ISK : l’intelligence artificielle « anti-surstocks » de SNCF Voyageurs
Initié au début de l’année 2021, le projet ISK a pour objectif d’assister la prise de décision de la supply chain matériel de SNCF Voyageurs lors des achats de pièces détachées. Un usage de l’intelligence artificielle qui permet de limiter le risque de surstock dans les centres de maintenance.
Publié le
Par La Redaction
La tech au service du besoin métier
Pour créer cette intelligence artificielle au service des approvisionneurs, un travail collaboratif a été mis en place entre différentes équipes du groupe ferroviaire, à savoir la factory data d’ITNovem (filiale technologique de SNCF Holding), la Supply chain matériel et la DSI Matériel de SNCF Voyageurs.
Stockage de marchandises
Ce projet est une réponse à un besoin des métiers sur la gestion des stocks, à savoir posséder suffisamment de pièces de rechange pour permettre une mise à disposition rapide en centre de maintenance, sans tomber dans le surstockage, qui engendre de l’immobilisation financière. L’objectif de ce projet est donc d’aider les approvisionneurs à trouver le bon équilibre entre un niveau de stocks suffisant et un besoin avéré en pièces détachées.
Stockage de marchandises
La supply chain matériel c'est :
150K
références d’articles au catalogue
60K
livraisons par mois
+100M
d’euros de stock
Du PoC à l’industrialisation
Lors du PoC début 2021, la première étape du projet ISK a consisté à identifier et analyser les causes (ou les inducteurs) du surstock ainsi que Les liens statistiques entre le surstock et différents facteurs.
Nous en avons identifié de nombreux : par exemple, le montant des ordres d’achat, une erreur de prévision des besoins, criticité de la pièce, le nombre d’ordre achat pour cette pièce sur les 12 dernier mois… Puis, nous avons catégorisé les risques de surstock en trois niveaux différents de non-critique à critique. Nous avons pris toutes les bases de données de la supply chain matériel liées aux achats pour construire un modèle d’intelligence artificielle, qui permet, grâce à cet historique, de construire des prévisions pour le futur.
L’approche choisie est d’utiliser un algorithme de classification, afin de catégoriser le risque de surstock.
Nous avons donc développé un modèle de machine learning supervisé, basé sur des arbres de décisions.
Ainsi, un approvisionneur pourra avoir une idée du risque qu’il prend en recevant un drapeau vert, orange, ou rouge au moment de la validation de l’ordre d’achat.
Dans la phase préliminaire, des estimations de ROI théorique ont été effectuées :
7
fois moins de coûts de surstock
-30 %
d’alertes à traiter
Ces chiffres encourageants ont donc permis à l’outil d’entrer en phase d’industrialisation et d’être utilisé par les approvisionneurs de la supply chain matériel dès mars 2022.
Gestion des stocks
Au moment de l’industrialisation de l’outil ISK, l’un des grands enjeux était de faire en sorte que les approvisionneurs aient confiance en l’outil. « Pour ce faire, nous avons créé, autour de l’outil, une brique d’explicabilité. Il s’agit donc de donner à l’utilisateur les raisons pour lesquelles l’algorithme a choisi telle catégorie de risque. C’est un outil d’aide à la décision, donc l’approvisionneur a le choix d’appliquer ou non la recommandation de l’intelligence artificielle. », a précisé Thomas Mensch. L’outil ISK a été intégré dans les logiciels de gestion de la supply chain matériel, ce qui a également facilité l’appropriation de l’outil par les métiers.
Gestion des stocks
Les clés du succès de ce projet sont un travail collaboratif, un besoin du métier clairement exprimé et aussi une donnée utilisée disponible et de bonne qualité.
