Le point de vue d'expert : Transformer une décennie de données de la chaîne d'approvisionnement en décisions

Ouvrez une application de suivi d'expédition aujourd'hui, et le point est généralement là — ce qui n'est pas rien si vous vous souvenez à quel point le fret dépendait des appels de vérification, des ETA obsolètes et des meilleures estimations de quelqu'un. La visibilité en temps réel a fait son premier travail. Elle a trouvé le fret.

La question plus difficile commence juste après cela : que devriez-vous faire avec ce que vous pouvez maintenant voir ?

C'est là que mon équipe intervient.

Je m'appelle Cathy Slesnick et je suis Directrice de la Science des Données chez Tive. J'ai rejoint Tive en tant que première recrue en science des données en décembre 2021, ce qui signifie que j'ai eu le rare privilège de construire la fonction de données à partir de zéro. L'équipe, la pile technologique, l'infrastructure, la direction. Tout cela.

C'est là que l'histoire commence vraiment : non pas en se contentant de voir le fret, mais en le comprenant. Des années de données sur la chaîne d'approvisionnement, des modèles de réseau et beaucoup de travail en coulisses sont ce qui permet de transformer la visibilité en temps réel des expéditions en décisions sur lesquelles les gens peuvent agir.

Comment j'en suis arrivée là

Pour expliquer où nous en sommes maintenant, il est utile de commencer par le début — car quand je suis arrivée, presque rien de tout cela n'existait encore.

Entrer dans un magasin de bonbons

Je n'ai pas rejoint Tive par passion de toujours pour la logistique. Je l'ai rejoint parce que Tive ressemblait, pour une personne versée dans les données comme moi, à ce qu'un magasin de bonbons représente pour un enfant. C'était une entreprise avec des capteurs se déplaçant partout dans le monde, générant un flux énorme de données sur les expéditions, les conditions et les itinéraires, et presque aucune de ces données n'était pleinement utilisée.

Pour quelqu'un qui prend un réel plaisir à trouver des modèles dans les données (j'ai un doctorat en astrophysique, donc fixer d'énormes ensembles de données et attendre que quelque chose se révèle est un peu ma spécialité), c'était irrésistible.

Mettre en place la plomberie 

Avant de pouvoir faire quoi que ce soit d'ingénieux en science des données, il faut faire beaucoup de travail ingrat. Quand j'ai commencé, nous collections des informations brutes, mais il nous manquait la base sous-jacente pour réellement utiliser ces données afin d'obtenir des informations significatives. Ainsi, les premières années ont été consacrées au travail le moins passionnant mais le plus nécessaire qui soit : nettoyer, organiser et construire ce que nous appelons une couche de transformation des données.

En termes simples, cela signifie prendre toutes les données brutes provenant de nos capteurs et systèmes, les nettoyer, les assembler et les transformer en ensembles de données fiables sur lesquels on peut s'appuyer. C'est la plomberie à l'intérieur de la maison : on ne la voit jamais, mais rien ne fonctionne sans elle, et c'est la partie que la plupart des gens sous-estiment.

Ramper, marcher, courir

Dans mon esprit, la progression est : ramper, marcher, courir.

À mon arrivée, la vision des produits de données pour la chaîne d'approvisionnement était à peine esquissée. Mais une fois que notre actuelle vice-présidente des produits, Kyra, s'y est mise, les choses ont rapidement évolué. Le moment était propice : la croissance du matériel est limitée, tandis que les logiciels et les produits de données évoluent beaucoup plus vite, et les entreprises qui réussissent transforment leurs données en moteur de croissance.

Je dirige maintenant une équipe de 13 personnes réparties sur trois disciplines : la science des données, l'analyse de données et l'ingénierie des données, ainsi que des partenaires d'analyse intégrés à l'ensemble de l'entreprise. L'équipe est répartie géographiquement, avec la science des données à Boston, l'analyse entre Boston et le Kosovo, l'ingénierie distribuée, et l'assurance qualité au Canada.

