Al’heure où les clients, en B2C comme en B2B, sont de plus en plus exigeants sur le respect de la promesse client en livraison, il est capital pour les entreprises d’avoir un regard objectif et fiable sur leurs performances et celles de leurs transporteurs— un prérequis indispensable pour adopter des actions correctrices. Cela est loin d’être le cas aujourd’hui et, dans ce contexte, l’intelligence artificielle (IA) a un rôle à jouer.
La pertinence d’une évaluation, au sens large, repose sur plusieurs prérequis, qui ont tous à voir avec la notion d’information. Premièrement, les informations qui alimentent l’évaluation doivent être complètes : chaque zone d’ombre ouvre la voie à la spéculation et à la subjectivité. Et si le flair peut avoir d’incontestables vertus, il est, à l’heure du règne de la donnée, plus sage de limiter son influence au strict minimum. On imagine difficilement, de nos jours, une entreprise sérieuse évaluer l’efficacité de ses fournisseurs, de ses salariés ou de ses prestataires à la lumière du mouvement des astres.
Bien sûr, l’exhaustivité absolue n’existe pas : dans le transport de marchandises en particulier, l’information manque parfois, tout simplement. Si les progrès de l’IoT et de la télématique permettront peut-être, à plus ou moins long terme, de générer des données supplémentaires, il faut en l’état accepter que toutes les informations pertinentes ne soient pas systématiquement disponibles.
En revanche, il est capital de disposer de toutes les informations existantes, et celles-ci ne remontent pas toujours aux entreprises. En effet, la plupart des outils utilisés pour générer des rapports de performance ne permettent pas d’intégrer toutes les données clés issues de sources et de logiciels variés (TMS, EDI, ERP, outils de tracking…) ni d’atteindre le niveau de détail nécessaire pour évaluer au mieux la performance d’un prestataire. Par exemple, un taux de performance satisfaisant à l’échelle d’un pays, d’une région ou même d’un département sur une période d’un an, d’un mois voire d’une semaine, peut largement masquer des disparités majeures.
Typiquement, un transporteur peut, pour diverses raisons, sous-performer certains jours, à certaines heures, pour un client A à partir d’un site B. Cette faille « microscopique », sans incidence visible sur la performance globale, pourrait pourtant entraîner la perte dudit client, par effet de lassitude. Problématique en B2B, en particulier si le client est considéré comme un “VIP” pour l’entreprise.
Al’heure où les clients, en B2C comme en B2B, sont de plus en plus exigeants sur le respect de la promesse client en livraison, il est capital pour les entreprises d’avoir un regard objectif et fiable sur leurs performances et celles de leurs transporteurs— un prérequis indispensable pour adopter des actions correctrices. Cela est loin d’être le cas aujourd’hui et, dans ce contexte, l’intelligence artificielle (IA) a un rôle à jouer.
La pertinence d’une évaluation, au sens large, repose sur plusieurs prérequis, qui ont tous à voir avec la notion d’information. Premièrement, les informations qui alimentent l’évaluation doivent être complètes : chaque zone d’ombre ouvre la voie à la spéculation et à la subjectivité. Et si le flair peut avoir d’incontestables vertus, il est, à l’heure du règne de la donnée, plus sage de limiter son influence au strict minimum. On imagine difficilement, de nos jours, une entreprise sérieuse évaluer l’efficacité de ses fournisseurs, de ses salariés ou de ses prestataires à la lumière du mouvement des astres.
Bien sûr, l’exhaustivité absolue n’existe pas : dans le transport de marchandises en particulier, l’information manque parfois, tout simplement. Si les progrès de l’IoT et de la télématique permettront peut-être, à plus ou moins long terme, de générer des données supplémentaires, il faut en l’état accepter que toutes les informations pertinentes ne soient pas systématiquement disponibles.
En revanche, il est capital de disposer de toutes les informations existantes, et celles-ci ne remontent pas toujours aux entreprises. En effet, la plupart des outils utilisés pour générer des rapports de performance ne permettent pas d’intégrer toutes les données clés issues de sources et de logiciels variés (TMS, EDI, ERP, outils de tracking…) ni d’atteindre le niveau de détail nécessaire pour évaluer au mieux la performance d’un prestataire. Par exemple, un taux de performance satisfaisant à l’échelle d’un pays, d’une région ou même d’un département sur une période d’un an, d’un mois voire d’une semaine, peut largement masquer des disparités majeures.
Typiquement, un transporteur peut, pour diverses raisons, sous-performer certains jours, à certaines heures, pour un client A à partir d’un site B. Cette faille « microscopique », sans incidence visible sur la performance globale, pourrait pourtant entraîner la perte dudit client, par effet de lassitude. Problématique en B2B, en particulier si le client est considéré comme un “VIP” pour l’entreprise.
En l’occurrence, la grande majorité des transporteurs sont, dans cette situation, d’une parfaite probité et fournissent à leurs clients des informations neutres. Mais, de fait, les rapports de performance sont purement déclaratifs.
Cette dimension déclarative apparaît particulièrement en cas de défaillance. Se pose alors la question de la responsabilité de cette défaillance : celle-ci relève-t-elle du transporteur qui, pour une raison ou une autre, a commis un impair ? Est-ce l’expéditeur qui, par exemple, n’avait pas préparé son expédition dans les temps ? Est-ce la faute du destinataire qui n’était pas en mesure de réceptionner la marchandise au moment convenu ? Ou bien, s’agit-il d’un aléa, qu’il soit lié au climat, au trafic ou encore à des mouvements sociaux ?
