mathématique est depuis longtemps établie comme technologie de référence pour la planification et opérations supply chain. Depuis les années 1980, les entreprises à travers le monde des affaires ont puisé dans une large gamme d'applications de planification prêtes à l'emploi et sur mesure, non seulement pour piloter une plus grande efficacité et rentabilité, mais aussi pour gérer et atténuer les perturbations. De telles technologies ont été un outil pivot au fil des ans pour favoriser l'agilité et la résilience supply chain.

L'optimisation mathématique facilite deux types de prise de décision pour les planificateurs et autres parties prenantes clés :

• Réactive. Elles peuvent détecter les perturbations en temps réel et y répondre rapidement et efficacement en identifiant les causes racines et en réallouant dynamiquement les ressources, réduisant ainsi le temps de récupération.
• Proactive. Elles peuvent analyser les risques supply chain et anticiper les perturbations potentielles.

Voici comment l'optimisation mathématique peut piloter une prise de décision réactive et proactive optimale, et adresser les perturbations supply chain.

Un modèle en trois parties

Toute application d'optimisation mathématique est essentiellement composée de deux éléments : un solveur (un moteur de résolution de problèmes basé sur algorithme) et un modèle (une représentation ou jumeau numérique de l'environnement opérationnel réel, avec toute sa complexité et ses défis).

Le modèle peut encapsuler des éléments spécifiques de la supply chain (tels que fournisseurs, production, logistique et opérations d'entrepôt), ou englober le réseau entier de bout en bout.

Chaque modèle se compose de trois parties :

• Variables de décision. Décisions prises à divers points à travers la supply chain ;
• Contraintes. Règles business qui doivent être suivies ;
• Objectifs business. Nombreux (et souvent conflictuels) objectifs business, comme minimiser coûts et niveaux de stock, ou maximiser utilisation des ressources, performance de livraison à l'heure et satisfaction client.

Quand une perturbation survient, les applications d'optimisation mathématique, parce qu'elles sont bâties sur des modèles qui comprennent et incarnent comment une supply chain réelle se comporte, permettent aux utilisateurs d'atteindre :

• Visibilité. Identifier instantanément les sources de la perturbation, comme goulets d'étranglement de capacité et fluctuations soudaines d'offre et demande ;
• Flexibilité. Modifier le modèle en faisant des ajustements et même en ajoutant nouvelles contraintes, variables de décision et objectifs business pour refléter les conditions opérationnelles actuelles à travers la supply chain ;
• Agilité. Réoptimiser dynamiquement et automatiquement les plans et plannings, et déterminer la meilleure ligne d'action pour résoudre la perturbation aussi vite et efficacement que possible.

Avec une application d'optimisation mathématique, les entreprises peuvent maintenir une visibilité et un contrôle en temps réel sur le réseau de bout en bout, pour que quand les perturbations frappent, elles puissent facilement identifier les causes racines et prendre rapidement les mesures nécessaires pour les remédier et préserver la continuité business.

« Intelligence continue »

Le machine learning, probablement l'aspect le plus connu de l'IA, repose sur des données historiques. Par contraste, l'optimisation mathématique puise dans les dernières données disponibles pour livrer de l'analytics prescriptif temps réel, ou, comme l'appelle Gartner, « intelligence continue » à travers le réseau supply chain.

Quand une perturbation supply chain sévère frappe, comme pendant la pandémie COVID-19, les entreprises ne peuvent pas dépendre de données du passé pour aider à naviguer les défis financiers et opérationnels sans précédent.

Parce qu'elles utilisent les dernières données disponibles et des modèles qui capturent les conditions actuelles à travers un réseau opérationnel, les applications d'optimisation mathématique sont capables de générer automatiquement les meilleures solutions aux problèmes supply chain d'aujourd'hui, et de permettre intelligence continue et prise de décision optimale.

Explorer le risque

Une partie importante de la gestion des perturbations supply chain est l'évaluation du risque et la planification et préparation pour l'avenir. Avec la capacité d'analyse de scénarios de l'optimisation mathématique, les entreprises peuvent :

• Explorer divers scénarios what-if d'offre, demande, stock, capacité, macroéconomiques, géopolitiques et autres, et évaluer leur effet potentiel sur le business.
• Découvrir des risques cachés et jauger l'exposition au risque et le temps de récupération en cas de perturbation comme catastrophe naturelle, ou panne production ou transport.
• Débloquer des opportunités pour atténuer le risque et piloter une résilience supply chain améliorée, en réallouant ressources ou reconfigurant la supply chain.

La fonctionnalité d'analyse de scénarios de l'optimisation mathématique permet aux entreprises d'isoler leurs supply chains contre l'impact de futures perturbations, en permettant des décisions proactives et stratégiques dans de multiples domaines, incluant investissement capital, sélection fournisseurs, planification capacité et stock, et localisation installations production et entrepôt.

Pendant la pandémie COVID-19, nous avons vécu une vague sans précédent de perturbation supply chain, qui a causé chaos significatif et durable dans l'économie globale et posé d'énormes défis aux professionnels supply chain. L'optimisation mathématique s'est prouvée une arme puissante pour combattre de telles perturbations, tout en boostant efficacité et rentabilité supply chain. Cette technologie IA continuera d'être un outil essentiel pour les leaders supply chain alors qu'ils naviguent le paysage d'affaires en constante évolution.

Ed Rothberg est co-fondateur et CEO de Gurobi.