IN THE FIELD  
Maintenance Magazine 150 – novembre 2020

Intelligence artificielle et gestion des stocks

Une bonne gestion des pièces de rechange repose sur deux contradictions : il faut veiller à avoir un stock suffisant dans l’entrepôt pour assurer la production, et il faut veiller à ne pas avoir un stock trop important pour éviter l’évaporation du capital financier. L’intelligence artificielle peut représenter une aide dans la recherche du juste milieu. Et ce n’est pas une promesse lointaine puisque la technologie est déjà disponible.

La grande variété des articles et le faible volume qu’ils représentent en termes de chiffre d’affaires rend la gestion des pièces de rechange complexe pour chaque entreprise. Cependant, elle peut avoir un impact majeur sur la production. Un article qui n’est plus en stock peut mettre l’entreprise à genoux, et ce n’est pas nécessairement un article difficile à obtenir. Voyez Elon Musk qui a vu sa ligne de production Tesla à l’arrêt suite au manque de câbles USB (un problème chez le fournisseur) pour raccorder le système informatique du véhicule. La gestion du stock de pièces de rechange signifie donc bien plus que le rangement des articles dans un entrepôt poussiéreux. Cela mérite toute l’attention du management et des investissements cohérents. Le calcul pouvant servir de fil conducteur pour trouver l’équilibre entre la disponibilité d’une pièce et le coût de l’entrepôt est le suivant : coût d’indisponibilité (par jour) x délai de mise en œuvre x taux de défaillance. Si le résultat est supérieur au coût de stockage réel, alors la pièce de rechange doit d’office être en stock.

Plus il y a de sites, plus la gestion du stock est complexe

Par rapport aux autres matériaux en stock, les pièces de rechange présentent de nombreuses spécificités. Leur valeur diffère et leur demande est faible et aléatoire, ce qui fait grimper le coût à la pièce. De plus, il est difficile de faire des prédictions sur les quantités requises vu la demande irrégulière. Un autre point d’attention est la manière dont les pièces sont décrites. Chaque entreprise a sa manière de classifier, de cataloguer et de décrire les pièces, bien souvent dans sa propre langue. Ceci vient des départements qui travaillent encore trop en silos. Les différences s’étendent un peu plus lorsqu’on travaille sur plusieurs sites et dans divers pays. Le risque de doublons dans le système augmente, la gestion efficiente devient difficile. Et cela se répercute à l’étape de la maintenance prédictive.

L’aide de l’IA

Pour ces raisons, l’introduction de logiciels et de l’intelligence artificielle offre un énorme potentiel. Non seulement dans l’avenir mais aussi dans une forme actuelle, à condition de les appliquer en tant qu’élément du système, sous les auspices de l’intelligence humaine. L’intelligence artificielle peut contribuer à une meilleure gestion, de deux manières. Tout d’abord, ce peut être un instrument pour maîtriser la demande. Mieux vaut pouvoir planifier que devoir prévoir. En travaillant plus systématiquement et avec moins de réactivité, les coûts de maintenance, les temps d’arrêt et les stocks diminuent, tandis que la durée de vie des pièces et la production augmentent. Mais comment jeter les bases pour cela ? L’efficience commence par une classification correcte des pièces de rechange. Elle a lieu selon quatre critères : la demande (stable ou instable, fréquence haute ou basse) d’un article spécifique, la prévisibilité (maintenance planifiée ou non planifiée), la flexibilité de l’approvisionnement (beaucoup ou peu de fournisseurs, délais de commande courts ou longs), et le caractère critique du composant (quel est le risque d’arrêt). Sur base de ces informations, on peut définir, sans avoir recours à l’intelligence artificielle, si la commande peut être prédite, planifiée ou si la pièce doit être toujours en stock.

Rassembler les données

Pour obtenir les bonnes réponses et une classification correcte, il faut rassembler et analyser une grande quantité d’informations qui évoluent avec l’entreprise. Et c’est là que l’intelligence artificielle peut faire la différence. Collecter et rassembler les données dans et hors du processus de production permet d’élaborer un modèle. A partir de là, l’intelligence artificielle apprend quand des défauts peuvent se produire et quand il faudra prévoir certaines pièces de rechange. Cela ne doit pas être limité aux données disponibles dans l’atelier de production. Toutes les données peuvent en principe être incluses dans le modèle. Une vague de chaleur est annoncée ? Le système peut contrôler si toutes les pièces critiques inhérentes au refroidissement sont en stock.

Ordonner les master data

Le second aspect a plus à voir avec la gestion proprement dite. L’intelligence artificielle peut être une aide formidable pour ordonner les master data des pièces de rechange, même dans un entrepôt existant. Il s’agit de rendre les données disponibles de manière consistante pour tous les maillons de la chaîne de production. Du bon de commande à la facturation et aux catalogues du fournisseur, jusqu’au planning de production et aux contrats, tout le monde doit disposer des mêmes données, alors qu’elles sont aujourd’hui cryptées et spécifiques au domaine, souvent disponibles en plusieurs langues avec une large marge à l’interprétation personnelle. L’intelligence artificielle aide à combler automatiquement les données manquantes : les doublons sont supprimés, le flux de travail et l’enrichissement de données pour les alarmes proactives et la création de matériaux intelligents.

Par Valérie Couplez