La plupart des cha\u00eenes d’approvisionnement sont planifi\u00e9es sur la base de moyennes et d’hypoth\u00e8ses, alors que la r\u00e9alit\u00e9 op\u00e9rationnelle est caract\u00e9ris\u00e9e par des chocs, des pics et des ruptures structurelles. Ce dont les entreprises ont besoin, c’est d’un moyen de r\u00e9p\u00e9ter ces futurs avant qu’ils ne se produisent, en utilisant un mod\u00e8le num\u00e9rique de cha\u00eene d’approvisionnement qui absorbe des donn\u00e9es r\u00e9elles, g\u00e9n\u00e8re des sc\u00e9narios cr\u00e9dibles et montre comment les perturbations se propagent et ce qu’elles co\u00fbtent. Chez Logistics Concepts, nous nous concentrons sur des configurations pratiques de r\u00e9p\u00e9tition num\u00e9rique qui relient l’architecture, les entr\u00e9es de donn\u00e9es, les graphiques de causalit\u00e9 bas\u00e9s sur l’IA et les moteurs de sc\u00e9narios aux indicateurs cl\u00e9s de performance utilis\u00e9s par les dirigeants. L’objectif est de transformer l’incertitude en une exp\u00e9rience contr\u00f4l\u00e9e afin que les organisations puissent choisir des strat\u00e9gies de r\u00e9seau, de capacit\u00e9 et d’inventaire bas\u00e9es sur des preuves plut\u00f4t que sur l’intuition. <\/p>\n
La r\u00e9p\u00e9tition num\u00e9rique agit comme une repr\u00e9sentation virtuelle de la cha\u00eene d’approvisionnement de bout en bout qui peut \u00eatre mise \u00e0 l’\u00e9preuve, reconfigur\u00e9e et mesur\u00e9e avant que des engagements en termes de capital ou de capacit\u00e9 ne soient pris. Il combine l’intelligence artificielle, les graphiques de causalit\u00e9 et la g\u00e9n\u00e9ration de sc\u00e9narios pour montrer comment l’incertitude affecte l’approvisionnement, la logistique, la production et les ventes. <\/p>\n
Le c\u0153ur de cette architecture est un moteur de simulation connect\u00e9 \u00e0 des pipelines de donn\u00e9es et \u00e0 des modules d’optimisation. Le moteur ing\u00e8re des informations historiques et en temps quasi r\u00e9el, reconstruit le r\u00e9seau de sites, de voies et de flux, et ex\u00e9cute des simulations de s\u00e9ries temporelles pour tester des futurs alternatifs. Cela cr\u00e9e un mod\u00e8le vivant qui refl\u00e8te les contraintes structurelles et les mod\u00e8les de comportement. <\/p>\n
La r\u00e9p\u00e9tition num\u00e9rique de la cha\u00eene d’approvisionnement de Fujitsu suit cette structure : elle mod\u00e9lise l’ensemble de la cha\u00eene comme un r\u00e9seau, effectue une analyse d’impact par sc\u00e9nario et \u00e9value les mesures d’am\u00e9lioration dans les domaines du co\u00fbt, du service, de l’inventaire et de l’environnement.<\/p>\n
Une installation de r\u00e9p\u00e9tition num\u00e9rique robuste se compose g\u00e9n\u00e9ralement de quatre couches con\u00e7ues pour \u00e9voluer avec le r\u00e9seau, le portefeuille de produits et le profil de risque.<\/p>\n
Les travaux de recherche de Fujitsu montrent comment un noyau de simulation propri\u00e9taire enrichi d’une expertise dans le domaine peut orchestrer l’analyse d’impact et d\u00e9river des mesures d’am\u00e9lioration \u00e0 partir d’un grand nombre d’options.<\/p>\n
La s\u00e9lection des donn\u00e9es doit \u00eatre consid\u00e9r\u00e9e comme une \u00e9tape de la conception. La qualit\u00e9 de toute r\u00e9p\u00e9tition num\u00e9rique d\u00e9pend de la mani\u00e8re dont elle capture les informations structurelles et les facteurs de volatilit\u00e9. <\/p>\n
En interne, le mod\u00e8le n\u00e9cessite des donn\u00e9es de base sur les lieux, les fournisseurs, les clients, les produits, les modes de transport et les conditions contractuelles, ainsi que des historiques transactionnels sur les commandes, les exp\u00e9ditions, la production et les stocks.<\/p>\n
