Nouvelles

Jul 12, 2023

Construire des entrepôts NextGen et transformer les opérations à l'aide de la science des données

Tous les scénarios ci-dessus se répètent dans de nombreuses chaînes d'approvisionnement, même si

Tous les scénarios ci-dessus se répètent dans de nombreuses chaînes d'approvisionnement, même s'il existe des solutions technologiques prêtes à l'emploi. L'intelligence artificielle et l'apprentissage automatique ont le pouvoir de transformer les opérations d'entrepôt grâce à l'analyse de données. L'analyse avancée des données est déjà utilisée par les entrepôts NextGen à l'échelle mondiale pour révolutionner les activités d'entrepôt. Certaines solutions sont :

Planification intelligente des rendez-vous

L'apprentissage automatique examine les données historiques des commandes, des rendez-vous et des horaires dans un entrepôt. Après avoir passé au crible l'heure prévue et l'heure d'arrivée des camions, des schémas sont détectés, par exemple un retardataire chronique ou des retards liés aux conditions météorologiques. Un algorithme dérivé du modèle est affiné avec des informations plus approfondies tirées de l'analyse des données, y compris divers paramètres tels que la complexité de la commande, l'effort requis pour la traiter, la charge de l'entrepôt, etc. Le modèle ML est formé pour prévoir les meilleurs horaires, avec diverses simulations de scénarios "et si" avant qu'une solution intelligente de planification de rendez-vous ne soit formulée.

Le personnel de l'entrepôt qui doit planifier des rendez-vous peut basculer les choix disponibles pour choisir une recommandation. Le planificateur "intelligent" prend non seulement le rendez-vous, mais ajuste également l'ensemble du programme de la journée, ou la direction (entrant/sortant) des activités ; il montre le nombre de rendez-vous qui peuvent être intégrés dans le même créneau horaire, reflète l'état de la cueillette, indique les raisons des retards, signale les incohérences qui nécessitent une attention, garde un œil sur les heures actives et inactives et identifie les meilleures opportunités pour servir les arrivées tardives. Tout cela est fait sans compromettre les temps de rotation des autres transporteurs.

Avantages:Réduction du temps de rotation, précision de la planification, réduction des retards, planification automatisée, économies grâce à l'évitement des frais de détention, optimisation de la charge de l'entrepôt tout au long de la journée, répartition de la main-d'œuvre, e-mails de rendez-vous programmés ou messages téléphoniques aux chauffeurs/transporteurs, bien-être des chauffeurs, traitement sûr et rapide des expéditions

Gestion prédictive des stocks

La demande des clients, la demande de matières premières de l'atelier, les commandes des détaillants et la durée de conservation des produits influent sur la gestion des stocks. Même les risques qui apparaissent tout au long de la chaîne d'approvisionnement, les sentiments des consommateurs retracés via les médias sociaux et la perception publique des fabricants, des fournisseurs ou de toute autre partie prenante peuvent avoir un impact négatif sur la gestion des stocks. Ainsi, garder un œil sur un ensemble diversifié de données et en tirer un sens de manière proactive, c'est de l'analyse prédictive.

Pour mettre en œuvre une gestion prédictive des stocks, de très grands ensembles de données historiques et actuelles sont agrégés, filtrés, analysés et modélisés. Des contraintes, telles que des conditions météorologiques extrêmes et des pics observés dans les données des points de vente, sont introduites pour inciter les algorithmes d'apprentissage automatique à "apprendre" à prédire en fonction d'un historique plus récent. Comme l'accent est mis sur la haute visibilité des données, il est possible de combler le fossé entre les responsables du merchandising qui prennent les décisions d'achat et les responsables des entrepôts.

Les données provenant de nombreuses applications, notamment le système de gestion d'entrepôt, la gestion des stocks des fournisseurs, l'analyse du panier de consommation, la gestion des commandes de distribution et la planification de la chaîne d'approvisionnement, aident à simuler et à prévoir les résultats, à découvrir des informations qui améliorent la collaboration et à développer des stratégies de gestion des stocks agiles.

Des paramètres tels que les modèles de demande, les pénuries à venir, le gaspillage, le coût total de possession des stocks, la mise à l'échelle pour inclure les données de fournisseurs tiers, le nombre de SKU et les ajustements de positionnement sont également utilisés pour encourager la constitution de stocks prédictifs.

Avantages:Réduction efficace des coûts, prise de décision éclairée, meilleure collaboration entre les processus et les parties prenantes, approvisionnement stratégique, prévention des stocks excédentaires, évolutivité pour la croissance, génération de la demande et amélioration de la satisfaction et de l'expérience client.

