Contexte & Objectifs

Un objectif commun pour presque toutes les entreprises de production alimentaire est de minimiser le gaspillage. Que ce soit pour construire une entreprise durable avec un impact environnemental minimal ou pour réduire les frais généraux, il ne fait aucun doute que les entreprises ont beaucoup à gagner en réduisant leurs déchets. Cela n'était pas différent pour une grande entreprise de production alimentaire basée en France.

Pour ce faire, elles ont reconnu qu'elles devaient adopter une approche axée sur les données. Mais par où commencer ? Si vous êtes dans une situation similaire, vous pouvez avoir de grands volumes de données à chaque étape de votre processus de chaîne d'approvisionnement situés dans beaucoup de bases de données et entrepôts différents. À un certain point, le volume et la complexité des données rendent cette enquête plus difficile qu'elle n'en vaut la peine, n'est-ce pas ? Eh bien, c'est là que la science des données et l'équipe d'Agilytic interviennent.

Les principaux objectifs sont :

• Consolider les différentes sources de données et comprendre l'ensemble de l'écosystème de données.

• Fournir des insights sur les facteurs responsables de la majorité des déchets dans le processus de production.

• Élaborer une feuille de route avec les actions à entreprendre pour mieux gérer les déchets.

Démarche

Avant que toute analyse ne puisse avoir lieu, une douzaine de sources de données différentes devait être agrégée et nettoyée. Les écosystèmes de données de cette taille viennent généralement avec de nombreux défis. L'un des plus grands défis rencontrés ici est la classification incorrecte des déchets à diverses étapes de la chaîne d'approvisionnement. Cela a provoqué des duplications et une surestimation des véritables quantités de déchets produits.

Comprendre l'écosystème de données uniquement grâce aux activités de cette première étape est suffisant pour mettre en lumière les possibles lacunes dans le processus de la chaîne d'approvisionnement, et cette entreprise peut agir immédiatement pour les rectifier.

Ensuite, nous utilisons l'apprentissage machine pour identifier les facteurs responsables de la plus grande partie des déchets dans le processus de production. À travers cette analyse, nous obtenons des informations sur l'impact de plusieurs facteurs sur la quantité de déchets produits, tels que

• La marque et le type de produit fabriqué.

• La durée de vie de chaque type de produit.

• Le temps nécessaire pour vendre un produit.

De nombreux facteurs utilisés dans l'analyse devaient être soigneusement construits à partir des informations disponibles. Souvent, les meilleurs indicateurs de notre résultat (dans ce cas, le gaspillage) ne sont pas visibles ou disponibles et doivent être conçus.

Résultats

Grâce aux analyses que nous avons menées, cette entreprise de production alimentaire a pu :

• Mieux comprendre son écosystème de données pour construire une base plus fiable pour les futures analyses et prévisions.

• Quantifier plus précisément ses déchets afin que des actions puissent être menées au bon endroit et au bon moment.

• Identifier les facteurs qui contribuent le plus à leurs déchets afin qu'ils puissent prendre des mesures pour y remédier.

• Déterminer quels produits et procédés ils doivent prioriser et améliorer pour minimiser les déchets.