Caractéristiques et innovations
Fév 2024
5 min.
Caractéristiques et innovations
Rebecca s'est penchée sur cette question. Elle a étudié l'ingénierie économique et a rédigé son mémoire de licence sur ce sujet dans notre entreprise :
Évaluation de l'amélioration de l'efficacité par l'implémentation de dispositifs intelligents, de l'automatisation et de la science des données dans notre logiciel de gestion d'entrepôt (LVS) SuPCIS-L8 lors de la préparation de commandes.
Le raccourcissement des cycles de vie des produits et la multiplication des variantes entraînent des changements constants dans le portefeuille de produits. L'occupation des stocks, autrefois efficace, se fissure rapidement. Cela se traduit par des transferts de stock à grande échelle.
Cet article traite en détail des résultats obtenus grâce à la science des données, et plus précisément de la manière dont vous pouvez optimiser en permanence et de manière intelligente l'occupation de l'entrepôt et minimiser les trajets de préparation de commandes. Le modèle de guérison de l'entrepôt est basé sur la science des données et peut être appliqué dans un entrepôt chaotique.
Le big data, le data mining, l'apprentissage automatique et l'intelligence artificielle sont liés au thème de la science des données.
L'objectif de la science des données est de générer des connaissances à partir des données afin de rendre la complexité croissante de l'environnement logistique plus facile à maîtriser pour les personnes.
Il repose sur de grandes quantités de données (big data), notamment grâce au système de gestion des stocks. Les Big Data se composent des 4 V : Volume, Velocity, Variability et Veracity. Il s'agit de données qui existent en grande quantité, qui augmentent rapidement, qui sont variées et fiables en termes de contenu, de sources et de leur structure.
Les processus de recherche, de collecte, de filtrage et d'analyse des données dans le but d'identifier des modèles sont regroupés sous le terme de data mining. Le data mining peut être utilisé pour décrire des données ou pour faire des prévisions.
L'apprentissage automatique (ML) et l'intelligence artificielle (IA) sont des évolutions de l'exploration de données. Le ML est considéré comme un sous-domaine de l'IA. Le processus d'exploration de données peut être soutenu par l'IA et le ML. Inversement, les tendances ou les modèles prédits par l'apprentissage automatique ou l'exploration de données classique peuvent servir de base à un modèle d'IA. Dans l'ensemble, ces thèmes apportent leur contribution à la science des données.
Notre modèle Warehouse Healing montre dans quelle mesure la science des données peut contribuer à améliorer l'efficacité de la préparation des commandes. L'algorithme Warehouse Healing détermine en permanence l'emplacement de stockage optimal à un moment donné pour une préparation de commandes à trajets optimisés.
Les données collectées par le système de gestion des stocks constituent la base. Juste avant chaque nouveau calcul de proposition de l'algorithme de guérison d'entrepôt, les données actuelles sont extraites du système de gestion d'entrepôt. Les informations sur les stocks, la topologie, les données de mouvement et les paniers sont analysées en fonction des modèles dans l'historique des commandes. Concrètement, les informations relatives à l'emplacement, au stock, aux mouvements de stock, à l'unité de chargement, à la base de données des numéros de référence, au code mouvement et à la zone de prélèvement sont transférées depuis le système de gestion des stocks.
A partir de ces données, on détermine à quel endroit se trouvent quels articles et en quelle quantité, ainsi que le trajet à parcourir. À partir de là, des propositions de transfert sont générées en tenant compte de la fréquence des commandes (connue dans l'analyse ABC), de la distance jusqu'au point de transfert et de l'affinité des produits entre les articles (analyse du panier). L'analyse du panier fournit des informations sur les articles qui ont tendance à être achetés ensemble et qui doivent être stockés à proximité les uns des autres conformément à l'optimisation des trajets. L'objectif est d'établir la distance la plus courte possible entre l'article à prélever et le lieu de transfert ainsi que l'emplacement de stockage du prélèvement suivant.
La structure de stockage qui en résulte est représentée à titre d'exemple sur les cartes de chaleur des figures 1 à 3. La saturation de la teinte rouge correspond à la fréquence de prélèvement de l'article. Plus la couleur est claire, moins l'article est prélevé fréquemment. Les cases encadrées représentent l'affinité de la marchandise avec l'article pris en exemple (marqué d'un X). Le lieu de transfert et donc la destination de chaque cycle de prélèvement sont indiqués par "E/A".
La figure 1 représente un entrepôt chaotique à trois allées sans stratégie d'entrée. Ni la fréquence de prélèvement ni l'affinité des marchandises ne sont prises en compte. L'entrepôt est donc très fragmenté. La longueur des trajets de prélèvement varie en fonction des articles à prélever. Les trajets de prélèvement ne sont pas optimisés, à l'exception de l'ordre de prélèvement généré par le système sur la base des itinéraires de prélèvement.
