IA SUR LES ACHATS
POINTS CLES
L’équipe de D3S a développé une Intelligence Artificielle en s’appuyant sur le webcrapping de masse pour réduire les dépenses liées aux achats généraux. Elle a été appliquée à un leader de l’industrie aéronautique lors de la crise COVID. La solution a permis de classer les biens et les services dans des catégories détaillées et de détecter les demandes d’achat qui pourraient être évitées. Le bénéfice a été démontré à court terme.
DONNÉES ET STACK TECHNIQUE
Nos algorithmes ont analysé x millions de bons de commande et des millions de descriptions de produits sur le web (Amazon, etc) par le biais de robots déployés sur plusieurs serveurs.
Le stack technique comprenait : Python, Scrappy, SKL, Numpy, PostgreSQL et QlikSense (à la demande de notre client).
CONTEXTE ET APPROCHE
Les achats généraux sont un poste de coût très élevé avec des biens et des activités hétérogènes (consommables de production, petit équipement, services, etc) dans l’industrie : X milliards d’euros de dépenses annuelles pour x0 000 fournisseurs et >1 million de lignes de commande par an. La classification de tous les biens et services achetés est difficile car ils sont souvents décrits par une description courte non standardisée. Par conséquent, le suivi des dépenses ne permet pas de déclencher des actions ciblées et d’observer leur impact concret.
La crise du COVID-19 impliquait des mesures drastiques pour maîtriser la trésorerie. Il était essentiel d’optimiser les dépenses liées aux achats généraux.
La première étape a consisté à classer tous les biens et services en petites catégories (par exemple, pour les consommables, les marteaux, les tournevis, les outils de métrologie, les produits chimiques, les papiers et les stylos… parmi de nombreuses autres catégories). Pour obtenir ces résultats, nous avons entraîné l’algorithme sur un ensemble de données provenant d’un récupération massive mais raisonnée (scrapping) de plusieurs sites e-commerce dans différentes langues. Cela a permis d’établir un lien entre la description du texte et l’arborescence de classification produits. L’algorithme a ensuite été appliqué au texte décrivant les biens achetés.
Une caractérisation encore plus approfondie a été réalisée sur les outils de coupe d’usinage, en analysant les pdf et les dessins pour en extraire les informations dimensionnelles et les caractéristiques clés. Cela a permis d’augmenter la standardisation et le potentiel de baisse de prix d’achat dans toutes les usines.
Nous avons ensuite développé une intelligence artificielle pour identifier les demandes d’achat suspectes et non critiques. Un comité confirmait les propositions de l’algorithme pour le cas échéant bloquer la demande d’achats et à réduire les dépenses pendant la période de crise. Les confirmations ont été utilisées pour améliorer continuellement l’algorithme.
RÉSULTATS
La solution fournie a contribué à construire une base de données solide permettant de mieux maitriser les dépenses. Nos algorithmes d’intelligence artificielle et la mise en place d’une gouvernance pendant la crise COVID ont contribué à l’effort global de réduction des dépenses ~1 milliard d’euros. Les résultats ont été fréquemment communiqués au comité exécutif.
Tous les développements ont été transférés à l’équipe IT interne et un data scientist a été engagé pour prendre le relais sur nos travaux.