NE MANQUEZ AUCUNE ANALYSE - CLIQUEZ SUR CE MESSAGE POUR SUIVRE NOTRE PAGE LINKEDIN
data blockchain

Chaîne agroalimentaire : utilisation des données et des jumeaux numériques

Entre juillet et octobre 2021, des pluies torrentielles ont arrosé les régions du nord de la Chine, inondant les principales provinces agricoles telles que Hebei, Henan et Shandong. Ces inondations ont touché des millions d’hectares de terres cultivées, entraînant des pertes alimentaires de plusieurs milliards de dollars et une forte augmentation des prix pour les consommateurs.

LIRE ÉGALEMENT Blockchain, un nouveau modèle économique : les coopératives de données

Les conditions météorologiques extrêmes et la pandémie ont entraîné une hausse des prix des engrais, ce qui ajoute aux pressions inflationnistes mondiales. Le conflit en cours en Ukraine aggrave encore la situation, l’Organisation des Nations unies pour l’alimentation et l’agriculture (FAO) ayant déclaré que le déficit d’approvisionnement mondial résultant d’une éventuelle baisse des exportations agricoles de la Russie et de l’Ukraine pourrait entraîner une hausse de plus de 20% des prix internationaux des denrées alimentaires et des aliments pour animaux.

LIRE ÉGALEMENT Blockchain : de la ferme à la table

Pour répondre aux chocs de la chaîne d’approvisionnement agricole causés par ce type d’événements notables, les entreprises agricoles peuvent envisager de mettre en œuvre la prochaine génération de planification de l’approvisionnement de bout en bout. Cette approche implique l’intégration de sources de données pour permettre un suivi en temps réel ; la simulation pour produire divers scénarios de chaîne d’approvisionnement ; le déploiement d’algorithmes d’optimisation appropriés pour des réponses en temps réel aux chocs ; et l’automatisation complète des trois premières étapes pour produire des systèmes de réponse automatique.

Intégration des données et suivi en temps réel

Fournir un accès transparent et en temps réel aux données pertinentes pour les parties prenantes impliquées dans la planification de la chaîne d’approvisionnement est une considération clé sur le chemin vers des systèmes de réponse automatisés. Si les ensembles de données internes à l’entreprise peuvent offrir des informations fiables sur la logistique, les transactions et les stocks, de nombreuses organisations manquent d’une visibilité plus approfondie sur l’ensemble de leur chaîne d’approvisionnement en raison de la sous-utilisation des vastes quantités de données externe librement disponibles.

L’intégration des sources de données publiques et privées peut constituer une base solide pour imiter la réalité. Les modèles du monde réel sont souvent appelés jumeaux numériques (« digital twins ») de la chaîne d’approvisionnement physique d’une organisation. Avec les bonnes données, les jumeaux numériques pourraient inclure tous les éléments clés de la chaîne d’approvisionnement, de la production et de la récolte au niveau de l’exploitation agricole à l’inventaire et aux points de vente. Mais les jumeaux numériques peuvent également être construits pour des étapes spécifiques de la chaîne d’approvisionnement où la visibilité est actuellement faible.
Prenons, par exemple, un jumeau numérique de l’exposition du maïs mondial à des anomalies notables. Des informations sur les anomalies climatiques (par exemple, « les précipitations dans cette région sont plus élevées qu’elles ne l’ont été au cours des 25 dernières années ») combinées à des informations textuelles provenant d’organes d’information (par exemple, « le nombre d’articles relatifs aux inondations ou aux crues dans cette région a été multiplié par 60 par rapport aux cinq dernières années ») et à des informations sur les champs obtenues par satellite (« un million d’hectares de maïs sont cultivés sur 50 000 champs individuels dans la région touchée ») pourraient fournir des informations sur les types de perturbations de la chaîne d’approvisionnement susceptibles de se produire en aval.