La figure 2 montre la structure de l'entrepôt après le tri effectué selon l'analyse ABC. Les articles fréquemment prélevés se trouvent à proximité immédiate du point de transfert et les articles rarement prélevés se trouvent au fond de l'entrepôt. Les parcours sont partiellement optimisés. Cependant, les articles affinés sont toujours répartis sur toute la surface de l'entrepôt, ce qui a toujours un impact négatif sur les temps de déplacement du préparateur de commandes.
La figure 3 montre l'entrepôt selon l'approche Warehouse Healing. En raison de la prise en compte des affinités de panier, le zonage ABC est partiellement perturbé. Il en résulte toutefois une optimisation maximale des parcours. L'impact des deux stratégies des figures 2 et 3 sur l'efficacité est mis en évidence dans la partie pratique.
La structuration de l'entrepôt selon le concept de Warehouse Healing doit s'effectuer par des opérations de transfert avec un minimum d'effort (de temps) tout en ayant le plus d'effet possible. Pour cela, les opérations sont évaluées et classées par ordre de priorité. Un transfert représente un échange entre deux articles stockés. Un emplacement correspond à un point sur le système de coordonnées tridimensionnel qui est conçu pour la zone de stockage ou de prélèvement individuelle du client.
Un modèle mathématique attribue à chaque emplacement un score, c'est-à-dire une note, en tenant compte de l'article qui y est stocké. Un transfert de stock augmente la distance de sortie de l'un des articles et la réduit pour l'autre. Le calcul du score doit donc être adapté aux produits du client et à la structure de l'entrepôt.
L'employé voit les ordres de transfert dans un tableau d'utilité décroissante, par exemple sur son terminal mobile de saisie de données.
Le meilleur ordre de transfert possible a les trois caractéristiques suivantes :
L'exécution régulière et disciplinée des propositions de transfert permet d'optimiser continuellement l'occupation des entrepôts. L'effort manuel est de plus en plus réduit ou reste à un niveau constamment bas.
L'étude de l'amélioration de l'efficacité grâce au modèle Warehouse Healing est théorique et pratique.
Approche théorique : le modèle a été simulé par nos collaborateurs à partir de données réelles sur une période de trois mois d'un client pilote. Une simulation consiste à estimer le chemin à parcourir lors de la préparation de toutes les commandes reçues. Ce calcul est répété 300 fois pour un nombre différent de transferts de collecte et est représenté par rapport à la situation de départ (sans transfert de collecte effectué). Cette méthode offre la possibilité d'une évaluation théorique des avantages. Elle donne des informations sur le mode d'action de la combinaison de l'analyse de fréquence et d'affinité des marchandises par rapport au tri ABC habituel.
Étude pratique : le modèle a été mis en œuvre dans le cadre d'un projet pilote chez un client. Une période de trois mois a été analysée, au cours de laquelle les employés ont lancé le processus de guérison à huit reprises. En moyenne, neuf transferts Healing ont été effectués par processus déclenché.
Les données des deux évaluations se rapportent à la zone de prélèvement représentée sur la figure 4. L'entrepôt de prélèvement présente une forme de "L" à angle droit (entouré en rouge). Le prélèvement s'effectue selon un schéma en serpentin à travers les rayonnages. "E/S" est le point de transfert. Les outils sont : Des appareils intelligents et un chariot de préparation de commandes avec six casiers. En moyenne, cinq casiers sont utilisés sur le chariot de préparation de commandes. La préparation de commandes s'effectue selon le principe du picking multi-commandes.
Les résultats de la simulation : L'effet sur le chemin de sortie de stock est montré par le tri de l'entrepôt par le tri ABC pur (courbe rouge sans analyse du panier) et celui du warehouse healing (courbe verte avec analyse du panier). Les 100 % de l'axe des ordonnées représentent l'état de l'entrepôt sans stratégie.
Pour plus de clarté, les courbes peuvent être reliées aux cartes de chaleur du point 2 Warehouse Healing. A titre d'exemple, les 100 % correspondent à l'état de l'entrepôt de la figure 1, la courbe rouge à l'état de l'entrepôt de la figure 2 et la courbe verte à l'état de l'entrepôt de la figure 3.
L'axe des y indique le pourcentage de réduction du chemin de sortie de stock dans la figure 5 et l'amélioration de l'efficacité qui en résulte. L'axe des x contient le nombre de transferts de guérison effectués.
Pour 10 transferts, l'effet est encore identique avec et sans analyse du panier. Les deux stratégies permettent d'obtenir une réduction moyenne de 10 % du parcours de sortie de stock.
Après 38 transferts, le modèle d'entreposage atteint une réduction de 15% de la distance de sortie de stock, ce qui n'est atteint qu'après 90 transferts sur la courbe rouge.
Après 90 transferts, le warehouse healing atteint une réduction de 20 % du chemin de sortie, ce que le tri ABC classique n'atteint pas.