Allocation intelligente des tâches

Un entrepôt est une ruche d'activités, et à moins que chaque tâche, petite ou grande, ne soit effectuée en toute sécurité, efficacement et en temps opportun, les choses peuvent très mal tourner. La méthode manuelle d'attribution des tâches dépend fortement de l'expérience, de la discrétion et des règles commerciales des superviseurs. Un système d'IA d'attribution de tâches en temps réel peut être formé pour attribuer des tâches à la bonne personne et augmenter l'efficacité du travail. Le ML est utilisé pour classer les tâches en fonction de différents critères.

À l'entrepôt, ces critères sont généralement liés à des paramètres tels que le produit, la distance, l'emplacement, les compétences de la main-d'œuvre et les performances passées. Le modèle ML peut être formé pour exécuter des données historiques et simuler différentes combinaisons de tâches et de destinataires afin de déterminer la meilleure adaptation. La productivité et le temps du personnel peuvent être utilisés efficacement avec un réglage plus précis de l'algorithme. Par exemple, des recommandations d'entrelacement de tâches intelligentes sont émises lorsque l'algorithme ML détecte qu'un travailleur se voit attribuer une tâche dans une zone de l'entrepôt où des tâches similaires attendent. Le travailleur peut effectuer plusieurs tâches "similaires" dans la même zone. De même, la cueillette et la livraison peuvent être effectuées simultanément si elles sont situées à proximité.

Comme toutes les permutations et combinaisons de travailleurs et de tâches peuvent être visualisées sur un tableau de bord intuitif, un superviseur peut planifier l'attribution des tâches pour toute la journée en fonction de la demande et de la disponibilité du personnel. Les robots peuvent également se voir attribuer des tâches.

Avantages:Optimisez la capacité du personnel, améliorez la performance des tâches, réduisez les goulots d'étranglement opérationnels, efficacité élevée par quart de travail, manipulation sûre et sans dommage, évitez les heures supplémentaires inutiles, évitez les problèmes de sous-effectif et de sureffectif, réduisez les coûts, augmentez la productivité.

Planification efficace de la demande

La collecte et l'analyse des données sont au cœur de la prévision et de la planification de la demande. Dans l'entrepôt, il est important de prévoir avec précision le nombre de produits à stocker par SKU, l'espace nécessaire pour stocker, la main-d'œuvre requise et le nombre de quarts de travail nécessaires. Il est encore plus important d'aligner les fournisseurs externes sur les délais des processus de production lors de la réalisation des livraisons. Il n'est pas possible de prévoir tous les événements futurs, mais la planification de la demande utilise divers paramètres pour couvrir toutes les éventualités. Par exemple, la demande à court, moyen et long terme ; les données historiques sur les ventes sont ventilées en mois, trimestres et années précédents ; demande saisonnière à Noël, Thanksgiving, Pâques, etc.

Il est impossible de prédire les performances futures d'un produit ou d'un service en termes de gains ou de pertes car les facteurs qui influencent la demande sont nombreux : économiques, politiques, sociaux, environnementaux, technologiques et juridiques.

ML applique des algorithmes mathématiques complexes au Big Data pour détecter les modèles de demande, établir des relations entre les ensembles de données et détecter les signaux de demande.

Un algorithme bien formé (qui est alimenté par des données historiques et des requêtes de simulation) recommandera un niveau approprié de stocks de sécurité pour faire face aux imprévus. La portée des événements et des promotions peut être déterminée par des algorithmes ML qui partagent des informations sur les préférences des consommateurs, les sensibilités aux prix et d'autres facteurs "motivants" qui incitent à l'achat.

Avantages:Chaîne d'approvisionnement efficace, niveaux de stocks optimaux, production fluide et organisée, relations clients et fournisseurs saines, absence de rupture de stock et d'obsolescence, optimisation de l'espace de stockage, minimisation des coûts d'entrepôt.

Utilisation optimale de la capacité

La capacité de stockage physique ne se traduit pas toujours par l'utilisation de la capacité dans un entrepôt. L'optimisation de l'utilisation de la capacité est la possibilité d'utiliser le stockage en fonction de la hauteur et des dimensions des produits, de l'inventaire nécessaire et de l'espace nécessaire aux travailleurs pour se déplacer librement et en toute sécurité tout en localisant rapidement les articles et en exécutant les commandes efficacement. En plus des données WMS, des inspections régulières des fonctions de l'entrepôt aident à détecter les irrégularités. Des techniques avancées de vision par ordinateur sont utilisées pour les inspections qui donnent des informations approfondies.

Un algorithme ML développé pour rectifier les anomalies et suggérer des solutions fournira des informations pouvant être utilisées pour modéliser l'utilisation optimale des capacités. Le suivi des KPI d'inventaire, de réception, de prélèvement, de sécurité, de rangement, de sécurité et de performance mettra en lumière l'amélioration globale de la capacité de l'entrepôt, non seulement de l'espace, mais également des opérations telles que le stockage, l'exécution et le réapprovisionnement.

