Machine learning en supply chain : où ça marche
Le machine learning excelle sur la prévision, les anomalies ou les délais, et il échoue franchement ailleurs. Cette cartographie sépare les cas qui marchent des impasses, avec les conditions qui font tenir un projet en production.
L'essentiel
Le machine learning excelle sur la prévision, les anomalies ou les délais, et il échoue franchement ailleurs. Cette cartographie sépare les cas qui marchent des impasses, avec les conditions qui font tenir un projet en production.
Ce qu'est le machine learning, sans le survendre
Le machine learning est un ensemble de méthodes qui apprennent des schémas à partir de données, sans être programmées explicitement pour chaque cas. En supply chain, cela permet de repérer des relations que l'analyste ne verrait pas et de les appliquer à grande échelle. On lui prête tantôt une intelligence, tantôt des dons de voyance, alors qu'il s'agit d'un extracteur de régularités statistiques : puissant quand les régularités existent et que les données les contiennent, inutile ou trompeur dans le cas contraire. Bien comprendre cela évite les deux excès, l'emballement et le rejet.
Les cas où le machine learning excelle
Le machine learning donne les meilleurs résultats sur des problèmes où il y a beaucoup de données, des schémas stables et un signal exploitable : prévision de la demande sur des produits établis, détection d'anomalies dans les flux, estimation des délais de livraison, segmentation fine des références, prédiction de la qualité ou des pannes d'équipement. Sur ces cas, il surpasse régulièrement les règles manuelles, parce qu'il capture des interactions trop nombreuses pour être posées à la main. C'est là qu'il faut l'investir en priorité.
| Cas d'usage | Pertinence du ML |
|---|---|
| Prévision produits établis | Élevée |
| Détection d'anomalies | Élevée |
| Estimation des délais (ETA) | Élevée |
| Nouveaux produits sans historique | Faible |
| Événements inédits | Nulle |
Les cas où il échoue
Le machine learning échoue là où ses hypothèses ne tiennent pas. Sans données suffisantes, il n'apprend rien de fiable. Quand le monde change de régime, un modèle entraîné sur le passé se trompe sur le présent. Et sur les événements uniques, par définition absents de l'historique, il n'a rien à apprendre. Ces échecs relèvent de limites de principe, qu'aucun supplément de calcul ne viendra corriger. Les ignorer conduit à faire confiance au modèle précisément quand il ne faut pas, dans les situations rares et coûteuses.
Les conditions de succès
Un projet de machine learning réussit rarement grâce à l'algorithme, presque toujours grâce aux conditions autour. La qualité et la disponibilité des données comptent davantage que la sophistication du modèle : un modèle simple sur des données propres bat un modèle avancé sur des données sales. Il faut aussi un problème bien posé, une mesure de succès orientée métier (coûts évités, service) et non pure performance statistique, et l'adoption par les équipes. Un modèle que personne ne comprend ni n'utilise ne crée aucune valeur, quelle que soit sa précision.
De la prédiction à la décision, il reste un pas
Le machine learning produit des prédictions et des classements. Prévoir une rupture probable ne dit pas s'il faut sur-commander, changer de fournisseur ou assumer le risque : cet arbitrage dépend du coût de chaque option et du contexte du moment. D'où un conseil simple avant de lancer un projet : écrire noir sur blanc la décision que la prédiction doit servir, qui la prendra et parmi quelles options. Si personne ne sait répondre à ces trois questions, le modèle produira des chiffres que tout le monde regardera et que personne n'utilisera.
Cet article part d'une conviction : la prévision parfaite n'existe pas, ce qui compte c'est la décision d'après.
La fiche à retenir
- Ce qu'est le machine learning, sans le survendre
- Les cas où le machine learning excelle
- Les cas où il échoue
- Les conditions de succès
- De la prédiction à la décision, il reste un pas
Clevizio
Clevizio est la couche de décision qui se branche sur vos outils existants : elle détecte l'imprévu, simule vos options et garde la mémoire de chaque arbitrage. Découvrir comment fonctionne le copilote de décision.
Nelson Mukuze
CTO & CAIO, cofondateur de Clevizio
Une question sur vos imprévus ? Réservez 30 minutes avec moi pour estimer ce qu'ils vous coûtent vraiment, sans engagement.
Questions fréquentes
Où le machine learning est-il le plus utile en supply chain ?
Sur les problèmes riches en données et à schémas stables : prévision de produits établis, détection d'anomalies, estimation des délais, prédiction de pannes. Il y surpasse les règles manuelles en captant des interactions trop nombreuses pour être posées à la main.
Quand le machine learning échoue-t-il ?
Quand les données manquent, quand le monde change de régime, ou sur les événements inédits absents de l'historique. Ces limites tiennent au principe même de l'apprentissage, et davantage de calcul n'y change rien.
Qu'est-ce qui fait réussir un projet de machine learning ?
La qualité des données, un problème bien posé, une mesure de succès métier (coûts évités, service) et l'adoption par les équipes, davantage que la sophistication de l'algorithme. Un modèle simple sur données propres bat un modèle avancé sur données sales.
À lire aussi
Mettez enfin un chiffre sur ce que vos imprévus vous coûtent chaque année.
Commençons par estimer ce que vos imprévus vous coûtent réellement. C'est gratuit, ça prend 30 minutes, et vous repartez avec un chiffre que personne dans votre entreprise ne connaît aujourd'hui.