majordome

About majordome

Posts by :

janvier 25 2024

Planification de la demande en Supply Chain : optimisez l’efficacité de votre chaîne d’approvisionnement grâce à la Data & l’IA

La planification de la demande en supply chain connaît une transformation fondamentale grâce à l’intégration de la Data et de l’intelligence artificielle (IA). Ces technologies ne sont pas de simples additions, mais redéfinissent les approches traditionnelles.

Table des matières

Optimisation de la chaîne d’approvisionnement
- Optimisation des coûts de stockage grâce à l’IA
- Réduction des délais de livraison et amélioration de la satisfaction client
- L’Essor inéluctable de la Data dans la gestion de la Supply Chain
Économies considérables grâce à une planification efficace de la demande
Économies et avantage compétitif : les Enjeux stratégiques de la Data et de l’IA en Supply Chain

Optimisation de la chaîne d’approvisionnement

Optimisation des coûts de stockage grâce à l’IA

L’usage de l’IA dans les prévisions de demande en Supply Chain a montré une efficacité remarquable, en particulier par une réduction des coûts de stockage de 20% à 30%. Cette innovation transforme la gestion des stocks, permettant une anticipation précise des fluctuations du marché et réduisant ainsi les risques de surstockage.

Réduction des délais de livraison et amélioration de la satisfaction client

En outre, l’IA aide à réduire les délais de livraison (DLT), améliorant la satisfaction client et l’efficacité opérationnelle.

Les outils avancés d’analyse de données améliorent la précision des prévisions de vente, optimisant ainsi la réponse aux besoins du marché et augmentant la satisfaction des clients.

L’Essor inéluctable de la Data dans la gestion de la Supply Chain

Depuis les années 2000, la data est devenue un élément essentiel de la gestion de la Supply Chain, avec 85% des entreprises reconnaissant aujourd’hui son importance vitale. Cette évolution marque un tournant stratégique vers une prise de décision plus agile et informée.

D’ici 2025, plus de 70% des organisations envisagent d’intégrer l’IA dans leur Supply Chain, indiquant son passage de l’innovation à un élément central de la gestion logistique moderne.

Économies considérables grâce à une planification efficace de la demande

L’utilisation judicieuse de la Data est cruciale pour améliorer la planification de la demande en Supply Chain. Les grandes entreprises peuvent réaliser d’importantes économies, souvent de plusieurs millions d’euros par an, grâce à une planification efficace de la demande soutenue par la data et l’IA. Ces économies découlent d’une meilleure allocation des ressources et d’une réduction des déchets.

Économies et avantage compétitif : les Enjeux stratégiques de la Data et de l’IA en Supply Chain

L’impact significatif de la data et de l’IA sur la supply chain marque l’aube d’une nouvelle ère technologique. Ces innovations apportent une précision inégalée et des économies substantielles, constituant également un avantage compétitif crucial dans un marché mondialisé.

Intégrer l’IA dans votre Supply Chain: contactez-nous !

Chez IoD Solutions, nous nous engageons à accompagner les entreprises dans cette révolution numérique, en fournissant les outils et l’expertise nécessaires pour exceller dans cette nouvelle réalité.

Rejoignez-nous pour transformer votre Supply Chain en un pilier de succès et d’innovation.

Nous contacter

décembre 14 2023

Comment réussir une stratégie IA ? Un guide pratique pour le déploiement de l’intelligence artificielle dans votre entreprise

majordome Articles

L’intelligence artificielle n’est plus simplement une technologie émergente ; elle devient un moteur essentiel de l’innovation et de la croissance. Pour les entreprises, réussir la transition vers une stratégie IA n’est pas seulement un défi, mais une opportunité incontournable.

Cette transition vers l’IA offre des avantages considérables, mais sa réussite repose sur une approche méthodique et éclairée. Les organisations qui intègrent efficacement l’IA dans leurs opérations peuvent optimiser les processus, anticiper les tendances, personnaliser les expériences client, et prendre des décisions plus éclairées.

