L’analyse et l’optimisation des opérations de transport intègre une composante géographique prépondérante :

- Le coût du transport varie selon les pays en particulier en fonction du salaire des chauffeurs et du coût du gazole qui varient selon les pays européens, or ces coûts représentent plus de 50% du coût de revient du transport,
- Les déséquilibres de flux de zone à zone induisent un déséquilibre du prix : le coût sera plus important sur le courant majeur, les transporteurs anticipant la difficulté à trouver du fret sur le courant le plus faible,
- La nature nationale ou internationale des transports qui, selon la règlementation du cabotage routier de marchandise, autorise ou non l’utilisation de transporteurs étrangers.

Or les solutions de Business Intelligence du marché n’intègrent pas cette dimension géographique et présentent de ce fait des limites pour l’analyse des opérations de transport.

Principes de la Business Intelligence Géographique appliquée au transport

Ce concept innovant de Business Intelligence Géographique appliquée au transport se traduit par :

• Des fonctionnalités particulières de sélection des flux, intégrant cette composante géographique,
• Des fonctions d’analyses multicritères classiques de BI (Business Intelligence), mais accompagnées de fonctions de géocodage et de visualisation cartographique,
• Des fonctions de simulation et d’optimisation complétées par des calculs d’itinéraires,
• La capacité d’identifier les zones de chalandises majeures dans une optique de détermination des courants de flux principaux.  

Les fonctions de sélection des flux ont les particularités suivantes : en plus d’une sélection par adresse (Pays, Département, Ville, Code postal, Voie, Numéro), les données peuvent être sélectionnées de façon cartographique, notamment en  choisissant les données dans un rayon de N kilomètres autour d’un point sélectionné sur une carte ou renseigné à partir de son adresse.

Lors de la recherche d’optimisations ou de résolution de problèmes, l’étape cruciale est l’analyse des données. En effet, l’analyse des données nécessite une approche ouverte consistant à prendre en compte un maximum de paramètres pouvant influer le critère que nous souhaitons optimiser, puis à procéder itérativement, généralement dans une démarche top-down pour comprendre l’influence des différents paramètres. Ainsi, plus un outil pourra intégrer de types de données et paramètres différents et plus il permettra de répondre à une diversité de types d’études et d’analyses.

Des fonctionnalités complémentaires de simulation peuvent être intégrées à ce type d’outil, permettant d’évaluer d’autres modes de transport (FTL-Full Truck Load versus LTL-Less Than Truckload) ou des opportunités d’optimisation (appairage de flux  en aller-simple pour constituer une boucle).

Au-delà des fonctions de simulation où c’est l’utilisateur qui sélectionne le scénario qu’il souhaite évaluer, des fonctions d’optimisation peuvent également être intégrées, en s’appuyant sur des algorithmes de recherche opérationnelle, permettant de rechercher les meilleures opportunités d’optimisation. Cependant, ce type de solution risque de buter sur divers écueils : la qualité des données en entrée, les limitations potentielles liées aux hypothèses de modélisation, la réticence des utilisateurs. Compte-tenu de ces contraintes, je préconise l’intégration de fonctionnalités permettant de facilement visualiser et analyser les résultats de l’optimisation et, dans un premier temps, de limiter l’accès à ces fonctionnalités aux seuls utilisateurs experts capables d’une analyse critique de ce types de fonctions.

Les apports de la BI Géographique

Un premier apport est de permettre au plus grand nombre de visualiser les opérations : la visualisation et l’analyse des opérations passées permettent de comprendre pour mieux piloter les opérations.

Par ailleurs, ces fonctions de visualisation peuvent aussi être appliquées au Plan de Transport, permettant ainsi de partager ce référentiel entre les différents acteurs qui l’utilisent pour l’élaboration de solutions contextuelles.

Le second apport est d’identifier et d’évaluer des pistes d’optimisation du transport :

• L’identification des régularités de flux pérennes, permettant d’activer des leviers achats,
• L’analyse des courants de flux de zone à zone, les déséquilibres mis en évidence étant les points durs à travailler en priorité
• La recherche de boucles, les transports achetés en aller-retour étant généralement plus économiques,
• L’analyse détaillée des coûts de transport pour l’établissement d’un modèle de coût et l’identification des écarts à la norme
• La simulation de solutions de transport alternatives

Mise en œuvre opérationnelle chez GEFCO

La mise en œuvre de ces principes et de certains de ces leviers d’optimisation ont pu être réalisés dans le cadre du programme TOSCA de transformation du Système d’Information de GEFCO, et s’est concrétisé au travers de la réalisation de l’outil OPTEAM.

L’optimisation des opérations de transport en Europe exige une connaissance des contraintes des clients et nécessite la collaboration entre les différentes entités exploitant ces opérations. Aussi, la mise en œuvre des optimisations permises par cet outil a nécessité la transformation de l’organisation de GEFCO au travers de la création de la fonction d’optimisateurs de flux.

Près d’un an après le déploiement de l’outil OPTEAM, un travail minutieux de détermination des voyages réguliers a eu lieu, ainsi que de multiples études de bouclage.

Le challenge que représentait la création d’une nouvelle organisation et la mise en œuvre de collaborations entre les optimisateurs de zones différentes dans une optique de recherche de boucles est en passe d’être gagné.

Au-delà des leviers d’optimisation du transport déjà possibles avec cet outil, de nouveaux enrichissements sont actuellement à l’étude pour renforcer encore la compétitivité de GEFCO en gagnant en performance économique et en étendant les offres faites aux clients.

Auteur : Thierry Bur

Le prochain billet de Thierry Bur aura pour thème : « Tracking Signal et qualité des prévisions ».