Les revues de performance entre transporteurs routiers et chargeurs sont souvent synonymes de tensions et de désaccords sur les origines des non qualités. Face à ce constat, Sightness lance une application fondée sur l’intelligence artificielle identifiant leurs causes réelles et les actions correctrices à mener.
Pour Fabien Esnoult, président de Sprint Project, l’intelligence artificielle consiste "à analyser de grandes quantités de données hétérogènes dans un minimum de temps au moyen de traitements et algorithmes informatiques".
Pour être pertinente, "il faut l’exploiter dans le cadre d’enjeux concrets afin de répondre à des besoins métiers précis". Telle est l’approche retenue par Sightness pour améliorer la promesse client et la qualité de service dans le transport routier de marchandises. Créée par le cabinet Bp2r, cette solution SaaS de détection des anomalies transport fondée sur l’intelligence artificielle s’appuie sur un double constat expliqué par Alain Borri, cofondateur et directeur général de Sightness le 3 décembre à Paris lors du salon Supply Chain Event : "La donnée liée au transport est mal maîtrisée et lors des revues de performance, transporteurs et chargeurs ne sont pas capables de faire les bons constats et d’adresser les causes réelles des non qualités afin d’améliorer le taux de service".
Étapes à respecter
Le but de la nouvelle fonctionnalité de Sightness vise à identifier les causes réelles des non qualités et à redonner un sens "objectif" aux revues de performance entre transporteurs et chargeurs. Au moyen d’une collecte de données historiques sur les trajets effectués enrichie d’informations réceptionnées en temps réel et d’un auto-apprentissage automatique (Machine learning), la première étape consiste à "neutraliser les facteurs externes et les événements exceptionnels de la base de données tels que la météo, les conditions de trafic comme les interdictions de circuler, les variations de volume ou les retards de préparation".
Étapes à respecter
Le but de la nouvelle fonctionnalité de Sightness vise à identifier les causes réelles des non qualités et à redonner un sens "objectif" aux revues de performance entre transporteurs et chargeurs. Au moyen d’une collecte de données historiques sur les trajets effectués enrichie d’informations réceptionnées en temps réel et d’un auto-apprentissage automatique (Machine learning), la première étape consiste à "neutraliser les facteurs externes et les événements exceptionnels de la base de données tels que la météo, les conditions de trafic comme les interdictions de circuler, les variations de volume ou les retards de préparation".
