L'impact du Big Data sur le métier de la Logistique

Les entreprises de Logistique et de Transport de Marchandises sont en train de tourner le Big Data en avantage compétitif. Au premier rang, UPS et DHL rivalisent d’innovations liées au Big Data, qui leur permettent de mieux anticiper la demande, d’optimiser les trajets, d’améliorer l’expérience client et de développer de nouveaux business models. Analyse des principales applications du Big Data.

 

Anticiper la charge et allouer efficacement les ressources

L’utilisation optimale des ressources est une question de fond dans l’industrie du transport de marchandises : une capacité excessive érode la rentabilité (dans une industrie avec des marges globalement faibles), et une capacité insuffisante a un impact sur la qualité de service et sur la satisfaction client. Le Big Data permet de mettre en adéquation charge et capacité, à la fois au niveau stratégique (configuration à long terme du réseau de distribution) et opérationnel (allocation quotidienne des ressources) en améliorant la capacité à prévoir les évolutions de demande et en facilitant l’allocation des ressources.

A un niveau stratégique, les choix de configuration du réseau logistique (implantation des entrepôts et centres de distribution, développements régionaux…) demandent des capacités de prévisions précises qui maximisent la rentabilité des investissements et en minimisent les risques.
A un niveau opérationnel, les points de transit et les trajets doivent être gérés le plus efficacement possible en temps réel, ce qui demande de pouvoir optimiser de manière dynamique l’utilisation d’un ensemble de ressources; hommes et machines.

Parcel Volume Prediction

Le système Parcel Volume Prediction, mis en place par DHL, exploite d’énormes volumes de données en provenance de sources variées pour optimiser l’adéquation entre charge et capacité. Il croise l’historique de capacité et d’utilisation des ressources avec des données liées à la saisonnalité du transport, les prévisions de croissance régionales par secteur ou encore des variations de prix de matières premières pour comprendre l’influence de facteurs externes sur la charge et prédire précisément la demande future.
La solution PVP intègre également des flux de données en temps réel pour identifier les risques de surcapacité à court terme (48 heures)

Ces prévisions sont ensuite utilisées pour répartir et organiser la main-d’œuvre entre les différents entrepôts et sites de distribution, ainsi que pour identifier à l’avance et éviter les goulots d’étranglement dans la chaîne logistique.

Cependant, la principale limite de ce système est de se focaliser sur un historique de données clients, qui s’ils peuvent aider à mieux appréhender les prévisions, ne reste qu’une extrapolation d’une demande passée. C’est pourquoi les entreprises logistiques commencent à s’intéresser à des accords avec des acteurs comme Google ou Amazon, devenues des pionnières de l’analyse de l’intention des consommateurs. Des services comme Google Flu, permettant de prédire la diffusion d’une épidémie en fonction des intentions de recherche des internautes, ou la WishLlist d’Amazon, grâce auquel un consommateur peut signaler une intention d’achat sur n’importe quel site, représentent la prochaine étape dans l’analyse de l’intention et la prédiction des comportements d’achat qui sont déterminants dans les prévisions de charge pour des transporteurs.
 

Optimiser les trajets

Avec plus de 90 000 véhicules et 150 000 livraisons quotidiennes dans le monde entier, les économies potentielles en termes de temps gagné et de consommation de carburant sont énormes.

Orion - UPS

Grâce à des investissements dans les technologies Big Data, UPS a développé une solution automatisée d’optimisation de trajets, baptisée ORION (On-Road Integrated Optimization and Navigation). Orion calcule les trajets en fonction des adresses d’expédition et de livraison à partir de 250 millions de repères géographiques dans le monde, et en utilisant des règles d’optimisation personnalisées (comme éviter les heures de pointe et ne prendre que des tournants à droite). Et avec plus de 120 livraisons journalières par véhicule, le nombre de combinaisons astronomique, et le passage à l’échelle Big Data est vite devenu nécessaire.

L’avantage du système : son automatisation et sa capacité à s’adapter en temps réel. Quand le véhicule est déchargé et rechargé, le système calcule la route de livraison optimale en détectant automatiquement les éléments du chargement grâce à des senseurs placés sur les colis. Cela évite la saisie manuelle et élimine les risques liés à l’erreur humaine. Sur la route, le système utilise des bases de données télématiques pour modifier en temps réel les trajets en fonction de flux d’informations dynamiques (évolution du trafic, informations sur le point de livraison).
Grâce à Orion, UPS a développé le service « MyChoice », qui permet aux clients de modifier l’heure et le lieu de livraison jusqu’à la dernière minute directement sur leur smartphone. Orion recalcule en temps réel le nouveau trajet optimal et le conducteur reçoit automatiquement son nouvel itinéraire.