La courbe rouge indique 83 % à long terme. Grâce au tri ABC pur, on peut s'attendre à une réduction maximale de 17 % des distances parcourues après cette simulation. La courbe verte indique 76 % à long terme. La prise en compte de l'affinité des marchandises en plus de la fréquence de prélèvement permet d'obtenir une réduction des distances parcourues de 24 % à 25 %.
Dans le cas du tri ABC, 60 à 70 transferts sont utiles, puis l'effet diminue. Dans le cas du modèle de stockage, cet effet ne se produit qu'après environ 100 transferts. L'évolution asymptotique de la courbe est due à la hiérarchisation des propositions de transfert.
La figure 6 montre l'effet des transferts effectués dans l'entrepôt présenté ci-dessus, selon le même schéma que celui de la figure 5.
Huit opérations de transfert ont été effectuées au cours des 3 mois. Le graphique montre que les employés n'ont pas toujours choisi les meilleures propositions de transfert.
Cet effet s'observe surtout lors de l'opération de transfert représentée en violet. Six transferts de blanchiment ont été effectués, mais ils n'ont eu aucun effet sur le chemin de sortie. Dans le cas des courbes verte et orange, les transferts de vieillissement ont contribué à réduire le chemin de sortie. Dans les deux cas, six et sept transferts ont permis de réduire le chemin de sortie de 5 %.
La simulation prouve que la mise en œuvre du warehouse healing peut réduire les chemins de sortie de 20 à 25 %.
Dans le projet pilote également (malgré une mise en œuvre moins idéale), une réduction de près de 19 % des trajets de sortie de stock a été obtenue au total sur l'ensemble des transferts effectués. Les bénéfices sont les plus importants lorsque l'exécution est régulière, cohérente et correcte. Les pentes des courbes montrent que les premiers transferts ont le plus d'impact. Ils constituent la pierre angulaire d'une structure de stockage efficace.
Si le temps de trajet représente 55 % du temps total de préparation de commandes, une réduction de 20 % du temps de trajet se traduit par un gain d'efficacité de 11 % du temps total de préparation de commandes.
Pour accroître encore l'efficacité de la préparation des commandes, le warehouse healing pourrait être utilisé de manière globale. L'algorithme de healing pourrait déjà être utilisé lors de la recherche d'emplacements pour les entrées de marchandises. Cela ne permettrait pas d'éviter complètement les transferts de stock, car l'emplacement idéal serait probablement occupé au moment de l'entrée en stock, mais le meilleur emplacement suivant pourrait être choisi. Cela permet de réduire les distances à parcourir avant le transfert de stockage.
Le logiciel joue le rôle principal dans Warehouse Healing. Il représente l'intelligence de l'ensemble du concept. Une fois implémenté, il apprend et fonctionne de manière auto-organisée. Toutefois, l'intégration de l'algorithme de warehouse healing nécessite un logiciel de gestion d'entrepôt afin d'utiliser les données obtenues à partir de celui-ci. Grâce à la science des données, le logiciel est capable de relier entre elles les données les plus diverses.
En quelques secondes, le logiciel derrière Warehouse Healing transforme une quantité de données empiriques en une simple instruction de travail. La préparation et l'analyse des données en fonction des cas d'utilisation pour créer des informations simples et claires sont la clé d'une utilisation réussie.
L'exemple de Warehouse Healing montre combien de potentiels peuvent être découverts et exploités grâce à un logiciel et une bonne base de données.
Remarques: L'origine des données et des informations utilisées pour étudier les cas d'utilisation est en partie théorique et en partie pratique. Les études portent également sur des cas d'utilisation différents avec des méthodologies différentes. De ce fait, les résultats ne sont pas exactement comparables entre eux et ne sont pas non plus universellement valables.
En outre, l'efficacité de la préparation de commandes dépend de nombreux facteurs. Par exemple, des caractéristiques du processus, de la topologie de l'entrepôt, de la structure des commandes et de l'interaction entre les technologies. L'efficacité varie donc en fonction de l'application.
Néanmoins, l'approche choisie pour ce travail reste la meilleure pour répondre à la question principale. En effet, il est possible d'analyser les efficacités respectives de la préparation de commandes et de les mettre en relation en tenant compte des différences. Ainsi, les conclusions obtenues sont complètes, valables et plausibles si l'on tient compte du concept global sur lequel elles reposent.
Article de blog présentant un aperçu des résultats globaux : Des résultats étonnants en matière d'amélioration de l'efficacité grâce aux appareils intelligents, à l'automatisation et à la science des données.
Article de blog détaillant les résultats des Smart Devices : Augmentation de 23% de l'efficacité avec les Smart Devices dans la préparation de commandes.
Article de blog détaillant les résultats de l'automatisation : l'automatisation augmente l'efficacité de 97 % (semi-automatisation) et de 140 % (automatisation complète) dans la préparation des commandes.
Article de blog : Perspectives de développements futurs : Améliorer l'efficacité de l'intralogistique.
