Pour garantir le bon fonctionnement de l'entrepôt, même pendant les pics de commandes saisonniers, de nombreuses entreprises se fient à des valeurs empiriques subjectives pour planifier leurs processus logistiques à l'avance. Cependant, pour faire des prévisions vraiment précises sur les charges de travail futures, les logisticiens doivent convertir ces expériences en données disponibles et utilisables à tout moment. Le groupe Ehrhardt + Partner Group (EPG) permet ce processus grâce à l'analyse prédictive. Les composants AI (intelligence artificielle) intégrés dans le système traitent toutes les données pertinentes de la chaîne d'approvisionnement, ce qui augmente continuellement la précision des prévisions. Cela rend les processus logistiques en réseau encore plus économiques et efficaces.
Une bonne planification préalable est indispensable en période de forte pression concurrentielle, de pénurie de ressources et de livraisons « just-in-time ». Dans la logistique quotidienne, par exemple, il est urgent de prévoir les besoins en ressources, la charge des commandes, la quantité de transports, le nombre de colis ou la durée de la préparation des commandes. Le concept d'analyse prédictive d'EPG aide les entreprises à faire des prévisions fiables pour l'avenir en analysant les données historiques. En collaboration avec son partenaire technologique IBM, EPG crée des modèles qui traitent les données logistiques pertinentes des systèmes clients. En outre, des facteurs externes, tels que les conditions météorologiques ou l'actualité, peuvent également être pris en compte dans les prévisions d'utilisation future de la capacité. Au fil des jours, la précision des prévisions ne cesse d'augmenter.
Comment fonctionne l'analyse prédictive dans la pratique ?
EPG a testé minutieusement diverses applications d'analyses prédictives, telles que la gestion prédictive des ressources chez Ehrhardt + BOMAG Logistics GmbH (EBL) à Boppard. L'entrepôt EBL contient plus de 50 000 pièces de rechange de différentes formes et dimensions pour les machines de construction BOMAG. Afin de permettre une planification globale, précise et fiable de toutes les ressources, la gestion des ressources existantes a été étendue par une composante prédictive. Avec l'aide d'IBM Watson Studio, EPG a créé un modèle d'auto-apprentissage des données de commande actuelles et passées. De plus, des données auparavant non structurées, comme les e-mails et les rapports, ont été intégrées à la prévision en tant que facteurs d'influence externes à l'aide du Discovery API. Le modèle de données créé permet à l'employé du poste de contrôle d'utiliser le tableau de bord de l'analyse prédictive comme assistant intelligent pour la planification prédictive des ressources. La précision des prédictions augmente au fur et à mesure de la synchronisation continue des données.