Sur le plan externe, il b\u00e9n\u00e9ficie des indicateurs macro\u00e9conomiques, des prix des mati\u00e8res premi\u00e8res, des indices de fret, des donn\u00e9es m\u00e9t\u00e9orologiques et des signaux de risque g\u00e9opolitique. Dans le cadre de l’essai Fujitsu sur le canal de Suez, les informations publiques sur les flux maritimes et les perturbations pass\u00e9es ont \u00e9t\u00e9 combin\u00e9es aux donn\u00e9es de l’entreprise pour reproduire les pics de taux de fret et les contraintes de capacit\u00e9. <\/p>\n
Les mod\u00e8les de r\u00e9p\u00e9tition num\u00e9rique soutiennent la gestion de l’incertitude en int\u00e9grant des graphiques de causalit\u00e9 pilot\u00e9s par l’IA. Ces graphiques montrent les interd\u00e9pendances entre les n\u0153uds, les flux et les politiques, ce qui permet aux utilisateurs de comprendre comment les perturbations se r\u00e9percutent sur la cha\u00eene d’approvisionnement. <\/p>\n
Les algorithmes d’IA d\u00e9duisent des relations de cause \u00e0 effet \u00e0 partir des donn\u00e9es, r\u00e9v\u00e9lant des facteurs interm\u00e9diaires qui \u00e9chappent souvent \u00e0 l’analyse manuelle. Dans la recherche de Fujitsu, le syst\u00e8me a d\u00e9tect\u00e9 qu’une fermeture du canal de Suez entra\u00eenerait des d\u00e9tours, des temps de transit plus longs, des p\u00e9nuries de navires et une r\u00e9duction des stocks de mati\u00e8res premi\u00e8res. <\/p>\n
La structure causale \u00e9volue au fil du temps. Un recyclage p\u00e9riodique et une r\u00e9vision par des experts garantissent que le graphique refl\u00e8te les nouveaux fournisseurs, les r\u00e8gles d’acheminement ou les strat\u00e9gies de service. <\/p>\n
Une fois les relations de cause \u00e0 effet cartographi\u00e9es, le mod\u00e8le peut transformer les descriptions qualitatives des risques en sc\u00e9narios quantitatifs. Il g\u00e9n\u00e8re des trajectoires alternatives pour les variables cl\u00e9s et simule leur \u00e9volution dans le temps. <\/p>\n
Dans l’exemple du canal de Suez, des sc\u00e9narios avec diff\u00e9rents niveaux de d\u00e9tournement et de contraintes de capacit\u00e9 ont \u00e9t\u00e9 \u00e9labor\u00e9s pour pr\u00e9voir les changements dans les taux de fret et les positions d’inventaire.<\/p>\n
La recherche sur les jumeaux num\u00e9riques montre que l’int\u00e9gration de l’IA dans les mod\u00e8les de r\u00e9p\u00e9tition peut faciliter l’ex\u00e9cution et la planification du travail, renfor\u00e7ant ainsi la valeur op\u00e9rationnelle de l’exploration de sc\u00e9narios.<\/p>\n
Les indicateurs cl\u00e9s de performance relient la r\u00e9p\u00e9tition num\u00e9rique \u00e0 la prise de d\u00e9cision de l’ex\u00e9cutif. Le mod\u00e8le doit calculer les indicateurs de mani\u00e8re coh\u00e9rente pour tous les sc\u00e9narios afin que les compromis soient clairs et comparables. <\/p>\n
Les indicateurs cl\u00e9s de performance comprennent g\u00e9n\u00e9ralement le co\u00fbt total au d\u00e9barquement, le niveau de service, le d\u00e9lai de livraison, les niveaux de stock et l’impact sur l’environnement. Dans le cas de Fujitsu, les mesures d’am\u00e9lioration telles que l’\u00e9largissement des sources d’approvisionnement, le changement de mode, la r\u00e9vision de la strat\u00e9gie d’inventaire ou la consolidation des sites ont \u00e9t\u00e9 \u00e9valu\u00e9es simultan\u00e9ment par rapport \u00e0 ces indicateurs. <\/p>\n
Les syst\u00e8mes modernes peuvent d\u00e9river automatiquement des mesures d’am\u00e9lioration, simuler leurs effets dans le cadre de plusieurs sc\u00e9narios et classer les options \u00e0 l’aide d’une logique multicrit\u00e8res.<\/p>\n