Cette transformation n’est pas uniquement technologique ; elle redéfinit les modèles d’affaires, créant de nouvelles perspectives et établissant de nouveaux standards de compétitivité.

Ce guide pratique propose un itinéraire détaillé pour guider votre entreprise à travers le processus de planification, d’implémentation, et de maximisation des bénéfices de l’intelligence artificielle.

Table des matières

Cartographier son environnement

Processus métier

Identifiez et comprenez les processus métier pour cibler les opportunités d’IA. Cette étape garantit une intégration fluide de l’IA dans les opérations existantes. Identifiez les processus critiques et ceux présentant des inefficacités où l’IA peut apporter une valeur ajoutée.

Données de l’entreprise

Analysez la qualité et la pertinence des données disponibles. Des données fiables sont essentielles pour des analyses précises et des résultats d’IA pertinents. Cartographier ses sources de données permet de facilement identifier des gisements et de les associer à des cas d’usage.
Établissez une stratégie de gestion des données pour garantir la qualité et la sécurité des informations.

Technologies et fonctionnalités associées

Évaluez les technologies déjà implémentées dans l’entreprise ainsi que toutes leurs fonctionnalités. Cette étape permet de visualiser tous les outils à disposition pour exploiter leur potentiel.

Répondre à des besoins

Écouter ses équipes

Identifiez les points de douleur et les attentes pour orienter les cas d’usage. L’implication des équipes garantit une adhésion et une compréhension profonde des besoins spécifiques. Organisez des sessions de feedback pour recueillir les insights des utilisateurs finaux.

Faire émerger des idées, définir des cas d’usage

Collaborez pour définir des cas d’usage spécifiques à l’IA. Cette collaboration favorise la créativité et la pertinence des solutions envisagées. Encouragez la participation de différentes équipes pour une diversité d’idées.

Étudier la faisabilité

Évaluez la faisabilité des cas d’usage en fonction de la cartographie de l’environnement préalablement réalisée. Analysez les ressources nécessaires, les contraintes potentielles et l’impact sur les opérations. La validation de ces prérequis assure une mise en œuvre réaliste et efficace des solutions.

Exploiter le potentiel de l’IA

Benchmark de solutions

Analysez différentes solutions d’IA pour trouver celles qui correspondent le mieux à vos besoins. Le benchmark permet de choisir des solutions alignées sur les meilleures pratiques du secteur. Considérez la réputation des fournisseurs, les retours d’expérience et les fonctionnalités spécifiques à vos exigences.

Comprendre les typologies de solutions

Distinguez entre solutions verticales et horizontales selon leur pertinence pour votre secteur. Cette compréhension vous mènera vers des réflexions sur des choix de technologie très flexible et adaptable aux besoins ou au contraire vers des solutions spécifiques à certains cas d’usage. Évaluez la scalabilité des solutions pour accompagner la croissance.

Bâtir une équipe compétente

La réussite de toute initiative d’intelligence artificielle repose en grande partie sur l’expertise de l’équipe qui la met en œuvre. Bâtir une équipe compétente est donc une étape clé pour cette montée en puissance dans l’IA. Favorisez la collaboration interfonctionnelle au sein de l’équipe. Les experts en IA doivent travailler en étroite collaboration avec les équipes métier pour comprendre les besoins spécifiques et garantir que les solutions développées répondent aux objectifs commerciaux.

Bâtir une roadmap

Bâtir une roadmap suppose de prioriser les cas d’usages identifiés. Cela nécessite aussi de comprendre l’échelonnement dans le temps inhérent à chaque typologie.

Identifier les cas d’usages à déploiements directs

Priorisez les cas d’usage offrant des quick wins et une valeur ou un besoin clairement identifié. Les déploiements directs garantissent des résultats tangibles et rapides. Élaborez un plan d’action spécifique pour chaque cas d’usage prioritaire.

Être capable de faire mûrir les solutions

Certains cas d’usage s’inscrivent dans un temps plus long et ne peuvent être déployés à travers l’entreprise dans un premier temps.

Adoptez une approche agile en mettant en œuvre des projets pilotes, en se munissant de capacité de créer et tester de nouvelles solutions rapidement ou encore en munissant les équipes de solutions self-service permettant de faire parler leur créativité.

