Matière : Supply chain analytics

Classe : 5A-GIL
Professeur : Zineb Achetoui
Année Universitaire : 2023/2024

1
Application du Machine Learning
dans le Supply Chain
Management

2
 Introduction

Lorsqu’il s’agit de gérer la chaîne d’approvisionnement d’une

organisation, de nombreux facteurs différents entrent en jeu. Cela peut
représenter un défi pour toute entreprise, car ces chaînes
d’approvisionnement peuvent être très complexes et impliquer de
nombreuses pièces mobiles.

3
 Introduction

Il est également important de maintenir les coûts aussi bas que

possible tout en garantissant que chaque besoin en matière de produit
ou de service est satisfait. Pour ce faire, de nombreuses entreprises ont
commencé à mettre en œuvre l’apprentissage automatique dans leurs
stratégies de gestion de la chaîne d’approvisionnement afin de pouvoir
atteindre plus efficacement leurs objectifs commerciaux.

4
 Qu’est-ce que l’apprentissage automatique ?

L'apprentissage automatique « machine learning » fait référence à la

capacité des systèmes informatiques à apprendre sans être
programmés manuellement. Cela signifie que les ordinateurs utilisent
des algorithmes pour examiner les données, identifier les tendances,
puis utiliser ces informations pour faire des prédictions.

5
 Défis relevés avec l’apprentissage
automatique
L’apprentissage automatique peut résoudre plusieurs des défis
rencontrés par la chaîne d’approvisionnement, à savoir:
- Gestion des stocks
Les modèles de ML peuvent analyser les données historiques et les
tendances pour optimiser les niveaux de stocks, réduisant ainsi les
coûts tout en maintenant un niveau de service satisfaisant.

6
 Défis relevés avec l’apprentissage
automatique
- Prévision de la demande
Le ML peut être utilisé pour prédire la demande future des produits, ce
qui aide les entreprises à mieux planifier leur production et leurs
stocks.

7
 Défis relevés avec l’apprentissage
automatique
- Gestion inefficace de la relation fournisseur
L’apprentissage automatique et l’intelligence artificielle peuvent
offrir des informations utiles sur les données des fournisseurs et
aider les entreprises de la chaîne d’approvisionnement à prendre
des décisions en temps réel.

8
 Défis relevés avec l’apprentissage
automatique
- Gestion des retours :
Les modèles de ML peuvent analyser les retours de produits et les
données connexes pour identifier les tendances et les problèmes, ce
qui permet d'améliorer les politiques de retour et de minimiser les
coûts associés.

9
 Défis relevés avec l’apprentissage
automatique
- Optimisation du réseau de distribution :
Le ML peut aider à optimiser la conception et la gestion des réseaux de
distribution, en identifiant les emplacements stratégiques pour les
entrepôts et en proposant des schémas logistiques efficaces.
-Gestion des transports et de la logistique :
Le ML peut aider à optimiser les itinéraires de livraison, à réduire les
coûts de transport et à améliorer l'efficacité des opérations logistiques.

10
 Cas d'utilisation de l'apprentissage automatique

- Inspections de qualité automatisées pour une gestion robuste

- Visibilité en temps réel pour améliorer l'expérience client
- Rationalisation de la planification de la production
- Gestion d'entrepôt
- Maintenance préventive avancée des machines

11
Entreprises qui utilisent l’apprentissage automatique :
a) Amazon
L'un des leaders renommés de la chaîne d'approvisionnement dans le
secteur du commerce électronique, exploite des systèmes
technologiquement avancés et innovants basés sur l'intelligence
artificielle et l'apprentissage automatique, tels que l'entreposage
automatisé et la livraison par drone.
La solide chaîne d’approvisionnement d’Amazon contrôle directement
les principaux domaines tels que l’emballage, le traitement des
commandes, la livraison, le support client et la logistique inverse grâce
à de lourds investissements dans les systèmes logiciels intelligents, le
transport et l’entreposage.
12
Entreprises qui utilisent l’apprentissage automatique :
b) Microsoft Corporation – Technologie
Le système de chaîne d'approvisionnement du géant de la technologie
Microsoft s'appuie fortement sur des informations prédictives basées sur
l'apprentissage automatique et la business intelligence. L'entreprise
dispose d'un vaste portefeuille de produits qui génère une énorme
quantité de données qui doivent être intégrées à un niveau central pour
une analyse prédictive et améliorer l'efficacité opérationnelle.

13
Entreprises qui utilisent l’apprentissage automatique :
c) Procter & Gamble – Biens de consommation
Le leader des biens de consommation, P&G, possède l’une des chaînes
d’approvisionnement les plus complexes avec un vaste portefeuille de
produits. L'entreprise exploite parfaitement les techniques
d'apprentissage automatique telles que l'analyse avancée et
l'application de données pour la gestion de bout en bout des flux de
produits.

14
 Exemples de modèles de Machine Learning appliqués dans
le domaine de la supply chain

1. Prévision de la demande avec un modèle ARIMA :

• Le modèle ARIMA (AutoRegressive Integrated Moving Average) est souvent
utilisé pour la prévision de la demande. Il prend en compte les tendances passées
et les schémas saisonniers pour prédire la demande future, ce qui est crucial pour
planifier les niveaux de stock et la production.
2. Optimisation des stocks avec un modèle Q-Learning :
• Le Q-Learning, un algorithme d'apprentissage par renforcement, peut être utilisé
pour optimiser les niveaux de stock en ajustant les décisions de
réapprovisionnement en fonction de la demande et des coûts associés.

15
 Exemples de modèles de Machine Learning appliqués dans
le domaine de la supply chain

3. Gestion des itinéraires de livraison avec un modèle de clustering et d'optimisation :

• En utilisant des techniques de clustering pour regrouper les points de livraison en
clusters basés sur la proximité géographique, suivi d'une optimisation des
itinéraires (par exemple, l'algorithme de Dijkstra), on peut minimiser les coûts de
transport et améliorer l'efficacité des livraisons.
4. Planification de la production avec un modèle de réseaux de neurones :
• Les réseaux de neurones peuvent être utilisés pour optimiser la planification de la
production en tenant compte de multiples variables telles que les capacités de
production, les délais de fabrication, la demande prévue, etc.

16