Stanley Black & Decker explique comment Lean AI transforme le travail qui sous-tend sa chaîne d’approvisionnement

Bonjour Ben, merci d'être là aujourd’hui pour évoquer la relation entre Stanley Black & Decker (SBD) et Robinson Managed Solutions (RMS). Je voudrais revenir environ six ans en arrière, fin 2020, début 2021. Pour revenir à la décision initiale de nouer un partenariat avec RMS, quels défis ou quelles opportunités commerciales vous ont amenés à repenser le fonctionnement de votre organisation logistique ?

Eh bien, Brian, historiquement, Black & Decker exploitait un réseau décentralisé, avec des activités pilotées au niveau des sites. SBD a pris la décision stratégique de passer à un modèle plus centralisé, soutenu par une tour de contrôle pour faciliter la gestion du réseau. L’objectif était d’améliorer rapidement notre conformité en matière de routage, d’accroître les possibilités de consolidation et de renforcer nos capacités afin de réduire certains coûts et d’éliminer du gaspillage dans notre chaîne d’approvisionnement.

Historiquement, quelles difficultés les données de commande incomplètes ou incohérentes vous ont-elles causées, à vous et à l’équipe SBD ? Chez Stanley Black & Decker, nous disposons de plus de 40 000 références uniques. Il est donc extrêmement difficile de garantir la qualité et la mise à jour des données de référence, en particulier lorsque l'on prend en compte l'ensemble des gammes de produits, des fournisseurs et des sites.

En moyenne, chaque mois, nous avions environ 2 000 commandes traitées manuellement pour lesquelles des données de référence étaient manquantes ou incomplètes à leur arrivée dans Navisphere. Traditionnellement, ces commandes ne pouvaient pas être traitées tant qu’un membre de l’équipe n’était pas intervenu dans le système pour les corriger. Et cela entraînait généralement un cycle beaucoup plus long pour ces commandes.

Certaines incohérences dans les commandes étaient intentionnelles. Nous avons rencontré des problèmes liés à l’arrondi des poids et à d’autres critères spécifiques. Et bon nombre des autres problèmes ne pouvaient tout simplement pas être détectés de manière proactive en amont, avant qu’une commande ne soit passée.

Voyons maintenant où nous en sommes aujourd’hui. Comment le Lean AI Planner intervient-il pour aider à corriger ces commandes, au lieu que l’un des membres de l’équipe ait à s’en charger ?

Lean AI Planner nous a grandement aidés. Il s’appuie sur son apprentissage contextuel et utilise nos règles métier, les attributs des produits, l’historique des comportements d’expédition, les exigences des fournisseurs et toutes sortes d’autres informations pour déterminer ce qui manque, puis il effectue la correction.

Des membres de l’équipe sont toujours là pour superviser les corrections, mais Lean AI Planner a pu intervenir immédiatement, en temps réel, et corriger de manière autonome toutes les commandes qui, auparavant, étaient mises en attente.

Cela permet de ramener le cycle à moins d’une minute par commande. Près de 90 % des éléments qui étaient jusque-là mis en attente ont été corrigés de manière proactive par Lean AI Planner. En résumé, ce processus a permis de faire gagner plus de 35 heures de travail sans valeur ajoutée par mois à nos planificateurs de chargement. Nous évoluons vers une chaîne d’approvisionnement capable de corriger les problèmes avant qu’ils n’entraînent des perturbations et des retards en aval. Et, ce faisant, nous éliminons une grande partie du gaspillage.

Lorsqu’on pense à l'évaluation traditionnelle de la chaîne d’approvisionnement, telle qu’elle se faisait autrefois, cela pouvait prendre des semaines, voire des mois, être partiel et ne pas couvrir l’ensemble de votre réseau. Pouvez-vous nous parler de ce à quoi ressemblait ce processus pour Stanley Black & Decker avant le déploiement de Lean AI Engineer ?

Avant Lean AI Engineer, nous avions des ingénieurs experts en charge de notre compte. Ils examinaient de grands volumes d’expéditions à la recherche de pistes d’amélioration et d’optimisation. Ce processus était ponctuel. Donc, dès que nous estimions qu'il y avait une opportunité, nous allions récupérer les données pour les analyser. Mais cette opération restait ponctuelle car elle représentait une charge de travail considérable.

Avec Lean AI Engineer, nous pouvons résoudre le problème d’extraction et d'examen manuels des données. Nous sommes également en mesure d’examiner en continu toutes les données de tous les sites. Nous réalisons exactement les mêmes types d'examen qu'autrefois, mais nous sommes désormais en mesure de le faire en temps réel. Cela permet à nos ingénieurs de vraiment se concentrer sur l’évaluation des résultats plutôt que sur leur production.

Nous sommes donc passés de plusieurs semaines, voire de plusieurs mois à quelques minutes, pour ensuite nous concentrer sur la concrétisation de ces possibilités et sur cette réduction des coûts ou ces économies. Tout à fait. Cela nous permet également d’examiner davantage d’informations et de possibilités, car le système est en mesure de les analyser en temps réel, et nous nous contentons d’y répondre.

Pourriez-vous nous donner un exemple d’enseignement ou d’opportunité que vous avez relevé grâce à Lean AI Engineer, en particulier pour les activités de Stanley ? Jusqu’à présent, Lean AI a identifié plusieurs nouvelles possibilités pour SBD. L’un des autres éléments importants, c’est qu’il a confirmé que les études manuelles précédentes étaient viables.

Un exemple du nouveau Lean AI Engineer : il s’agissait d’un type précis d’opportunité de regroupement que nous avions identifié chez un client et que nous avions traité manuellement. Mais on a pu prendre les données et les appliquer à l’ensemble de nos clients sans avoir à mener d’études distinctes ni à extraire des données séparément. Nous sommes en mesure d’utiliser ces informations pour mieux étayer les décisions commerciales en temps réel, et cela a vraiment généré beaucoup d’économies et éliminé du gaspillage.

Quel conseil donneriez-vous aux autres responsables de la chaîne d’approvisionnement qui explorent l’IA, mais ne savent pas vraiment par où commencer ? Pour nous, l’essentiel est de pouvoir compter sur un partenaire de pointe comme RMS. Ce que je leur recommanderais, c’est de travailler avec RMS pour trouver, au sein de leur entreprise, un cas d’usage précis qui les aidera à créer de la valeur.

S'ils parviennent à résoudre ce problème, qu'ils commencent par de petites touchent, qu'ils procèdent par itérations, qu'ils agissent rapidement, qu'ils acceptent que tout ne soit pas parfait, dans tous les cas, ils obtiendront alors un résultat concret. Une fois que vous aurez obtenu ce premier résultat, vous pourrez en partager des éléments concrets avec l’organisation et les parties prenantes, afin de ne pas seulement parler d’IA, mais de montrer concrètement la valeur qu’elle apporte à votre entreprise.

Ben, je tiens à vous remercier chaleureusement pour votre participation. J’apprécie toujours ces échanges. Nous sommes ravis de vous présenter une partie du travail que nous avons réalisé ensemble, et encore plus enthousiastes à l’idée de la suite. Merci.

Merci beaucoup, Brian, c’est un plaisir.