Du fait du caractère purement déclaratif de la remontée d’informations, un transporteur se trouve dans la position où il peut invoquer une responsabilité tierce en cas de défaillance, sans que son client ne soit en mesure de vérifier l’information. C’est particulièrement le cas quand aucune explication valide ne transparaît dans les données. Or, toute défaillance inexpliquée établissant de fait une responsabilité du transporteur, on comprend que l’intérêt de ce dernier soit de l’attribuer à un événement imprévisible. A l’inverse, lorsqu’un aléa a réellement empêché un prestataire de mener à bien sa tâche, ou qu’il n’est pas responsable de la défaillance, il n’est pas en mesure de le démontrer de façon incontestable à son client.
Alors, comment produire des éléments objectifs pour évaluer la performance de ses prestataires ? D’une part, il semble important que des tiers de confiance collectent et traitent les données brutes pour produire des reportings non seulement fiables, mais également exhaustifs, ce qui demande un savoir-faire certain dans la mise en forme de données hétérogènes. Mais il faut surtout être en mesure d’identifier les responsabilités. Certaines seront plus ou moins facilement déduites des données qui circulent traditionnellement dans les systèmes des transporteurs ou des chargeurs, par exemple les codes événements — encore que ceux-ci, différant d’un prestataire à l’autre, requièrent un important travail d’homogénéisation. D’autres en revanche nécessitent des efforts supplémentaires.
Les aléas invoqués, en particulier, doivent pouvoir être vérifiés : on l’a vu, ils sont largement utilisés pour justifier des défaillances en l’état inexpliquées. Or, dans l’immense majorité des cas, les informations permettant de vérifier la véracité d’un aléa existent et sont accessibles à tous. La météo, l’état du trafic et même la localisation précise d’un mouvement social à un instant T, relèvent de ce qu’on appelle l’open data.
En l’occurrence, la grande majorité des transporteurs sont, dans cette situation, d’une parfaite probité et fournissent à leurs clients des informations neutres. Mais, de fait, les rapports de performance sont purement déclaratifs.
Cette dimension déclarative apparaît particulièrement en cas de défaillance. Se pose alors la question de la responsabilité de cette défaillance : celle-ci relève-t-elle du transporteur qui, pour une raison ou une autre, a commis un impair ? Est-ce l’expéditeur qui, par exemple, n’avait pas préparé son expédition dans les temps ? Est-ce la faute du destinataire qui n’était pas en mesure de réceptionner la marchandise au moment convenu ? Ou bien, s’agit-il d’un aléa, qu’il soit lié au climat, au trafic ou encore à des mouvements sociaux ?
Du fait du caractère purement déclaratif de la remontée d’informations, un transporteur se trouve dans la position où il peut invoquer une responsabilité tierce en cas de défaillance, sans que son client ne soit en mesure de vérifier l’information. C’est particulièrement le cas quand aucune explication valide ne transparaît dans les données. Or, toute défaillance inexpliquée établissant de fait une responsabilité du transporteur, on comprend que l’intérêt de ce dernier soit de l’attribuer à un événement imprévisible. A l’inverse, lorsqu’un aléa a réellement empêché un prestataire de mener à bien sa tâche, ou qu’il n’est pas responsable de la défaillance, il n’est pas en mesure de le démontrer de façon incontestable à son client.
Alors, comment produire des éléments objectifs pour évaluer la performance de ses prestataires ? D’une part, il semble important que des tiers de confiance collectent et traitent les données brutes pour produire des reportings non seulement fiables, mais également exhaustifs, ce qui demande un savoir-faire certain dans la mise en forme de données hétérogènes. Mais il faut surtout être en mesure d’identifier les responsabilités. Certaines seront plus ou moins facilement déduites des données qui circulent traditionnellement dans les systèmes des transporteurs ou des chargeurs, par exemple les codes événements — encore que ceux-ci, différant d’un prestataire à l’autre, requièrent un important travail d’homogénéisation. D’autres en revanche nécessitent des efforts supplémentaires.
Les aléas invoqués, en particulier, doivent pouvoir être vérifiés : on l’a vu, ils sont largement utilisés pour justifier des défaillances en l’état inexpliquées. Or, dans l’immense majorité des cas, les informations permettant de vérifier la véracité d’un aléa existent et sont accessibles à tous. La météo, l’état du trafic et même la localisation précise d’un mouvement social à un instant T, relèvent de ce qu’on appelle l’open data.
Cela ouvrirait enfin la voie à la collaboration : en disposant conjointement des bons constats, chargeurs et transporteurs se retrouveraient en position de travailler ensemble, sereinement, à résoudre les problèmes identifiés.
Une entreprise ainsi équipée serait pourrait mesurer avec exactitude sa performance ou celle de ses prestataires : ses revues de performance s’appuieraient donc sur des éléments incontestables, elle ne perdrait plus de temps à entretenir des échanges tendus sur des prestations litigieuses et ses équipes pourraient consacrer leur temps à prendre les bonnes décisions. Elle aurait ainsi toutes les clés en main pour garantir d’une qualité de service optimale sur tous ses flux, assurant ainsi un respect de la promesse client sans commune mesure avec celui de ses concurrents.
Curieux de savoir ce que votre donnée transport peut vous dire ?
Découvrez comment les entreprises leaders utilisent les données nettoyées et enrichies de Sightness pour piloter une supply chain agile, résiliente et efficace.