Avec cette équipe en place et les données propres, nous pouvons désormais consacrer notre temps à extraire des informations pertinentes et à développer des produits au lieu de nous débattre avec les fondamentaux.

Ce que nous observons actuellement : les gens veulent du contexte, pas seulement des montagnes de données 

Une fois que le travail de « ramper, marcher, courir » est terminé et que les données se comportent enfin comme prévu, la conversation change presque immédiatement. Les équipes cessent de demander des informations brutes et commencent à demander des informations exploitables. À mesure que les données de la chaîne d'approvisionnement mûrissent, l'accent n'est plus mis sur la visibilité pour elle-même, mais sur l'aide à la décision pour les prochaines étapes.

Commencez par celui-ci

La plupart des équipes de fret, cependant, ne fonctionnent pas de cette manière. Elles commencent la journée avec des alertes arrivées pendant leur sommeil, des traceurs qui se sont arrêtés à un endroit inopportun, des relevés de température qui ont juste assez bougé pour agacer tout le monde, et une carte pleine de points qui semblent tous aussi urgents jusqu'à ce que l'un d'eux devienne coûteux.

C'est la première tendance que je continue d'observer : l'appétit pour les données brutes de la chaîne d'approvisionnement a diminué, tandis que l'appétit pour les informations exploitables a explosé. Les équipes veulent que le système évalue la situation. Elles veulent qu'il dise : « Commencez par ce chargement, puis examinez ce transporteur, et ne perdez pas votre matinée avec les huit autres alertes, à moins que quelque chose ne change. »

Le « normal » est devenu le plus difficile

Une expédition ne semble étrange qu'une fois que l'on sait ce que signifie « étrange », ce qui semble évident jusqu'à ce que l'on essaie de construire le système qui le sous-tend.

Un camion qui quitte son itinéraire prévu peut signifier que le chauffeur connaît une meilleure route locale. Cela peut aussi signifier que le chargement est entré dans un schéma de vol. La différence dépend du contexte : la voie, la marchandise, le couloir, l'historique des arrêts, l'heure de la journée, et les milliers de trajets sans incident qui ont appris au système à quoi ressemble généralement la normalité.

Alertes intelligentes de déviation d'itinéraire ont été créées pour combattre précisément ce problème. Le système doit comprendre les routes que les expéditions empruntent habituellement avant de pouvoir signaler la route qui mérite un examen plus approfondi.

Le réseau commence à combler les lacunes

Une fois que le système comprend les mouvements normaux, il peut commencer à déduire les informations que les clients ne saisissent jamais dans un formulaire. Les données de référence sont d'une importance capitale pour cette raison. Bien sûr, j'adorerais un monde où chaque client étiquette soigneusement chaque expédition pour nous, mais ce monde n'existe pas.

Prenons l'exemple des baies. Un client peut ne jamais nous dire que le camion transporte des fraises. Cependant, l'expédition peut toujours se déplacer comme un chargement de baies, se comporter comme un chargement de baies et ressembler aux schémas d'alerte que nous observons pour d'autres chargements de baies. À partir de là, le système peut recommander une configuration d'alerte plus intelligente sans demander au client d'en construire une de toutes pièces.

La confiance doit être intégrée à ce type d'intelligence dès le départ. Nous regroupons les points d'extrémité, excluons les arrêts ponctuels privés des limites d'itinéraire et utilisons le modèle de réseau plutôt que l'empreinte privée du client. L'intelligence collective devrait rendre chaque expédition plus intelligente sans que personne n'ait l'impression que le réseau a commencé à jeter un œil par-dessus la clôture.

Le véritable besoin est un avertissement plus précoce

Une fois que les clients se sont habitués à la priorité, au contexte et à des alertes plus claires, ils posent la question que tout le monde a toujours voulu poser : pouvez-vous me dire que quelque chose ne va pas avant que le problème ne devienne coûteux ?

On voit cette demande partout. Quels ports retiennent le fret pendant trois jours si souvent que les équipes devraient en tenir compte dans leur planification ? Quels transporteurs déclenchent constamment la même alerte ? Quelles routes créent des problèmes de réfrigération, vol de fret un risque, ou des retards récurrents qui semblent aléatoires pour une seule expédition mais évidents à l'échelle du réseau ?

