Predicting Late Delivery Risk in Global Supply Chain Operations Using Machine Learning

Dans le vaste réseau bourdonnant du commerce mondial, une promesse est faite dès l'instant où un client clique sur « acheter ». Une date de livraison est fixée, un calendrier est tracé, et la machinerie de la logistique commence à s'animer. Pourtant, dans le monde réel, cette promesse est souvent rompue. Les colis arrivent en retard, non pas à cause d'un échec unique, mais en raison d'un réseau complexe de variables : le mode d'expédition choisi, la région d'origine, le type de produit et la période de l'année. Lorsque ces retards surviennent, ils érodent la confiance, déclenchent des pénalités financières et créent un effet de ricochet de retours et de plaintes de clients. Le défi de la logistique moderne n'est pas seulement de réagir à ces retards après qu'ils se sont produits, mais de les prévoir. C'est là que le domaine de l'analyse prédictive intervient, utilisant les données historiques pour repérer des modèles que l'intuition humaine pourrait manquer. En traitant les expéditions passées comme une bibliothèque de leçons, les chercheurs peuvent construire des systèmes qui apprennent de l'histoire pour avertir les opérateurs des risques futurs avant même qu'un colis ne quitte l'entrepôt.

Un chercheur nommé Naresh Adepu, travaillant au Chaitanya Bharathi Institute of Technology à Hyderabad, en Inde, a abordé ce problème précis en construisant un système numérique conçu pour prédire les livraisons tardives. Il s'est tourné vers un type puissant d'apprentissage informatique connu sous le nom d'apprentissage automatique (machine learning), utilisant spécifiquement une méthode appelée XGBoost. Cette approche fonctionne en analysant des milliers de commandes passées pour trouver les combinaisons subtiles de facteurs qui mènent à un retard. L'étude s'est concentrée sur une collection massive de données réelles : 180 519 enregistrements de commandes quotidiennes provenant d'un réseau logistique mondial s'étendant sur cinq ans, de 2015 à 2019. Chaque enregistrement contenait un profil détaillé d'une expédition, incluant sa destination, son mode d'expédition, son contenu et si elle est finalement arrivée à temps ou en retard. L'objectif était d'apprendre à un ordinateur à regarder une nouvelle commande et à décider, avec un haut niveau de confiance, si elle risquait d'être en retard.

Le processus a commencé par le nettoyage et l'organisation de cette montagne de données. Les chercheurs ont pris les informations brutes, qui comprenaient des descriptions textuelles des modes d'expédition et des régions, et les ont converties dans un format compréhensible par l'ordinateur. Ils ont ensuite divisé les données en deux groupes : un grand ensemble d'entraînement utilisé pour enseigner au modèle, et un ensemble de test plus petit et caché, utilisé pour vérifier si le modèle avait réellement appris la leçon ou s'il avait simplement mémorisé les réponses. L'ordinateur a été entraîé à reconnaître la différence entre une livraison à temps et une livraison tardive, apprenant que certains modes d'expédition ou certaines régions spécifiques comportaient des risques plus élevés que d'autres. Une fois l'entraînement terminé, le modèle a été testé par rapport au groupe caché de 36 104 commandes qu'il n'avait jamais vues auparavant.

Les résultats ont montré que le système était extrêmement efficace dans sa tâche. Sur l'ensemble de test, le modèle a correctement identifié le statut de près de 80 pour cent de toutes les expéditions. Plus important encore, lorsqu'il signalait une expédition comme étant « en retard », il avait raison 86 pour cent du temps. Ce haut niveau de précision est crucial pour les opérations commerciales ; cela signifie que lorsque le système déclenche une alerte, les gestionnaires logistiques peuvent faire confiance à l'avertissement et prendre des mesures, comme réacheminer un colis ou informer un client, sans être submergés par les fausses alertes. Le système a également prouvé qu'il pouvait distinguer les expéditions à temps des expéditions en retard bien mieux qu'une simple supposition ou une règle de base, atteignant un score qui indique un fort pouvoir prédictif.

Pour rendre ces découvertes utiles aux personnes qui ne sont pas des spécialistes de la science des données, Adepu n'a pas laissé son modèle caché à l'intérieur d'un code informatique. Au lieu de cela, il a construit un tableau de bord interactif, une interface visuelle que toute personne disposant d'un navigateur Web peut utiliser. Cet outil permet aux utilisateurs d'explorer les données, de voir quelles régions ou quels modes d'expédition causent actuellement le plus de problèmes, et même de tester des commandes individuelles pour voir leur niveau de risque. Le tableau de bord transforme des résultats statistiques complexes en informations claires et exploitables. Par exemple, il a révélé que le choix du mode d'expédition est un facteur majeur dans le retard d'une livraison, certains modes présentant des risques nettement plus élevés que d'autres. Il a également souligné que la géographie joue un rôle, certaines régions affichant systématiquement des taux de retard plus élevés.

L'étude démontre que l'apprentissage automatique peut être un outil pratique pour résoudre des problèmes logistiques réels, allant au-delà de la théorie pour fournir un système opérationnel qui aide les entreprises à gérer les risques. Bien que le modèle ne soit pas parfait — il manque encore certains retards et il existe des marges d'amélioration pour sa capacité à détecter chaque retard — il représente une étape significative. En interceptant la majorité des expéditions à risque avant qu'elles ne quittent l'entrepôt, les entreprises peuvent intervenir tôt, économisant de l'argent et protégeant leur réputation. Les travaux suggèrent qu'avec un perfectionnement supplémentaire, tel que l'ajustement du système pour qu'il soit encore plus sensible aux retards potentiels ou l'ajout de nouvelles données comme les modèles météorologiques, ces outils pourraient devenir des partenaires encore plus fiables dans le voyage complexe des chaînes d'approvisionnement mondiales.