L'IA et le machine learning pour booster l'efficience de la livraison du dernier kilomètre

En 2025, l'Intelligence Artificielle (IA ou AI), et notamment les sous-domaines que sont le Machine Learning (ML) ou l'IA Générative (Gen AI), continuera de jouer un rôle déterminant dans la transformation des chaînes logistiques, particulièrement dans la gestion du dernier kilomètre. L'IA ne se contente plus d'optimiser les routes ou d'améliorer la gestion des stocks, elle transforme de manière radicale la façon dont les entreprises approchent la logistique du dernier kilomètre. Des technologies de pointe qui s'appuient sur l'IA comme les drones, les robots, les véhicules autonomes permettent de répondre à des attentes toujours plus grandes en matière de rapidité ou de flexibilité.
LE KPI
46,6% : c'est le taux de croissance annuel du marché de l'IA dans la logistique (AI in Logistics Global Market Report 2024).
LE CAS CONCRET
Zalando s'appuie sur l'IA pour simplifier ses flux retours Avec un tiers des retours liés à un problème de taille, Zalando mise sur l'IA pour optimiser ses recommandations de «sizing» et mieux guider ses clients dans leur expérience d'achat en ligne. Grâce à la mise en place de cette technologie, le pure player allemand diminue de 10% ses retours.
Logistique prédictive basée sur l'IA et l'IoT
L'Internet des objets (IoT) couplé à l'IA permet de collecter en temps réel des données provenant de capteurs intégrés aux véhicules, entrepôts et équipements de manutention. Cette infrastructure connectée offre une visibilité en temps réel sur l'état des livraisons, le suivi des conditions de stockage, et permet de prédire avec précision les besoins en main-d'œuvre ou en ressources logistiques.
Par exemple, la maintenance prédictive, boostée par l'IA, permet de planifier des interventions avant qu'un véhicule ou une machine ne tombe en panne, réduisant ainsi les interruptions dans le flux logistique. Cette approche est déjà adoptée par des entreprises comme UPS, qui utilise des algorithmes prédictifs pour identifier les besoins de maintenance de sa flotte de véhicules.
Grâce à l'IA, les ETA (Estimated Time of Arrival) sont désormais calculés en temps réel en intégrant des facteurs dynamiques comme la circulation, les conditions météorologiques, et même les comportements historiques des conducteurs. Par exemple, des entreprises telles qu'Uber Eats utilisent des algorithmes avancés pour mettre à jour instantanément les prévisions d'arrivée, offrant ainsi aux clients une transparence accrue sur leurs livraisons. Cette précision dans le calcul des ETA contribue non seulement à améliorer la satisfaction client, mais permet aussi une gestion optimisée des ressources et une meilleure planification logistique.
L'AVIS DE L'EXPERT
"Tout bon approvisionnement nécessite une bonne prévision des ventes. C'est justement sur ce point que l'utilisation de l'IA résout une multitude de problèmes à la fois. Dans les approches statistiques classiques, un modèle répond à un besoin particulier, et les combiner est souvent un casse-tête. Par exemple, un modèle sera performant pour traiter la saisonnalité des ventes, tandis qu'un autre détectera à merveille les tendances. Aujourd'hui, le machine learning parvient à croiser une multitude d'informations pour anticiper les ventes: typologie du produit, périodes de vacances, données climatiques, données de nos clients etc... toute donnée disponible peut rapidement être intégrée à un modèle Machine Learning. L'IA répond également à la problématique des nouveaux produits, nos modèles étant capables de faire des prévisions avec très peu d'historique, en comparant la dynamique d'un produit avec celle d'autres produits ayant plus d'ancienneté.
Il va sans dire que nos modèles sont régulièrement réentraînés ou changés. Ceci afin d'éviter le data drift ou pour utiliser les modèles les plus adaptés suite aux avancées de la science sur le sujet. De plus, n'oublions pas que les métiers peuvent aussi avoir des intuitions ou informations qui ne peuvent pas être intégrées à nos modèles, et il est parfois avisé de passer le relais à l'humain pour les quelques cas qui échappent à la machine."
Maxime Blaevoet, Chef de projets Optimix
Livraison éco-responsable avec véhicules électriques et IA
En lien avec la montée des préoccupations environnementales, les flottes de véhicules électriques couplées à l'IA deviennent une norme dans les grandes villes. L'optimisation des itinéraires par IA permet d'économiser encore plus d'énergie, en calculant les routes qui minimisent l'utilisation de batteries, tout en prenant en compte la localisation des stations de recharge. Cette approche est déjà adoptée par des entreprises comme DHL, qui combine véhicules électriques et algorithmes d'optimisation pour réduire son empreinte carbone tout en maintenant des niveaux de service élevés.
"Aujourd'hui, l'IA dans la Supply Chain, et notamment le transport, n'est plus une option. L'IA a prouvé depuis déjà plusieurs années que, dans le domaine de l'optimisation d'itinéraires ou de tournées, un outil pouvait seconder l'être humain pour automatiser certaines tâches ou effectuer des calculs complexes en prenant en compte de gros volumes de données. Plus récemment, on voit l'IA émerger sur de nouveaux cas d'usage, au fur et à mesure du progrès de la puissance de calcul notamment. Chercher une solution embarquant des fonctionnalités boostées à l'IA est aujourd'hui une tendance naturelle pour de nombreux clients. Cependant il faut avoir en tête que les résultats obtenus par certaines formes d'IA (en particulier le Machine Learning) doivent être contrôlés pour en vérifier l'exactitude et qu'il existe bien un mécanisme pour ré-orienter les résultats des futures utilisations. Un autre aspect important réside dans la confidentialité des données utilisées par les systèmes d'IA: il est important de bien identifier ce que ces derniers exploitent et font de la donnée."
Fabien Girard, Responsable Innovation chez Woop
Utilisation des données en temps réel pour ajuster la demande
Avec l'IA, certaines entreprises utilisent des outils de demand forecasting qui permettent de mieux ajuster les besoins en ressources logistiques en temps réel. Des géants comme Walmart et Zara utilisent des algorithmes pour prédire les tendances des achats et ajuster les approvisionnements de manière proactive. Ces systèmes apprennent à partir des comportements d'achat passés et des données contextuelles comme la météo ou les événements sociaux pour optimiser les stocks, réduire les délais et éviter les surcharges logistiques.
Découvrez comment Woop peut vous accompagner pour transformer vos opérations logistiques et accélérer votre croissance. Demandez une démo de notre plateforme pour découvrir toutes ses fonctionnalités.
Inscrivez-vous à la newsletter Woop
Auteur

Team Woop
Lire son profilArticles liés
02/01/2023 3min de lecture
Intégrer un suivi de livraison simple pour vos équipes ?
14/04/2023 5min de lecture