Late Delivery Risk Prediction in Supply Chain: Moving from Reactive to Proactive Delay Management

Imaginez le monde de la logistique comme un immense et chaotique jeu de « Je me le fais avoir » (Catch Me If You Can), où les colis sont les joueurs et les camions de livraison sont les chasseurs. Parfois, les colis se perdent, les camions sont coincés dans le trafic ou la météo devient grincheuse, et le jeu se termine par une arrivée tardive. Pendant longtemps, les entreprises ont joué à ce jeu de manière réactive : elles attendaient que le colis soit en retard, puis paniquaient pour essayer de réparer les dégâts. Mais et si vous aviez une boule de cristal ? C'est le monde de l'Apprentissage Automatique (Machine Learning), une branche de l'informatique où nous apprenons aux ordinateurs à repérer des modèles dans l'histoire afin qu'ils puissent deviner ce qui va se passer ensuite. Voyez cela comme un détective qui a lu un million de romans policiques ; il sait que si un suspect porte un chapeau rouge et court la nuit, il est probablement le coupable. Dans cette histoire, les « suspects » sont les commandes d'expédition, et le « crime » est le retard. Le document que nous examinons pose une question simple mais puissante : pouvons-nous utiliser ces détectives numériques pour prédire une livraison tardive avant même qu'elle ne quitte l'entrepôt, afin de stopper le crime avant qu'il ne se produise ?

---

La crise des livraisons tardives : Une histoire de promesses rompues

APL Logistics, une entreprise qui déplace des centaines de commandes mondiales chaque jour, faisait face à un énorme mal de crâne. Imaginez gérer un service de livraison de pizzas où la moitié de vos pizzas arrivent froides et avec une heure de retard. C'est approximativement ce qui se passait ici : 54,8 % de leurs expéditions arrivaient en retard. Ce n'était pas seulement agaçant pour les clients ; cela coûtait de l'argent à l'entreprise en pénalités et ruinait sa réputation. L'ancienne façon de faire était « réactive », ce qui signifie qu'ils ne tentaient de résoudre les problèmes qu'une fois le mal fait. L'équipe voulait passer à une approche « proactive », en utilisant un nouvel outil pour voir l'avenir.

La boule de cristal : Comment ils ont construit le prédicteur

Pour construire leur « boule de cristal », les chercheurs ont d'abord dû nettoyer un tas de données désordonnées. Imaginez essayer de prédire la météo en utilisant un carnet dont les pages sont déchirées, avec des taches d'encre et des notes sur ce qui s'est passé après la tempête. C'est souvent à cela que ressemblent les données brutes.

D'abord, ils ont dû empêcher l'ordinateur d'utiliser des informations qui ne seraient pas disponibles dans la vie réelle. Dans les données, il y avait des colonnes comme « Statut de livraison réel » et « Nombre de jours réel pour l'expédition ». Si l'ordinateur voyait cela, il se contenterait de regarder le corrigé pour deviner le résultat, ce qui est inutile dans la réalité. Ils ont jeté ces colonnes, garantissant que le modèle n'utilise que les informations disponibles avant l'expédition du colis.

Ensuite, ils ont dû apprendre à l'ordinateur à comprendre le langage humain. Les ordinateurs ne parlent qu'en chiffres, ils ont donc transformé des mots comme « Classe Standard » ou « Première Classe » en codes (0 et 1). Ils ont également complété les pièces manquantes du puzzle, comme les codes postaux, pour que l'ordinateur ne soit pas confus.

Un aspect délicat était que les données étaient déséquilibrées. C'était comme essayer d'apprendre à reconnaître des lions en regardant un zoo où 99 % des animaux sont des zèbres. L'ordinateur se contenterait de deviner « zèbre » à chaque fois et aurait raison, mais il n'apprendrait jamais à repérer un lion. Comme les livraisons tardives étaient en réalité assez fréquentes (54,8 %), l'équipe a utilisé une astuce ingénieuse appelée SMOTE. Voyez le SMOTE comme une photocopieuse qui crée de nouveaux exemples fictifs de livraisons « tardives » pour rendre les données d'entraînement équitables, afin que l'ordinateur apprenne à repérer aussi bien les colis à temps que les colis en retard.

Les ingrédients secrets : L'ingénierie des caractéristiques (Feature Engineering)

Les chercheurs n'ont pas seulement nourri l'ordinateur de chiffres bruts ; ils ont concocté des ingrédients spéciaux appelés « caractéristiques » (features) pour aider le modèle à réfléchir plus intelligemment.