Des suggestions telles que le cross-docking (déplacement d'un article directement de la réception à l'expédition), l'emplacement de l'entrepôt (stockage et organisation de l'inventaire en fonction du SKU ou des caractéristiques du produit) et les modifications de mise en page apportées par l'algorithme peuvent être évaluées et acceptées par les responsables d'entrepôt. Les modèles d'IA sont capables de corréler les prévisions de la demande avec l'utilisation des capacités et, par conséquent, des recommandations peuvent être faites pour optimiser des fonctions telles que le nombre d'heures de travail, les heures consacrées à la sélection et la disponibilité du personnel, etc., pour combler les lacunes.

Avantages:Amélioration des flux de processus de travail, économies de temps et d'argent, sécurité des personnes et des produits, ventes fluides, meilleure organisation, confiance des fournisseurs, dépenses d'exploitation réduites, visibilité des stocks, automatisation, chaîne d'approvisionnement optimisée

Optimisation continue des processus

Dans le cadre d'un entrepôt, il est possible d'optimiser le processus de préparation de commandes qui représente 55 % des dépenses opérationnelles totales. L'apprentissage automatique a été utilisé pour optimiser les opérations de prélèvement. Divers paramètres tels que la dimension du produit, le chariot et l'itinéraire de prélèvement, l'emplacement de stockage et la distance de marche sont "testés" dans différentes combinaisons pour arriver à une solution optimale. Les données WMS sont exploitées pour regrouper des commandes similaires et suggérer des listes de prélèvement automatisées ; comme de nombreuses innovations ont été introduites dans les rayonnages d'entrepôt, les systèmes d'empilage de palettes et de convoyeurs pour trier les commandes, l'optimisation des processus est continue.

Les recommandations de processus peuvent inclure des techniques d'amélioration de la productivité telles que le prélèvement par zone, le prélèvement par grappes, le prélèvement par lots, le prélèvement de commandes discrètes et des combinaisons de ces méthodes de prélèvement. Dans l'industrie alimentaire, le picking peut encore être adapté pour satisfaire les profils de commande qui s'adressent aux portions individuelles ou aux méga packs.

Les données de base, les lignes de commande et les coordonnées de mise en page sont également analysées. Les nouvelles technologies telles que le codage à barres, la RFID, la sélection vocale, le pick-to-light, les appareils portables et les bras robotiques peuvent fonctionner avec l'analyse de données pour améliorer l'efficacité opérationnelle.

Pour l'industrie alimentaire, en particulier, la solution de stockage et de récupération automatisée est le choix préféré pour éviter le contact et la contamination. Une combinaison de palettisation et de dépalettisation robotisées et de véhicules guidés automatiques est utilisée.

Dans les très grands entrepôts avec une variété de produits, le jumelage numérique de l'ensemble du processus avec un nouveau plan d'étage virtuel, de nouveaux flux de travail et des variations de chaque aspect des fonctions d'entreposage peut être simulé en premier. Les données de processus et d'actifs contribuent à l'optimisation des processus grâce à un jumeau numérique. Les informations issues de la simulation virtuelle sont traduites en actions. Un algorithme modèle basé sur cet exercice est ensuite introduit dans le jumeau de processus du monde physique.

Avantages:Réduction des erreurs, amélioration de la rentabilité, prise de décision basée sur les données, performances améliorées, fonctionnement rationalisé, meilleur retour sur investissement, temps d'arrêt réduits.

Planification logistique organisée

La logistique implique l'organisation, le mouvement et la gestion dans un entrepôt. Comme il inclut les politiques, le flux de biens physiques, le temps et l'information abstraits, il est très difficile de l'organiser en douceur. Cela signifie suivre les camions, les palettes et les produits. Heureusement, des données sont également disponibles auprès de différentes sources.

ML utilise les données de l'ERP, de la gestion des itinéraires, de la gestion du matériel, des systèmes de gestion des commandes et des capteurs IoT pour calculer de nouveaux algorithmes pour un meilleur routage des véhicules et des chariots. Les données des diagnostics du véhicule, les habitudes de conduite et les informations de localisation sont suivies en temps réel. L'analyse des données du fournisseur, y compris la livraison à temps, l'état des marchandises à la livraison et les données des clients impliquant le retour des marchandises, est effectuée.

Parallèlement aux KPI de transport et d'entreposage tels que le coût et l'utilisation, la qualité de la logistique est évaluée et des recommandations sont faites pour mieux organiser et planifier la logistique afin d'améliorer les performances.

Les données sont également collectées à partir de cobots, de robots et de véhicules guidés automatisés dans les entrepôts et les informations aident à automatiser davantage plusieurs tâches.

Avantages:Transport sûr et économique, optimisation des itinéraires, placement précis des stocks, comptage des stocks en temps réel, réduction des retours, réapprovisionnements automatiques, espace d'entrepôt maximisé, traçabilité des stocks.

Sunil Kardam est responsable de la logistique et de la chaîne d'approvisionnement et est un partenaire client chez Gramener.