La r\u00e9p\u00e9tition de la cha\u00eene d’approvisionnement num\u00e9rique est une capacit\u00e9 \u00e0 long terme, et non le d\u00e9ploiement d’un seul outil. Elle n\u00e9cessite un d\u00e9ploiement structur\u00e9, une gestion des donn\u00e9es, une validation, une gouvernance et une gestion du changement. <\/p>\n
Une approche progressive commence g\u00e9n\u00e9ralement par les syst\u00e8mes transactionnels de base avant d’ajouter des analyses avanc\u00e9es, des moteurs de sc\u00e9narios d’IA et des int\u00e9grations de l’Internet des objets pour les donn\u00e9es de s\u00e9ries temporelles.<\/p>\n
Cette mise en place progressive r\u00e9duit les risques, favorise la validation et permet aux \u00e9quipes de s’adapter au fur et \u00e0 mesure de l’expansion du syst\u00e8me.<\/p>\n
Le d\u00e9veloppement par Fujitsu de Supply Chain Digital Rehearsal pour la planification \u00e0 moyen et long terme illustre cette logique : la plateforme mod\u00e9lise le r\u00e9seau, puis superpose aux syst\u00e8mes existants des graphiques de causalit\u00e9 pilot\u00e9s par l’IA et des pr\u00e9visions de sc\u00e9narios.<\/p>\n
Les domaines de donn\u00e9es doivent \u00eatre cartographi\u00e9s d\u00e8s le d\u00e9but, notamment les commandes, les exp\u00e9ditions, les stocks, les plans de production, les capacit\u00e9s des fournisseurs, les d\u00e9lais d’ex\u00e9cution, les tarifs et les indicateurs externes. Certains ensembles de donn\u00e9es n\u00e9cessitent des mises \u00e0 jour en temps quasi r\u00e9el, tandis que d’autres peuvent \u00eatre charg\u00e9s par lots. <\/p>\n
Les outils comprennent g\u00e9n\u00e9ralement l’int\u00e9gration et le stockage des donn\u00e9es, un environnement d’analyse et d’intelligence artificielle, et une interface d’application permettant aux planificateurs de configurer des sc\u00e9narios et d’examiner les indicateurs cl\u00e9s de performance et les mesures.<\/p>\n
Un cadre solide de gouvernance des donn\u00e9es est essentiel pour garantir la coh\u00e9rence et la qualit\u00e9 des donn\u00e9es dans l’ensemble des syst\u00e8mes.<\/p>\n
La validation doit comprendre \u00e0 la fois des v\u00e9rifications de donn\u00e9es et des tests de comportement. Dans le cadre du projet pilote sur le canal de Suez, les pr\u00e9visions ont \u00e9t\u00e9 compar\u00e9es \u00e0 des crises ant\u00e9rieures afin de confirmer que le mod\u00e8le reproduisait des pics de taux de fret typiques. <\/p>\n
Les tests r\u00e9trospectifs permettent de confirmer que les actions recommand\u00e9es, telles que les itin\u00e9raires alternatifs ou la diversification des achats, sont r\u00e9alistes et rentables.<\/p>\n
La gestion du changement soutient la pr\u00e9paration de l’organisation, la formation des planificateurs et l’engagement des parties prenantes. Les \u00e9quipes doivent comprendre comment interpr\u00e9ter les cha\u00eenes de causalit\u00e9, les pr\u00e9visions et les mesures g\u00e9n\u00e9r\u00e9es par l’IA. <\/p>\n
Les technologies telles que l’intelligence artificielle et la blockchain peuvent am\u00e9liorer la gouvernance en soutenant les d\u00e9cisions fond\u00e9es sur les donn\u00e9es et en am\u00e9liorant la tra\u00e7abilit\u00e9 lorsque des changements structurels sont mis en \u0153uvre.<\/p>\n
L’\u00e9valuation des plateformes num\u00e9riques de r\u00e9p\u00e9tition commence par la compr\u00e9hension de l’exposition aux chocs g\u00e9opolitiques, aux perturbations logistiques et \u00e0 la volatilit\u00e9 des march\u00e9s de fret. L’objectif est de choisir une solution et un partenaire capables de quantifier l’incertitude et de soutenir une prise de d\u00e9cision disciplin\u00e9e. <\/p>\n