Cette flexibilité permet d’ajuster les solutions en fonction des retours et des évolutions du marché et fait aussi émerger de nouvelles idées. Impliquez les équipes dans des cycles itératifs pour une amélioration continue.

Prévoir une gestion du changement

Intégrez une stratégie de gestion du changement avec des plans de formation ambitieux et pensés sur la durée. La gestion du changement assure une transition en douceur vers une culture axée sur l’IA. Communiquez régulièrement sur les avantages et les impacts attendus. Un réel suivi du cycle de vie de l’outil et de l’adoption des utilisateurs est indispensable.

Considérations éthiques et gouvernance de l’IA

L’intégration réussie de l’intelligence artificielle (IA) dans la stratégie de votre entreprise va de pair avec des considérations éthiques et une gouvernance solide. Ces éléments sont essentiels pour garantir une utilisation responsable et transparente de l’IA, préservant la confiance des parties prenantes et réduisant les risques potentiels. Voici les aspects clés à prendre en compte.

Transparence des algorithmes

La transparence des algorithmes est cruciale pour établir la confiance dans le déploiement de l’IA. Il est impératif que les décisions prises par les algorithmes soient compréhensibles et explicables. Cela signifie documenter et communiquer clairement sur la logique sous-jacente des modèles, en veillant à ce que les parties prenantes, y compris les utilisateurs finaux, puissent comprendre les résultats produits par l’IA.

Responsabilité dans l’utilisation des données

La responsabilité dans l’utilisation des données est un principe fondamental de la gouvernance de l’IA. Il est essentiel d’établir des pratiques rigoureuses de collecte, de stockage et de traitement des données, en veillant à la confidentialité et à la sécurité.

Les entreprises doivent être transparentes sur la manière dont les données sont utilisées, obtenir le consentement lorsque nécessaire, et s’assurer que les informations sensibles sont traitées de manière éthique.

Cette responsabilité s’étend également à la gestion des biais potentiels présents dans les ensembles de données, minimisant ainsi les risques d’impacts disproportionnés.

Vous voulez définir votre stratégie : contactez-nous !

Vous souhaitez avoir plus de détails sur ce sujet et savoir comment l’adapter à votre entreprise ?
N’hésitez pas à nous contacter pour recevoir notre benchmark et un audit sur mesure !

Nous contacter

Credit photo 1 Credit photo 2 Credit photo 3 Credit photo 4 Credit photo 5 Credit photo 6

novembre 21 2023

Révolution de la détection de fraude en assurance : le duo gagnant de l’expertise humaine et de l’IA & Data

majordome Articles

La détection de la fraude est une application essentielle de l’intelligence artificielle et plus particulièrement dans le secteur de l’assurance.

Avec les progrès technologiques, les compagnies d’assurance s’appuient de plus en plus sur ces outils pour identifier les signaux faibles qui peuvent indiquer des comportements frauduleux.

Table des matières

IA et Data : décrypter les signaux faibles de fraude
Cas pratique : optimiser la détection de fraude dans l’assurance automobile
La détection de fraude : un défi en perpétuelle évolution
Bénéfices concrets de la solution : réaliser des économies et promouvoir la collaboration

IA et Data : décrypter les signaux faibles de fraude

Un signal faible en matière de détection de fraude peut être décrit comme un indice qui, bien que ne constituant pas en lui-même une preuve de fraude, peut suggérer une anomalie ou un motif suspect lorsqu’ils sont analysés en conjonction avec d’autres données.

L’IA est particulièrement douée pour découvrir ces signaux faibles grâce à sa capacité à analyser de grands volumes de données et à reconnaître des modèles complexes ou subtils qui pourraient échapper à une analyse humaine.

Pour détecter ces signaux, les entreprises peuvent implémenter des systèmes qui combinent règles métier et modélisation prédictive.