Utilisation de jumeaux numériques pour simuler des scénarios

Les jumeaux numériques des chaînes d’approvisionnement physiques constituent une base solide pour la simulation de divers scénarios, tels que les changements climatiques ou la politique gouvernementale.

Prenons l’exemple de la prévision du rendement des cultures, qui est l’art de prévoir le rendement des cultures et la production agricole avant que la récolte n’ait lieu, généralement quelques mois avant la fin de la saison de croissance. Les fluctuations du rendement des cultures ont des répercussions sur les activités en aval, comme la logistique de la récolte et la planification des stocks.
La simulation des rendements des cultures pourrait être réalisée au moyen de modèles mécanistes (dans lesquels la croissance future des plantes est prédite sur la base de processus sous-jacents tels que la photosynthèse et la respiration), ainsi que par deep learning–based approaches (qui visent à prédire les rendements sur la base d’images satellites à haute résolution).

Après avoir simulé différents scénarios liés au rendement des cultures ou aux pannes d’usine, les organisations peuvent choisir parmi une gamme de méthodes d’optimisation qui peuvent les aider à prendre des décisions éclairées sur des sujets tels que la meilleure façon de réacheminer les camions autour des zones inondées ou de déterminer les niveaux de stock appropriés.

En plus de l’optimisation des facteurs liés aux coûts, les modèles d’optimisation pourraient intégrer des contraintes de durabilité rigoureuses. Par exemple, une entreprise engagée dans l’approvisionnement en résidus de culture (tels que la paille) provenant de cultures céréalières a appliqué des contraintes visant à promouvoir la santé du sol, notamment en laissant suffisamment de résidus sur les exploitations pour que les nutriments retournent au sol.

Le choix de l’approche appropriée peut dépendre de facteurs tels que la disponibilité des données, le coût et la complexité de la mise en œuvre des modèles d’optimisation. Des approches d’optimisation plus avancées, capables de gérer l’incertitude, peuvent permettre de prendre de meilleures décisions sur la base de mises à jour d’informations provenant de sources telles que l’imagerie satellitaire ou les textes d’actualité.

Automatiser les décisions relatives à la chaîne d’approvisionnement dans l’ensemble de l’organisation

Si le niveau d’automatisation peut varier en fonction du type de chaîne d’approvisionnement agricole, il existe des conditions préalables à l’exploitation d’un système de planification de la chaîne d’approvisionnement axé sur la technologie et capable d’identifier et de piloter une évaluation potentielle :

  • Des mises à jour en temps réel facilement accessibles. Cela nécessite une forte intégration des différents flux de données et la transmission des changements en temps réel dans le format approprié.
  • Gestion coordonnée de l’exécution. La planification et l’exécution des réponses doivent être coordonnées au sein du système de planification.
  • Gestion du changement et confiance. Les employés de l’entreprise doivent pouvoir faire confiance au système, et il peut être nécessaire d’adapter les mentalités et les comportements pour promouvoir l’utilisation du système.
  • Capacités technologiques.
  • Traitement rapide des erreurs. Les systèmes automatisés doivent identifier et corriger automatiquement les écarts par rapport aux valeurs attendues.
  • Mises à jour des projections en temps réel. Les systèmes automatisés doivent pouvoir produire des projections actualisées de l’offre, de la demande et des stocks – ainsi que des coûts, des pénuries et des niveaux de stock qui en résultent – à des intervalles de temps appropriés.
  • Réponse décisionnelle prescriptive. Le système doit être doté d’un moteur intelligent capable de produire des recommandations optimales basées sur des compromis et de planifier des ajustements pour faire face à des problèmes tels que des pénuries soudaines de fournisseurs, des problèmes de qualité sur un site, des pics de demande soudains et des commandes inattendues.

La mise en place de systèmes de planification automatisés capables de gérer des niveaux élevés d’incertitude pourrait permettre d’améliorer la préparation aux risques liés à la sécurité alimentaire et de réduire les coûts pour les organisations touchées par les chocs de la chaîne d’approvisionnement mondiale.