L’heure d’arrivée estimée – ou ETA, pour Estimated Time of Arrival – est de longue date une information à forts enjeux pour tous les acteurs de la chaîne logistique. Elle l’est également pour tous les métiers impliquant le déplacement et l’intervention d’agents sur le terrain.

En logistique, la fiabilité de l’ETA fournie par chaque maillon de la chaîne a des répercussions sur les opérations de tous les maillons suivants. C’est en effet sur la prévision d’heure d’arrivée communiquée par l’acteur qui le précède que chacun se fonde pour :

• organiser et planifier les ressources humaines et matérielles nécessaires aux opérations (déchargement, entreposage, dégroupage, rechargement…) ;
• calculer l’ETA communiquée au maillon suivant.

Dans tous les secteurs où le fonctionnement en flux tendu s’est imposé, on comprend aisément que la fiabilité d’une donnée telle l’ETA conditionne à la fois l’efficacité opérationnelle de chaque acteur et la performance globale de la chaîne logistique. Dans le cas des  comme dans celui des services d’intervention sur site, la communication d’une heure d’arrivée estimée fiable revêt les mêmes enjeux opérationnels, auxquels s’ajoutent deux facteurs de plus en plus discriminants : la qualité de service perçue par le client et sa satisfaction.

Mobiliser l’IA pour fiabiliser l’ETA

En raison des multiples paramètres qu’elle exige de prendre en compte, la prévision de l’heure d’arrivée – d’un cargo, d’un camion ou d’un livreur à domicile – est un exercice complexe. Cela fait des lustres que les professionnels ne font plus ce genre d’exercice « à la main » !  – en l’occurrence les solutions permettant de modéliser des parcours et de calculer une heure d’arrivée estimée – existent et sont utilisés depuis des décennies dans le monde du transport.

Si l’on parle de plus en plus du recours à l’intelligence artificielle dans ce domaine, ce n’est pas par simple effet de mode, mais pour répondre à deux nécessités :

• Accroître la fiabilité globale de cette prévision, et donc du modèle qui la produit, en prenant en compte davantage de données, c’est-à-dire des historiques de données à la fois plus profonds (caractéristiques des véhicules, des axes routiers, des conditions de circulation, accidentologie…) et plus larges (météo, événements locaux, phénomènes saisonniers tels que les départs en vacances…). L’ensemble de ces données historiques constitue le socle d’apprentissage à partir duquel le moteur d’intelligence artificielle peut établir des prévisions de date et d’heure d’arrivée beaucoup plus précises.
• Ajuster la prédiction en temps réel, en fonction des données remontées par les véhicules, les conducteurs et par les infrastructures routières et logistiques. Il s’agit de corriger en permanence la marge d’erreur de l’ETA de façon à communiquer aux parties prenantes concernées en aval – entreprise ou consommateur final – une information juste et opérationnellement utile, dont la fiabilité est quantifiée.

Le triple apport de l’IA en matière de prévision d’heure d’arrivée, et de prévision en général, est en effet sa capacité à :

• faire évoluer le modèle de prévision lui-même en apprenant des opérations passées ;
• actualiser, potentiellement en temps réel, les ETA communiquées ;
• fournir une information tout aussi précieuse que les heures d’arrivée estimées : le taux de fiabilité de ces estimations, la promesse générique de l’IA et de l’apprentissage machine étant que ce taux aille croissant.

Un contexte favorable à l’utilisation de l’IA

L’alignement des planètes est on ne peut plus favorable à cette évolution. Tout d’abord, il n’y a jamais eu autant de données produites en tous points de la chaîne d’activité – que ce soit par les humains, les ordinateurs, les véhicules et les objets connectés de tous types. Surtout, du fait du développement de l’utilisation des applications mobiles et systèmes embarqués, il n’y a jamais autant de donnée de haute précision (horodatage et position géographique) pouvant être immédiatement remontées et exploitées à des fins opérationnelles.

Ensuite, la puissance de calcul nécessaire pour traiter ces masses de données est désormais accessible à des prix tout à fait abordables, surtout au regard de la valeur « business » de l’information obtenue en retour. Enfin, grâce aux bibliothèques open-source, l’accès aux algorithmes d’analyse prédictive et de machine learning s’est largement démocratisé.

A priori, les conditions sont donc réunies pour que le recours à l’IA se démocratise lui aussi et trouve dans le calcul de l’heure d’arrivée estimée un de ses cas d’usage les plus justifiés et les plus attendus par les professionnels. Pourtant, ces applications sont encore loin d’être généralisées et si les initiatives se multiplient, l’étape du POC (Proof of concept) se révèle souvent difficile à dépasser. Il y a à cela deux raisons majeures, communes à tous les domaines d’applications potentiels de l’intelligence artificielle : la disponibilité effective des données et l’expertise nécessaire en data science.

Pas d’ETA fiable sans partage des données

Tout le monde sait désormais que les performances du dépendent de la quantité et de la qualité des données d’apprentissage. Si dans le domaine du transport les données ne manquent théoriquement pas, l’absence de partage et de mutualisation de ces données entre les acteurs reste un frein à l’obtention de résultats vraiment convaincants en matière d’ETA.

Pour d’évidentes raisons statistiques, plus l’algorithme est entraîné sur un gros volume de données d’activité de bonne qualité, plus la marge d’erreur est réduite. Très logiquement, un petit transporteur qui se lancerait seul dans l’aventure n’aurait accès qu’à ses propres historiques, une base totalement insuffisante pour entraîner un algorithme à couvrir tous les cas de figure possibles et imaginables sur tous les trajets, à toutes les heures, dans toutes les conditions météo, pour tous les types de véhicules. Un gros transporteur serait nettement avantagé, mais cependant moins que plusieurs transporteurs mettant en commun leurs données. Cela suffit à expliquer et justifier l’apparition de plateformes collaboratives proposant des services de calcul d’ETA basés sur les données réelles des membres utilisateurs – données dont ils restent individuellement propriétaires, mais dont l’exploitation commune bénéficie in fine à tous – petits et gros – en termes de fiabilité des ETA calculées et délivrées par l’intelligence artificielle.

Des compétences rares et chères…

Le fait que les algorithmes de machine learning soient disponibles en open source ne signifie pas que tout un chacun puisse s’en emparer pour développer sa propre IA de calcul d’ETA. L’algorithme ne fait pas tout et ne fait même pas grand-chose sans un sérieux travail préalable de modélisation. La modélisation est, avec l’analyse de données et la connaissance des cas d’usage des algorithmes du marché, le cœur de métier des data scientists. Ce profil est recherché par tous les grands acteurs, chargeurs comme transporteurs. Malgré l’augmentation du nombre de data scientists formés chaque année, la demande est insatisfaite et les enchères salariales s’envolent…