Contraintes de temps, de coûts et de ressources : la maitrise de la supply chain n’est jamais simple. Les algorithmes d'apprentissage machine (machine learning) peuvent être très utiles pour repérer des anomalies, établir des modèles et anticiper des tendances. La planification des ressources devrait être la principale fonction à tirer profit de l’intelligence artificielle.
La cabinet Gartner prévoit que d'ici 2020, 95 % des fournisseurs de services de planification de la supply chain intégreront l'apprentissage machine supervisé et non supervisé dans leurs solutions.
L'apprentissage machine et les techniques basées sur l'intelligence artificielle sont à l’origine d'un large éventail de technologies de logistique et de supply chain en cours de développement. Les gains les plus significatifs seront réalisés là où le machine learning peut contribuer à résoudre des problèmes complexes de contraintes, de coûts et de livraison auxquels les entreprises sont confrontées.
Le cabinet McKinsey (infographie ci-dessous) prévoit que la contribution la plus importante de l'apprentissage machine sera de fournir aux opérateurs de la supply chain des informations plus pertinentes sur la façon dont la performance de cette chaîne d'approvisionnement peut être améliorée.
Le machine learning permettrait d’anticiper les anomalies dans les coûts logistiques et la performance avant qu'elles ne se produisent. Cette technologie permettrait également de savoir où l'automatisation peut apporter les économies d'échelle les plus significatifs.
Les importants volumes de données générés par les capteurs de l'Internet des objets (IoT), la télématique, les systèmes de transport intelligents et les données relatives au trafic peuvent être également mieux analysés et exploités par l’IA.
Et en cette période où la météo est capricieuse, le ML peut être très utile. Depuis déjà quelques années, Walmart s'intéresse de plus en plus à cette technologie. En s’appuyant sur des données fournies par IBM Weather-gleaned, il a constaté des corrélations intéressantes entre les phénomènes météorologiques et le comportement d'achat des consommateurs.
Par exemple, l'entreprise a constaté que les clients sont plus susceptibles d'acheter des steaks lorsqu'il fait chaud, venteux et nuageux, alors que les ventes de hamburgers augmentent par temps chaud et sec.