Bien qu’assez récent (déploiement depuis début 2012), les premiers résultats sont encourageants : avec une diminution d’un peu moins de 2km par conducteur, UPS pourrait économiser $50 millions par an en carburant, et éliminer 203 millions de minutes inefficaces. L’impact environnemental est également à noter, avec 14 000 tonnes de CO2 émises en moins.

 

Externaliser le dernier kilomètre : le Crowd-Delivery

L’une des principales difficultés lors de la mise en place d’un réseau de distribution efficace intervient dans le dernier kilomètre. Le dernier trajet d’une chaîne logistique est souvent le plus cher, et l’optimisation du dernier kilomètre est au centre des problématiques d’optimisation des logisticiens depuis la formulation du « Traveling Salesman Problem » il y a plus de 80 ans.

En s’appuyant sur les nouveaux usages liés à la consommation collaborative et les innovations en termes d’analyse de larges volumes de données dynamiques, des entreprises comme DHL commencent à s’intéresser à l’externalisation du dernier kilomètre de livraison à des particuliers.
L’idée derrière l’approche collective appliquée à la logistique est simple : les chauffeurs de taxi, les étudiants ou même les gens qui font des trajets réguliers peuvent être rémunérés pour prendre en charge le dernier kilomètre de livraison, sur des trajets qu’ils réaliseraient de toute façon. Disposer d’une masse critique de livreurs occasionnels permet de soulager la flotte de livraison, et d’améliorer de manière radicale l’efficacité de la chaîne logistique.

Myways- DHLLe service MyWays de DHL, pionnier dans le domaine du Crowd-Delivery, propose ainsi une application mobile permettant aux particuliers de partager leur position géographique et d’accepter des ordres de livraison sélectionnés.
S’il est souvent indispensable de rémunérer cette force de travail occasionnelle, cela permet d’engranger des gains importants, notamment dans les zones rurales ou peu densément peuplées. Mais ce système pose aussi un challenge à ne pas négliger en termes de maîtrise d’un réseau de ressources semi-indépendantes en mouvement, qui nécessite la mise en place de techniques Big Data comme le complex-event processing et la geocorrelation pour analyser en temps réel des flux massifs d’informations en provenance de sources variées : senseurs, bases de données internes et externes, appareils mobiles.
 

Développer de nouveaux Business Models

En tant qu’indicateur macro-économique majeur, les flux de transport sont souvent utilisés comme benchmark du développement économique futur et comme outil d’analyse des tendances régionales et locales.

Grâce à leur position au centre de ces échanges, les transporteurs et entreprises logistiques sont idéalement placés pour fournir des informations détaillées concernant les flux de marchandise qui transitent par leur réseau de distribution. La valeur prédictive de ces informations en ce qui concerne l’étude de l’offre et de la demande sur un territoire permet de développer de nouveaux services d’intelligence de marché pour des entreprises.
Geovista-DHL-Data-Business.fr

Le service Geovista mis en place par la Deutsche Post DHL offre un outil de géomarketing à des petites et moyennes entreprises pour les aider à analyser le potentiel d’un marché et la structure de la concurrence, à construire des prévisions de revenus et à optimiser l’implantation du réseau sur un territoire.

De plus, grâce à leur flotte de véhicules qui parcourent constamment des territoires locaux à l’échelle internationale, les entreprises logistiques sont dans une position unique pour collecter des informations au niveau local. DHL a mis en place un service d’intelligence environnementale, en équipant ses camions d’un ensemble de capteurs permettant de produire des données sur la qualité de l’air (niveaux d’ozone, C02, température, humidité) et sur la densité du trafic, l’utilisation des parkings ou encore la pollution sonore. Ces données précieuses sont ensuite monétisées auprès d’agences gouvernementales qui les utilisent par exemple pour organiser la maintenance des routes ou surveiller l’isolation de certains bâtiments.

Synthèse : les 7 innovations Big Data pour les fournisseurs de Logistique

7 impacts du Big Data pour le secteur Logistique
 

Vous travaillez dans les transports ou la logistique ? Votre entreprise s’intéresse au Big Data ?

Contactez-nous pour des études personnalisées

Pour en savoir plus :

Télécharger le livre blanc – CSI Study : BIG DATA IN LOGISTICS – A DHL pespective on how to move beyond the Hype (PDF Eng 7,3Mo) 

Enter your email address to download Livre Blanc - Big Data & Logistics


 
si le lien ne fonctionne pas, vous pouvez accéder au fichier ici
 

Voir nos autres zooms sectoriels :

 

Partagez l’article


 

Inscrivez-vous à la Newsletter Data-Business.fr


 

email