Les règles métier (Business Rules, BR) sont des directives prédéfinies basées sur la connaissance du domaine, qui aident à filtrer les activités qui sortent de la norme habituelle.
Par exemple, un sinistre déclaré à répétition pour le même type de dommage pourrait activer une règle métier.

detection-fraude-assurance-ia-data-iod-3

Cas pratique : optimiser la détection de fraude dans l’assurance automobile

Un grand groupe d’assurance a dû faire face à un volume conséquent de sinistres automobiles et à la tâche ardue de détecter les fraudes parmi ces sinistres.

L’absence d’éléments pour prioriser les dossiers obligeait les correspondants fraude à consacrer du temps sur des sinistres de faible valeur, réduisant ainsi l’efficacité de leur travail.

Nous avons alors désigné un outil pour générer des alertes sur les dossiers suspects grâce à quatre actions principales :

Mise en place de Business Rules (BR) en recueillant la connaissance des experts.
Utilisation de modèles de machine learning (ML) à l’aide de l’historique des fraudes.
Design d’un outil pour retrouver et traiter les alertes quotidiennes.
Évaluation régulière de la performance de la solution pour ajuster les BR.

La mise en place des Business Rules nécessite une implication des correspondants fraudes et une mise en commun des différentes méthodes.
L’objectif d’un tel outil est de profiter de leurs connaissances afin de pouvoir les aider à consacrer leurs temps sur des dossiers à fortes valeurs.

Après quatre mois, nous avons réussi à créer une cellule fraude mêlant Expert métier et IA permettant une augmentation de l’efficacité opérationnelle.
Les interactions étroites avec les correspondants fraude ont permis d’aligner les règles métier avec les pratiques quotidiennes et de déployer un modèle de machine learning pour évaluer chaque sinistre.

Un tableau de bord a été mis en place pour le suivi continu des performances, et des ateliers mensuels ont été organisés pour des ajustements rapides.

La détection de fraude : un défi en perpétuelle évolution

Les réunions mensuelles sont essentielles pour surveiller et évaluer la performance des Business Rules (BR) dans le contexte de la lutte contre la fraude, un domaine où les stratégies et les tactiques évoluent constamment.

Ces réunions permettent non seulement de mesurer l’efficacité des BR actuelles, mais aussi d’identifier les besoins de modifications en fonction des nouvelles tendances et des menaces émergentes.

Elles offrent l’opportunité d’examiner les résultats et les impacts des BR, et de prendre des décisions éclairées sur la nécessité de supprimer celles qui sont obsolètes ou peu performantes, ou d’en introduire de nouvelles plus adaptées aux défis actuels.

Ce processus d’évaluation et de mise à jour régulière est crucial pour maintenir un système de prévention de la fraude dynamique, réactif et efficace, qui peut s’adapter rapidement aux changements dans les comportements frauduleux.

detection-fraude-assurance-ia-data-iod-2

detection-fraude-assurance-ia-data-iod-5

Bénéfices concrets de la solution : réaliser des économies et promouvoir la collaboration

Les bénéfices pour le groupe d’assurance ont été significatifs, avec notamment :

Un gain de 500 k€ annuel,
Une facilitation notable de la gestion quotidienne des dossiers.
La promotion d’une culture d’échange et d’apprentissage avec l’émulation et le partage des bonnes pratiques de détection de fraude.
Une collaboration renforcée grâce au partage des scénarios de fraude entre différentes équipes.

Cette approche démontre l’efficacité de combiner l’expertise humaine avec des outils d’IA pour adresser des défis complexes tels que la fraude en assurance.

Elle souligne également l’importance d’une mise en œuvre agile et réactive, capable de s’adapter rapidement aux nouvelles informations et d’ajuster les systèmes en conséquence.

Intégrer l’IA dans votre stratégie antifraude : contactez-nous !

Vous souhaitez avoir plus de détails sur ce sujet et savoir comment l’adapter à votre entreprise ?

N’hésitez pas à nous contacter pour recevoir les informations sur nos formations.

Nous contacter

octobre 30 2023

Mesurer le DLT (Decoupled Lead Time) : L’Art de maîtriser les délais de production

majordome Articles

L’optimisation du Decoupled Lead Time (DLT) dans l’industrie est devenue un impératif dans un monde où la réactivité et la flexibilité définissent les leaders du marché.

