L’Intelligence Artificielle appliquée à la Reverse Supply Chain
Qu’est-ce que la Reverse Supply Chain ?
La Reverse Supply Chain porte sur l’ensemble des activités requises pour récupérer un produit qui a été mis à la vente (utilisé par le consommateur ou non) et l’éliminer ou bien le réutiliser. Les Reverse Supply Chain sont propres à chaque secteur d’activité mais on peut tout de même retrouver des maillons communs. Le transport des produits retournés constitue généralement la première étape de la chaîne, vient ensuite leur collecte dans des entrepôts puis leur distribution vers des centres de recyclage ou de réparation en vue d’une remise en vente.
Depuis quelques années la Reverse Supply Chain occupe une place de plus en plus importante dans le management de la Supply Chain. On retrouve ce sujet notamment autour des problématiques de circularité. Cela est lié d’une part à l’essor du e-commerce et d’autre part aux nouvelles réglementations environnementales pour lutter contre le gaspillage et agir contre l’obsolescence programmée. Il est ainsi inscrit depuis 2020 dans la loi AGEC qu’ « en cas de vente avec livraison, il peut être fait obligation aux distributeurs de proposer la reprise sans frais des produits usagés au point de livraison du produit vendu, ou auprès d’un point de collecte de proximité lorsqu’il s’agit de produits transportables sans équipement ». La loi oblige également depuis 2021 les réparateurs à proposer au client des pièces détachées issues de la seconde main.
Toutefois gérer sa Reverse Supply Chain a un coût très élevé pour les entreprises. Tellement élevé que certaines entreprises vont préférer procéder à un remboursement automatique plutôt que demander un retour. Or un produit retourné peut par exemple être réparé puis revendu. On comprend alors l’intérêt d’avoir une Reverse Supply Chain efficiente. L’utilisation de l’Intelligence Artificielle (IA) peut aider à construire ce maillon de la chaîne ainsi qu’à en maitriser les couts.
La complexité des Reverse Supply Chain
Les sources de coût jalonnent l’ensemble de la Reverse Supply Chain du fait de sa complexité.
Tout d’abord les retours engendrent des stocks parallèles parfois conséquents et les entreprises ne disposent pas toujours de réseaux de collecte suffisants. Dans ce cas, l’entreprise limite les retours afin de ne pas saturer sa Reverse Supply Chain. En parallèle l’entreprise doit pouvoir contrôler les articles qui sont injectés dans sa chaine logistique. En effet un client malintentionné pourrait renvoyer un produit différent, de qualité inférieure, à celui reçu. Ainsi la première étape d’entrée dans la Reverse Supply Chain constitue déjà un obstacle.
Une fois le produit intégré dans la Reverse Supply Chain, éventuellement à l’aide d’acteurs spécialisés, il faut pouvoir l’aiguiller vers le bon flux. Un retour peut être réutilisé de plusieurs façons et généralement chacune d’elles correspond à un flux différent. Il faut donc identifier le type d’article en question : produit cassé qui peut être réparé, produit obsolète dont on peut récupérer les composants qui ont toujours de la valeur, invendu, produit retiré de la vente, etc.
Enfin durant tout ce process il faut pouvoir suivre le parcours du produit. En effet il n’est pas rare de perdre un article durant son trajet retour. Et cela est d’autant plus vrai lorsque des partenaires externes interviennent.
Ainsi des failles sont présentes à diverses étapes et nous allons voir que le recours à l’IA peut aider à les pallier.
L’apport de l’IA
L’IA peut être utilisée sur tout le long de la Reverse Supply Chain pour optimiser les process. Voici quelques cas d’usage possibles ainsi qu’un exemple d’entreprise qui utilise l’IA pour le management de sa Reverse Supply Chain.
Piloter les retours
Le premier enjeu réside dans la construction d’une Reverse Supply Chain dont le distributeur maîtrise les coûts. Cela passe notamment par le dimensionnement des flux. Fonctionnant sur le même principe que les algorithmes de prévision de la demande, il existe des algorithmes de prévision des retours. Cela permet d’avoir de la visibilité sur les quantités en entrée et donc de dimensionner sa Reverse Supply Chain. En parallèle la prédiction des retours facilite l’organisation des tournées sur les flux retours.
Optimiser les flux
La seconde étape pour construire sa Reverse Supply Chain est la qualification des flux qui la parcourront. On a vu que ces flux étaient variés avec notamment la réparation, la récupération de certaines pièces détachées ou le recyclage complet du produit. L’IA peut faciliter cette étape de qualification en déterminant lequel de ces flux est le plus optimal selon différents critères. Il existe plus précisément des IA qui, via l’analyse d’un flux vidéo, peuvent identifier et catégoriser les produits retournés. Cela aiderait à déterminer si certaines pièces peuvent être récupérées ou non. Dans un second temps un algorithme d’optimisation peut déterminer l’optimalité du flux selon des critères définis par le logisticien. Par exemple si le critère choisi est le coût global, il est possible d’utiliser un algorithme qui calcule pour chaque flux les coûts associés et les revenus générés s’il y en a. On peut imaginer combiner plusieurs critères en plus des coûts. Par exemple le temps de traitement du retour par type de tache ou encore l’impact environnemental.
Contrôler les quantités
Une autre utilisation possible de l’IA intervient avant même la Reverse Supply Chain. Une solution pour limiter le coût de la Reverse Supply Chain est de limiter les produits qui la parcourt. Or une part considérable des achats sont retournés car le client a reçu un produit différent de sa commande. Une solution pour limiter ce type d’erreur est d’inclure une IA dans la chaine de validation qui détecte si le produit correspond bien à la commande. Cela peut se faire via de la reconnaissance d’images. L’IA peut également être utilisée pour traiter les erreurs remontées sur les commandes livrées. Par exemple l’algorithme pourrait détecter si les commandes expédiées depuis un entrepôt précis ont un taux de retour anormalement élevé. Des actions ciblées pourraient ensuite être mises en place pour réduire les erreurs sur cet entrepôt et donc diminuer le nombre de retours.
Pour donner un exemple de gestion d’une Reverse Supply Chain, on peut se pencher sur le cas d’Amazon. Durant la pandémie de covid les ventes en ligne ont explosé et logiquement les retours de produits également. Ainsi entre 2019 et 2020 les retours ont augmenté de 70%. Ces retours sont très couteux pour l’entreprise. Celle-ci a donc eu recours à un algorithme d’IA pour décider si le retour est économiquement pertinent ou non. Cette décision se base sur des critères tels que le prix ou la taille de l’article, qui impacte les frais de retours. Amazon va ensuite pouvoir demander au client de garder le produit en échange d’un remboursement ou de le retourner. Cela permet à Amazon de gérer le flux entrant dans sa Reverse Supply Chain. On peut imaginer aller plus loin et intégrer une dimension environnementale à cet algorithme.
En conclusion
Finalement avec un important travail préalable de collecte de données et sous réserve qu’elles soient disponibles en quantités suffisantes, l’IA peut permettre d’optimiser la Reverse Supply Chain de bout-en-bout. Ceci permettra sur le long terme d’injecter davantage de produits de seconde main sur le marché, et donc de construire une logistique plus durable.
Retrouvez quelques-uns de nos articles sur le sujet de la circularité :
https://findle.fr/piliers-circularite/
https://findle.fr/supply-circle/
Quelques sources :
https://www.supplychaininfo.eu/dossier-logistique/quelles-specificites-gestion-retours-logistique/
Emma
Consultante confirmée