L’\u00e9valuation des fournisseurs doit se concentrer sur les capacit\u00e9s, le traitement des donn\u00e9es et le mod\u00e8le d’exploitation.<\/p>\n
L’\u00e9valuation \u00e9conomique doit \u00e9tablir un lien entre le co\u00fbt total de la propri\u00e9t\u00e9 et les avantages mesurables.<\/p>\n
M\u00eame les plateformes avanc\u00e9es ont des limites. Comprendre l’\u00e9volutivit\u00e9 et les contraintes permet d’\u00e9viter une d\u00e9pendance excessive \u00e0 l’\u00e9gard des r\u00e9sultats. <\/p>\n
Le projet pilote de fermeture du canal de Suez avec une grande entreprise alimentaire constitue un point de r\u00e9f\u00e9rence pour ce qu’une r\u00e9p\u00e9tition num\u00e9rique mature peut apporter.<\/p>\n
Le projet pilote montre comment un moteur de r\u00e9p\u00e9tition relie les \u00e9v\u00e9nements g\u00e9opolitiques aux march\u00e9s du fret, aux contraintes de capacit\u00e9 et aux risques li\u00e9s aux stocks.<\/p>\n
Plusieurs \u00e9tudes de cas permettent de tester le comportement d’une plateforme dans diff\u00e9rents types d’incertitude.<\/p>\n
La plupart des cha\u00eenes d’approvisionnement sont planifi\u00e9es sur la base de moyennes et d’hypoth\u00e8ses, alors que la r\u00e9alit\u00e9 est faite de chocs, de pics et de ruptures structurelles. Ce dont vous avez besoin, c’est d’un moyen de r\u00e9p\u00e9ter ces futurs avant qu’ils ne se produisent, en utilisant un mod\u00e8le num\u00e9rique de cha\u00eene d’approvisionnement capable d’absorber des donn\u00e9es r\u00e9elles, de g\u00e9n\u00e9rer des sc\u00e9narios cr\u00e9dibles et de vous montrer exactement comment les perturbations se propagent et ce qu’elles co\u00fbtent. Chez Logistics Concepts, nous nous concentrons sur des configurations de r\u00e9p\u00e9tition num\u00e9rique pratiques qui relient l’architecture, les entr\u00e9es de donn\u00e9es, les graphiques de causalit\u00e9 bas\u00e9s sur l’IA et les moteurs de sc\u00e9nario aux indicateurs de performance cl\u00e9s r\u00e9ellement utilis\u00e9s par les dirigeants. L’objectif est simple : transformer l’incertitude en une exp\u00e9rience contr\u00f4l\u00e9e afin que vous puissiez choisir des strat\u00e9gies de r\u00e9seau, de capacit\u00e9 et d’inventaire en vous basant sur des preuves plut\u00f4t que sur votre intuition. <\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"title-make":"","metadescription-make":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[85,71],"tags":[],"class_list":["post-8630","post","type-post","status-publish","format-standard","hentry","category-numerique-et-ia","category-ressources"],"_wp_attached_file":null,"_wp_attachment_metadata":null,"_wp_attachment_image_alt":null,"wpml_media_processed":null,"_imagify_optimization_level":null,"_imagify_status":null,"_imagify_data":null,"attachment_image_custom_link":null,"attachment_image_link_target":null,"blog_image_size":null,"_wp_attachment_backup_sizes":null,"_elementor_source_image_hash":null,"_wp_attachment_context":null,"_cli_cookie_type":null,"_cli_cookie_duration":null,"_cli_cookie_sensitivity":null,"_cli_cookie_slugid":null,"_itsec_dashboard_card":null,"_itsec_dashboard_card_size":null,"_itsec_dashboard_card_position":null,"_itsec_dashboard_card_settings":null,"_menu_item_type":null,"_menu_item_menu_item_parent":null,"_menu_item_object_id":null,"_menu_item_object":null,"_menu_item_target":null,"_menu_item_classes":null,"_menu_item_xfn":null,"_menu_item_url":null,"_menu_item_orphaned":null,"_wp_old_date":null,"qode_margin_after_title":null,"_wpb_vc_js_status":null,"qode_title