La mesure et l’analyse du DLT deviennent ainsi des démarches stratégiques pour les entreprises qui souhaitent gagner en compétitivité et en efficacité opérationnelle.

Dans cet article, nous allons explorer les méthodes de mesure du DLT et chercher à comprendre pourquoi son analyse s’avère être un atout considérable pour toute entreprise de la supply chain.

mesurer-DLT-delais-production-iod-solutions

Table des matières

Définir le DLT : Decoupled Lead Time
Identifier et cartographier les étapes du processus de production
Établir des métriques et indicateurs clés (KPI) pour mesurer la performance de la supply chain
Analyser et optimiser le DLT pour une production Agile et efficace
Cas d’utilisation concret : pilotage du DLT dans la production d’équipements automobiles
Le DLT comme guide vers une performance opérationnelle de premier ordre.

1. Définir le DLT : Decoupled Lead Time

Le DLT représente le temps nécessaire pour produire un produit, de l’apparition du besoin à son contentement. Cela inclut des paramètres tels que les temps de planification, de traitement, les délais de transfert, et la durée des étapes individuelles de la production.

Comprendre le DLT et sa complexité est la première étape pour maîtriser la synchronisation, la coordination, et l’optimisation des flux de production.

2. Identifier et cartographier les étapes du processus de production

Les processus de planification et de production sont souvent un ensemble complexe de différentes étapes, chacune ayant son propre ensemble de variables et de défis. L’identification de chaque étape, depuis l’apparition du besoin, la réception des matières premières jusqu’à l’expédition du produit fini, est cruciale.

En cartographiant ces étapes, on permet l’identification précise des zones où le DLT pourrait être potentiellement réduit, facilitant ainsi la mise en œuvre d’améliorations ciblées. On pourrait ainsi facilement détecter que telle référence prend un temps considérable à passer une certaine étape et ainsi agir sur ce levier pour optimiser le DLT global.

3. Établir des métriques et indicateurs clés (KPI) pour mesurer la performance de la supply chain

Avec une connaissance approfondie du processus de planification et de production, établir des métriques et KPI spécifiques au DLT devient impératif. Cela pourrait inclure des indicateurs tels que le temps de cycle moyen ou médian, les délais d’attente, et les retards de production.

Ces KPI fournissent une base solide pour la mesure du DLT, permettant non seulement de suivre la performance, mais aussi de définir des objectifs clairs pour les initiatives d’amélioration continue.

4. Analyser et optimiser le DLT pour une production Agile et efficace

L’analyse détaillée du DLT permet de cerner les domaines à optimiser, les inefficacités et les opportunités d’amélioration. En utilisant des outils analytiques avancés, comme la simulation et l’analyse prédictive, les entreprises peuvent envisager différents scénarios et stratégies pour réduire le DLT.

L’optimisation du DLT ne se traduit pas seulement par une production plus rapide, mais aussi par une utilisation plus efficace des ressources, une meilleure gestion des stocks, et une amélioration de la satisfaction client grâce à une livraison plus rapide et fiable.

Avantages de l’optimisation du DLT : réactivité, économies, satisfaction client

La mesure et l’optimisation du DLT sont d’un intérêt majeur pour plusieurs raisons :

Agilité et flexibilité : réduire le DLT permet de répondre plus rapidement aux fluctuations de la demande et aux besoins changeants du marché.
Réduction des coûts : l’optimisation du DLT permet de minimiser les temps d’inactivité et d’utiliser efficacement les ressources, ce qui peut contribuer à réduire les coûts opérationnels.
Satisfaction Client : en améliorant la précision des délais de livraison et en réduisant les temps d’attente, la satisfaction client est améliorée.
Compétitivité : enfin, un DLT optimisé donne un avantage compétitif dans le marché, en étant capable de livrer des produits de qualité, rapidement et de manière fiable.

5. Cas d’utilisation concret : pilotage du DLT dans la production d’équipements automobiles

Nous avons pu mettre en place un outil de pilotage et de suivi du DLT dans le contexte de la production d’équipements automobiles à destination des master planner ainsi que de la centrale.

