search.noResults

search.searching

note.createNoteMessage

search.noResults

search.searching

orderForm.title

orderForm.productCode
orderForm.description
orderForm.quantity
orderForm.itemPrice
orderForm.price
orderForm.totalPrice
orderForm.deliveryDetails.billingAddress
orderForm.deliveryDetails.deliveryAddress
orderForm.noItems
DOSSIER Transformation digitale


Valérie Perhirin, Vice-Présidente Capgemini France


en charge de l’AI et du Big Data


Dominique Rérat, Directeur Général de Vekia


Ces bouleversements impliquent une transforma- tion organisationnelle tout au long de la Supply Chain, et culturelle. « Les freins à dépasser sont nombreux à commencer par l’instauration d’une culture digitale, incluant des méthodes agiles et des progrès à petits pas », avertit Mikaël Pichavant, Associé Supply Chain et Digital, Mews Partners. Sans oublier d’être en mesure de s’arracher de trop rares data scientists, ainsi que de concevoir et instaurer de nouveaux business models qui se cachent derrière le potentiel de l’Internet des objets, de l’intelligence artifi cielle et du Big Data. Ainsi, l’augmentation exponentielle des capacités de calcul permettent une reconfi guration beau- coup plus fréquente des réseaux de distribution, en fonction des tendances de consommation. Mais il faut aussi pouvoir améliorer, voire corriger, un business model grâce aux nouvelles technologies. Stéphane Crosnier prend l’exemple de Nike : « Nike a développé un nouveau modèle pour plus toucher en direct le client fi nal via ses propres magasins et site Internet. Une absence de planifi cation adaptée avait fait doubler les invendus, obligeant à multi- plier les promotions. Depuis plus d’un an, nous travaillons avec Nike à la mise en place d’un sys- tème de planifi cation avancée sophistiqué, avec un algorithme auto-apprenant et utilisant de gros volumes de données (notamment issues des réseaux sociaux) pour réaliser ses prévisions. L’objectif est de ramener le taux de promotion au même niveau que les canaux de vente indirects ».


L’avènement des machines « L’intelligence artifi cielle, c’est faire adopter à la machine un comportement humain, qui raisonne, interprète, décide », affi rme Bertrand Braunschweig, Directeur du Centre de Recherche de l’Inria à Saclay, lors de la conférence du club de la presse informa- tique B2B. Dans ce domaine en profonde évolu-


Romain Codron, Fondateur de Shiptify


tion, le machine learning, algorithmes auto-appre- nants pour réaliser une analyse prédictive, séduit le monde de la Supply Chain. Plus la machine absorbe de données, plus elle affi ne son analyse. Dominique Rérat, DG de Vekia, éditeur de solutions de pilotage des stocks et des approvisionnements intégrant du machine learning, évoque ses clients But et Gale- ries Lafayette : « Notre outil ProVisia a été déployé dans les magasins But en 2016. L’outil est interfacé avec l’ERP d’où il reçoit les données de vente et les états de stocks et à qui il renvoie des proposi- tions de réassort. Il a permis à l’enseigne d’obte- nir un meilleur assortiment, de limiter les ruptures et le surstock et donc de limiter les démarques, de réduire le temps passé par les responsables à passer des commandes. Les chefs de rayon sont plus dis- ponibles pour animer la vente. Nous avons ajouté une fonction supplémentaire, de chaînage de pro- motion d’articles, qui permet de décliner et relier les opérations commerciales. ProVisia va entrer en production cette année chez Galeries Lafayette. Il va servir au cadrage budgétaire pour les achats du groupe, sachant qu’il compte 1 M de références actives et 2,5 M de références passées ou futures. Grâce au machine learning, notre outil est adaptatif et dynamique, en cas de lancement de produit ou de point de vente, et se met à jour automatiquement, analysant les nouvelles données en temps réel ». Il apparaît que le progrès technologique est qua- siment sans limites, hormis celles que l’éthique pourrait lui imposer, ce qui passe par l’autorégu- lation - qui exige de prendre du recul face aux sirènes du progrès - ou la régulation des autori- tés. Mais la technologie aura toujours un ou plu- sieurs coups d’avance, comme ces machines en deep learning capables d’analyser des centaines de milliers de coups ou de combinaisons par seconde face à un joueur de go ou d’échecs.  CHRISTINE CALAIS


TopChrono digitalise ses processus via T 40


opChrono, société de transport et de courses spécialiste du dernier kilomètre a décidé en septembre 2016, avec l’aide d’une société de


conseil, de réorganiser et digitaliser ses processus, et de fl uidifi er les fl ux d’information, afi n d’amé- liorer la qualité de service au client. Des plates- formes cloud ont été choisies. La plate-forme de gestion de la relation client Zendesk a été déployée en mai 2017 pour améliorer la qualité du suivi client. TopChrono gère ses actifs (véhicules, exploi- tation, maintenance, RH) depuis mi-mai 2017 sur la plate-forme de gestion de fl otte de véhicules et des actifs de Gac Technology. « Le plus long a été de convaincre les fournisseurs d’y venir, il a fallu


N°115  SUPPLY CHAIN MAGAZINE - JUIN 2017


bien montrer à chacun la valeur ajoutée qu’il pou- vait obtenir, explique Stanislas de Berc, Directeur du Développement de TopChrono. La solution offre une bonne visibilité sur les actifs et les opérations, et permet de traiter en temps réel les événements clients, pour une meilleure réactivité. » Au 2nd


semestre 2017, une autre solution en mode SaaS sera mise en place à destination des clients, pour simplifi er les commandes, le suivi et la factu- ration, avec une vision plus claire des tarifs. Et les dispatcheurs vont être aidés dans l’affectation des courses par un algorithme développé par un pres- tataire informatique pour l’entreprise. « Nous effec- tuons 4.000 courses par jour en Ile-de-France, et le


©SHIPTIFY


©VEKIA


©C.CALAIS


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44  |  Page 45  |  Page 46  |  Page 47  |  Page 48  |  Page 49  |  Page 50  |  Page 51  |  Page 52  |  Page 53  |  Page 54  |  Page 55  |  Page 56  |  Page 57  |  Page 58  |  Page 59  |  Page 60  |  Page 61  |  Page 62  |  Page 63  |  Page 64  |  Page 65  |  Page 66  |  Page 67  |  Page 68  |  Page 69  |  Page 70  |  Page 71  |  Page 72  |  Page 73  |  Page 74  |  Page 75  |  Page 76  |  Page 77  |  Page 78  |  Page 79  |  Page 80  |  Page 81  |  Page 82  |  Page 83  |  Page 84  |  Page 85  |  Page 86  |  Page 87  |  Page 88  |  Page 89  |  Page 90  |  Page 91  |  Page 92  |  Page 93  |  Page 94  |  Page 95  |  Page 96  |  Page 97  |  Page 98  |  Page 99  |  Page 100  |  Page 101  |  Page 102  |  Page 103  |  Page 104  |  Page 105  |  Page 106  |  Page 107  |  Page 108  |  Page 109  |  Page 110  |  Page 111  |  Page 112  |  Page 113  |  Page 114  |  Page 115  |  Page 116  |  Page 117  |  Page 118