-image":null,"_elementor_page_assets":null,"_elementor_element_cache":null,"qode_show-posts-per-page":null,"qode_choose-blog-category":null,"_oembed_040327a039655da1b96faa7659f0499f":null,"_wp_suggested_privacy_policy_content":null,"cmplz_document_status":null,"_yoast_wpseo_wordproof_timestamp":null,"slide_template":null,"_wp_desired_post_slug":null,"_qode-like":null,"qode_hide-featured-image":"no","qode_post_style_masonry_date_image":"full","qode_post_style_masonry_gallery":null,"gallery_type":null,"video_format_choose":null,"_yoast_wpseo_primary_category":71,"_pingme":"1","_encloseme":"1","mfn-post-love":null,"_links_to":null,"_links_to_target":null,"qode_testimonial-author":null,"qode_testimonial-text":null,"_form":null,"_mail":null,"_mail_2":null,"_messages":null,"_additional_settings":null,"_locale":null,"_hash":null,"_config_validation":null,"_wpcode_auto_insert":null,"_wpcode_auto_insert_number":null,"_wpcode_library_id":null,"wprss_url":null,"wprss_limit":null,"wprss_last_update":null,"wprss_last_update_items":null,"wprss_feed_is_updating":null,"wprss_site_url":null,"wprss_feed_image":null,"wprss_next_update":null,"wprss_items_imported":null,"rs_page_bg_color":null,"wprss_unique_titles":null,"wprss_enclosure":null,"wprss_import_source":null,"feed_request_useragent":null,"wprss_force_feed":null,"wprss_activate_feed":null,"wprss_pause_feed":null,"wprss_age_limit":null,"wprss_age_unit":null,"wprss_update_interval":null,"wprss_state":null,"wprss_update_time":null,"wprss_error_last_import":null,"wprss_item_date":null,"wprss_item_permalink":null,"wprss_item_enclosure":null,"wprss_item_enclosure_type":null,"wprss_item_source_name":null,"wprss_item_source_url":null,"wprss_item_author":null,"wprss_item_author_email":null,"wprss_item_author_link":null,"wprss_feed_id":null,"wprss_images":null,"wprss_best_image":null,"wprss_template_type":null,"_wp_old_slug":null,"_edit_lock":null,"_wpml_word_count":"3006","_wp_trash_meta_status":null,"_wp_trash_meta_time":null,"_elementor_edit_mode":null,"_elementor_template_type":null,"_elementor_version":null,"_elementor_pro_version":null,"_elementor_controls_usage":null,"_wp_page_template":"default","_elementor_data":null,"_wpml_location_migration_done":null,"_top_nav_excluded":"","_cms_nav_minihome":"","_last_translation_edit_mode":"translation-editor","_elementor_template_widget_type":null,"_elementor_popup_display_settings":null,"_elementor_page_settings":null,"_elementor_css":null,"_cmplz_scanned_post":null,"qode_show-sidebar":"default","qode_show-page-title":null,"_yoast_wpseo_title":"Cha\u00eene d'approvisionnement num\u00e9rique : Naviguer dans l'incertitude avec des mod\u00e8les d'IA","_yoast_wpseo_metadesc":"D\u00e9couvrez comment la r\u00e9p\u00e9tition num\u00e9rique de la cha\u00eene d'approvisionnement permet d'\u00e9laborer des strat\u00e9gies en cas d'incertitudes gr\u00e2ce \u00e0 l'IA, aux moteurs de sc\u00e9narios et \u00e0 la prise de d\u00e9cision fond\u00e9e sur les donn\u00e9es.","_yoast_wpseo_focuskw":"cha\u00eene d'approvisionnement num\u00e9rique","_thumbnail_id":null,"qode_page_background_image_fixed":null,"cmplz_hide_cookiebanner":null,"_wpml_media_duplicate":null,"_wpml_media_featured":null,"_yoast_wpseo_linkdex":null,"_yoast_wpseo_estimated-reading-time-minutes":null,"_dp_original":null,"burst_total_pageviews_count":null,"_edit_last":null,"qode_show-page-title-text":null,"qode_page_subtitle":null,"qode_page_title_position":null,"qode_title-height":null,"qode_separator_bellow_title":null,"_wpb_post_custom_layout":null,"qode_page_subtitle_color":null,"qode_page_text_above_title_color":null,"yoast_head":"\n