En tant que master planner, ils l’utilisent chaque matin afin de monitorer minutieusement leur production, ce qui leur permet de suivre les délais, d’identifier les éventuels goulets d’étranglement et de prendre des décisions pour orchestrer la journée.

chaine-production-automobile-dlp-iod-solutions

De plus, chaque semaine, ils analysent les données du DLT, dans l’optique de planifier la semaine prochaine. Cette démarche est essentielle pour garantir une allocation optimale des ressources, pour définir les priorités avec clarté, et pour s’assurer qu’ils sont sur la bonne voie pour répondre aux attentes.

De plus, cette utilisation du DLT par la centrale facilite la prévision à long terme, la gestion des commandes et la planification des capacités d’achat. Cela devient particulièrement bénéfique lors des périodes de forte demande, où la maîtrise des délais de production est cruciale pour garantir que les bonnes quantités de pneus soient disponibles au bon moment.

6. Le DLT comme guide vers une performance opérationnelle de premier ordre.

Le DLT est plus qu’un simple indicateur de performance : c’est une boussole qui guide les entreprises manufacturières vers l’excellence opérationnelle. En mesurant, en analysant, et en optimisant constamment le DLT, les entreprises peuvent non seulement améliorer leurs opérations, mais aussi se positionner de manière solide dans un marché de plus en plus compétitif et axé sur le client.

Plongez dans l’univers de l’optimisation du DLT avec notre équipe d’experts.

Si vous êtes prêt à explorer plus profondément comment mesurer et optimiser le DLT au sein de votre organisation, inscrivez-vous à notre formation détaillée ou contactez-nous directement pour discuter avec nos experts.

Nous sommes là pour vous accompagner à chaque étape de votre voyage vers l’excellence en matière de DLT et nous sommes impatients de contribuer à votre succès dans le monde de la fabrication agile et réactive !

comment-diffuser-culture-Data-IA-en-animant-vos-communautes-iod-solutions

juillet 4 2023

Comment diffuser la culture Data & IA en animant vos communautés ?

majordome Evènements

83% des décideurs considèrent le manque de culture Data & IA comme la raison principale de l’échec de ces projets. (Source : Futur Lab)

Acculturer votre organisation à la Data & IA c’est peu tangible. Pourtant c’est un facteur clé de succès pour une transformation Data & IA réussie.

Diffuser les compétences et la culture Data & IA dans toute l’organisation est nécessaire.

Sans culture Data & IA :

les différentes équipes ( métiers, IT et expertes Data) n’arrivent pas à communiquer pour délivrer des produits utiles.
les métiers n’exploitent pas pleinement leur potentiel “data” pour améliorer leur performance opérationnelle.
les projets Data & IA n’ont pas le retour sur investissement attendu.

Cela nous amène à se poser la question de comment diffuser la culture Data & IA en animant vos communautés ?

Venez découvrir comment acculturer votre organisation à la Data & IA ce mardi 4 juillet à 11h30.

Source de l’étude

Voir le replay

mai 31 2023

Comment designer votre solution Data & IA ?

majordome Evènements

85% des projets data sont voués à l’échec – Selon une étude,une étude Gartner :

Alors qu’il y a des Data Architect, Data engineer, Data Scientist … Maintenant même des prompt Engineer… Mais toujours pas designer de solution.
Tous ces métiers sont orientés technique et anticipent difficilement les usages.
On se concentre sur l’industrialisation mais pas l’opérationnalisation.

Ce n’est pas parce que vous allez construire une maison solide qu’elle est agréable à vivre.
Le rôle du designer de solution ? Remettre l’usage au centre !

Votre organisation a investi des montants importants :

en compétences expertes Data & IA (Data scientist, Data Ingénieur, Data Architect ….)
en infrastructure Technologique ( Data Plateforme etc…)

mais les projets Data & IA n’ont pas le retour sur investissement attendu.

Nous illustrerons un cas d’usage que nous avons réalisé sur la détection des fraudes.

Voir le replay