1. Indice de pression d'expédition : Ils ont calculé la charge de travail accumulée sur une seule expédition. Si vous avez une commande énorme mais une fenêtre de temps très courte pour l'expédier, la pression est élevée.
2. Drapeau de risque du mode de transport : Ils ont attribué un « tag de danger » à certaines vitesses d'expédition. Si un colis était marqué « Première Classe » ou « Express », le modèle savait que ces options présentaient un risque élevé car elles promettaient un créneau de livraison très serré, difficile à tenir.
3. Indice de congestion régionale : Ils ont examiné l'historique pour voir quels endroits étaient toujours sujets aux embouteillages. Certaines régions étaient comme des canalisations bouchées, causant systématiquement des retards.
4. Score de complexité de la commande : Ils ont combiné le prix de l'article et la difficulté d'accès à la destination. Les articles coûteux allant vers des lieux difficiles recevaient un score de « complexité » élevé, avertissant le système d'être particulièrement vigilant.

Ce que les données ont révélé : Les vérités choquantes

Lorsque l'équipe a laissé l'ordinateur traiter les chiffres, il a découvert des secrets surprenants que les gestionnaires avaient manqués.

• Le piège de la « Seconde Classe » : Les données ont montré que l'expédition en « Seconde Classe » était un désastre. On promettait 2 jours, mais en réalité, cela en prenait presque 4. Elle était presque toujours 2 jours en retard. De même, la « Première Classe » était promise pour 1 jour mais en prenait 2. L'entreprise faisait des promesses qu'elle ne pouvait pas tenir, et les clients étaient mécontents.
• Les zones de danger : La carte du monde s'est illuminée de rouge dans des zones spécifiques. L'Afrique centrale, l'Asie du Sud et l'Afrique de l'Est étaient les zones les plus risquées, avec une probabilité de livraison tardive moyenne proche de 60 %. Ce n'était pas seulement de la malchance ; ces zones présentaient des problèmes systémiques liés aux douanes et aux partenaires locaux.
• Les fuites d'argent : Le modèle a identifié des produits et des lieux spécifiques où l'entreprise perdait de l'argent. Expédier vers l'État du Minnesota coûtait -464 $ par commande. Un produit spécifique, le « Total Gym 1400 », perdait -441 $ chaque fois qu'il était commandé. L'entreprise était essentiellement en train de payer des gens pour emporter ses produits.

Les 72 % magiques : À quel point la boule de cristal est-elle efficace ?

L'équipe a entraîné son modèle informatique sur 80 % des données et l'a testé sur les 20 % restants. Le résultat ? Le modèle Random Forest (un type d'algorithme informatique qui utilise de nombreux arbres de décision pour prendre une décision) a atteint une précision de 72 %.

Maintenant, 72 % peut sembler être une note de type « B- », mais dans le monde imprévisible et désordonné du transport mondial — où les embouteillages, les tempêtes et les agents de douane peuvent tout changer du jour au lendemain — c'est une victoire majeure. Le modèle ne dit pas seulement « Oui » ou « Non » ; il donne un score de probabilité, classant les commandes en Risque Faible, Moyen et Élevé. Cela permet à l'équipe des opérations de concentrer son énergie sur les commandes à « Risque Élevé » qui nécessitent une attention immédiate.

Du code à l'action : Le tableau de bord en direct

Les chercheurs n'ont pas laissé leur modèle dans un laboratoire informatique. Ils ont construit un Tableau de bord Streamlit, un outil web en direct qui ressemble au panneau de contrôle d'un jeu vidéo.

• L'aperçu : Il montre une vue d'ensemble du nombre de commandes à risque.
• La vérification de commande : Un employé peut saisir une nouvelle commande, et le tableau de bord indique instantanément : « Celle-ci est à Risque Élevé ! ».
• Le plan d'action : Il indique à l'équipe ce qu'elle doit faire exactement. Pour l'expédition en « Seconde Classe », ils doivent parler à leurs partenaires et corriger les promesses de livraison. Pour le « Total Gym 1400 » et les commandes vers le Minnesota, ils pourraient devoir arrêter de les vendre ou trouver un moyen moins coûteux de les expédier.

L'avenir de l'expédition

Ce projet marque un passage de la réaction face aux catastrophes à la prédiction de celles-ci. L'auteur suggère que, bien que le modèle actuel soit un excellent « filet de sécurité », l'avenir pourrait être encore plus radieux. Imaginez ajouter des données météorologiques en temps réel ou des mises à jour du trafic portuaire en direct au mélange. L'objectif est de passer de la simple prédiction des retards à la prescription du meilleur itinéraire pour les éviter.

En fin de compte, ce document démontre qu'en nettoyant des données désordonnées, en apprenant aux ordinateurs à repérer des modèles et en construissant des outils que les humains peuvent réellement utiliser, une entreprise de logistique peut stopper l'hémorragie, satisfaire ses clients et transformer un jeu de chat et de la souris chaotique en une machine bien huilée. La boule de cristal n'est pas parfaite, mais c'est le meilleur outil qu'ils aient jamais eu pour voir l'avenir.