L'alerte de réfrigération que nous venons de déployer correspond à ce schéma. Les clients se demandaient auparavant si un chauffeur avait activé l'unité lorsque la cargaison nécessitait une protection. Maintenant, ils peuvent le voir, le prouver et tenir la bonne partie responsable en cas d'échec d'une expédition — le même enregistrement qui signale le problème sur le moment devient la preuve qui détermine qui doit quoi plus tard, et la leçon qui indique à la prochaine expédition où chercher en premier. 

Les données de la chaîne d'approvisionnement commencent à prouver leur valeur à ce stade. Le fret d'hier apprend au système d'aujourd'hui où chercher en premier.

Le meilleur aspect du travail : Avoir une vue d'ensemble

Je terminerai par ce que j'aime le plus dans ce travail. Quand les gens me demandent ce qui me motive, ces cinq choses sont la réponse honnête :

• Une vision globale sur tout : Parce que mon équipe gère l'entrepôt de données, pratiquement toutes les données Tive passent par nous — des relevés de capteurs aux enregistrements d'expédition en passant par les commandes. Une équipe travaillant sur une seule partie ne peut pas voir comment ces éléments se connectent, et ce point de vue est ce que j'apprécie le plus dans ce travail.
• Le moment où un schéma apparaît : Vous vous souvenez de ces affiches "Magic Eye" qui ressemblaient à du bruit jusqu'à ce que votre concentration change et qu'une image apparaisse ? Un bon travail de données offre la même récompense : vous êtes face à une quantité écrasante d'informations, vous attendez, et un schéma qui était là depuis le début se révèle. Ce moment de reconnaissance ne lasse jamais.
• Traquer une anomalie jusqu'à sa source : Une partie du travail le plus gratifiant est un pur travail de détective. Un collègue a récemment remarqué que nous étions surfacturés par un fournisseur, et a continué à tirer le fil jusqu'à ce qu'il en trouve la cause profonde. Suivre un signal étrange jusqu'à sa source est vraiment gratifiant.
• Le construire de toutes pièces : En tant que première recrue de Tive dans le domaine des données, j'ai eu la rare opportunité de façonner cette fonction à partir de rien : embaucher chaque personne, choisir la pile technologique et définir l'orientation. Peu de gens ont la chance de construire ce qu'ils vont ensuite gérer.
• Transformer les données en décisions : C'est ce qui donne du sens au reste. Un schéma invisible au sein d'une seule expédition devient évident à l'échelle de l'ensemble du réseau — ce qui nous permet de donner au client une réponse claire au lieu d'un tas de données. Observer cela remodeler la façon dont quelqu'un gère sa chaîne d'approvisionnement est la partie la plus gratifiante de tout.

Notre vision

Quand je repense à l'univers de possibilités que j'ai découvert en 2021, il est difficile d'exagérer l'ampleur du changement. Un flot de données sous-exploitées est devenu une base solide, et cette base est devenue une plateforme qui ne se contente pas de vous montrer où se trouve votre fret : elle vous dit quoi en faire. La prochaine décennie de cette industrie appartiendra à l'intelligence, pas seulement à la visibilité, et cet avenir se construit un modèle à la fois.

C'est précisément là que Tive se positionne. Nous sommes l'une des rares entreprises à associer suivi en temps réel matériel et logiciels de visibilité avec plus d'une décennie de données réseau. Nous transformons cette combinaison en une intelligence sur laquelle vous pouvez agir : un routage plus intelligent grâce aux alertes de déviation d'itinéraire intelligent, des signaux plus précoces concernant le vol et les risques, une prévoyance sur les endroits où les expéditions pourraient être bloquées, et des recommandations tirées du comportement d'un réseau entier.

Nous n'essayons pas d'être la seule entreprise à faire cela. Nous nous efforçons d'être les meilleurs.

Démarrez avec Tive dès aujourd'hui pour en savoir plus.