Grâce à la théorie des graphes et au Machine Learning, il est possible non seulement d’accroître la visibilité sur son réseau fournisseurs, de modéliser les flux entre les différents acteurs, mais également d’automatiser la détection de risques potentiels tout au long de la chaîne. Cela permettrait d’aider à la décision des responsables SC pour identifier les menaces, redéfinir les stratégies, gérer les imprévus et piloter les réseaux de fournisseurs en quelques clics.
Comme le définit le professeur Martin Christopher dans son ouvrage « Logistic and Supply Chain Management », la chaîne d’approvisionnement n’est pas tout à fait une chaîne mais plutôt « un réseau d’organisations connectées et interdépendantes travaillant ensemble et en coopération pour contrôler, gérer et améliorer le flux de matériaux et d’informations des fournisseurs aux utilisateurs finaux ». De fait, les organisations sont aujourd’hui liées avec d’autres partenaires : fournisseurs, sous-traitants, cotraitants, distributeurs…
Les interdépendances et les connexions sont de plus en plus nombreuses et complexes, du fait notamment de la mondialisation de l’économie et de la tendance à l’externalisation de certaines tâches. De fait, les réseaux fournisseurs sont flexibles, ouverts et hyper-connectés, ce qui conduit à fragiliser le système et fait évoluer les organisations dans des milieux turbulents. Dans certains industriels comme l’aéronautique, l’automobile ou le ferroviaire, le nombre d’acteurs distincts au sein d’une même chaîne d’approvisionnement peut monter à plusieurs dizaines de milliers, répartis sur plusieurs niveaux, selon le nombre d’intermédiaires avec le client final.
Pas de visibilité au-delà du rang 2
L’expérience terrain nous montre que les gestionnaires Supply Chain n’ont en règle générale qu’une vision extrêmement locale et confinée aux fournisseurs de premiers rangs. Difficile dans ces conditions d’anticiper les risques, de réagir rapidement et de minimiser les impacts car l’information de défaillance d’un fournisseur de rang supérieur à trois ne peut ne jamais être remontée au client final avant que des problématiques de stocks ou de livraisons n’apparaissent. Il existe pourtant un moyen d’obtenir une vision de l’ensemble du réseau fournisseurs, en incluant tous les acteurs et les flux ainsi que leur état, en faisant appel à des méthodes et outils mathématiques. Il s’agit pour cela de comprendre et formaliser le réseau fournisseurs à l’aide de structures mathématiques qui vont le modéliser. Ce modèle pourra ensuite être manipulé et étudié en faisant appel à différents outils et théories.
L’aide de la théorie des graphes
Une des théories mathématiques dédiées à l’étude des réseaux est la théorie des graphes, qui sont des modèles simples de réseaux reliant des objets. Ces modèles sont constitués de points appelés sommets et de liens entre ces points appelés arêtes, et peuvent aussi être représentés sous forme de matrices binaires. Un réseau fournisseurs peut être représenté par un graphe auquel nous autorisons les arêtes multiples entre les sommets, ainsi qu’une notion de coloration des nœuds (différents types d’activités des entreprises) et des arêtes (différents types de flux). Ces graphes peuvent, à leur tour, être représentés par une généralisation des matrices binaires, appelés tenseurs. Le tenseur est l’élément d’entrée permettant à des fonctions basées sur des bibliothèques graphiques de le transformer en graphe, permettant une exploitation visuelle des données. Ainsi, nous sommes aujourd’hui en capacité de représenter tout ou partie d’un réseau fournisseur, l’approche proposée nous permettant de modéliser l’ensemble des activités des acteurs du réseau ainsi que les flux matériels et immatériels régissant la chaîne.
Déduire les liens sur le réseau
Pour construire ce graphe du réseau fournisseurs, nous exploitons les données provenant des ERP Client-Fournisseurs, qui sont de plus en plus connectés pour en déduire une base d’informations sur le réseau, consolidée par des phases d’audits classiques réalisées par des experts terrain. Un autre axe intéressant serait d’implémenter une approche inspirée du big data pour retrouver les liens entre les acteurs du réseau, à la manière des moteurs de suggestions sur les sites e-commerce. Certes, il y a encore de nombreuses limites liées notamment au bon vouloir des fournisseurs à s’ouvrir au reste du réseau, souvent sous couvert de problématiques de confiance. Cette représentation va permettre déjà de rendre compte de la complexité opérationnelle de gestion des réseaux d’approvisionnement, mais ce n’est qu’une première étape vers un meilleur pilotage bout en bout de la Supply Chain.
Automatiser la détection des risques
Comment détecter au plus tôt la défaillance potentielle d’un fournisseur, qui pourrait affecter tout ou une partie de son réseau ? D’un point de vue métier, il existe différentes typologies de menaces (climatiques, catastrophes naturelles, sociaux, géopolitiques, financiers, etc.) qu’il est très difficile de surveiller « manuellement », compte tenu du grand nombre d’acteurs de la Supply Chain : le nombre de données à observer, sur un nombre de sources toujours croissant, est trop important et par conséquent très coûteux.
Une piste intéressante est d’automatiser la détection de risques potentiels, notamment en ce qui concerne les menaces climatiques et de catastrophes naturelles. Le Machine Learning (ML) paraît très approprié : en récupérant des données non structurées disponibles sur le web, les préparer, puis les passer au travers de modèles spécifiques pour les classer en catégories de risques. Si cette approche donne bien le résultat escompté, alors nous pouvons passer aux autres types de risques en créant des modèles spécifiques par typologie.
Articles connexes
