« Nous sommes encore loin d’avoir exploité tout le potentiel de la Data Science »

Pouvez-vous nous parler de votre parcours professionnel ?

J’ai commencé mes études en Tunisie, où j’ai suivi une classe préparatoire. En 2014, j’ai intégré Supméca Paris, une école d’ingénieurs généraliste. Lors de mon année de césure, j’ai pu identifier différentes possibilités d’orientation grâce à deux stages différents : d’abord en conception mécanique chez Valeo, puis chez le 4PL CEVA Logistics à Bangkok. J’ai choisi de me spécialiser dans la logistique car c’est un domaine très transverse dans le monde de l’entreprise, qui permet d’être en contact à la fois avec une variété d’acteurs et d’industries.

Comment avez-vous intégré Generix Group en tant que Data Scientist ?

Pour ma troisième et dernière année d’études, j’ai effectué un stage Chez Generix Group. À l’époque, je ne disposais pas de compétences particulières en informatique, que ce soit dans l’intelligence artificielle ou la data, par exemple. En revanche, j’avais des connaissances métier qui portaient essentiellement sur la Supply Chain. Ainsi j’ai eu l’occasion de travailler sur de nombreux sujets, tant du point de vue fonctionnel que de l’exécution : logistique, transport, entreposage, gestion des stocks, fabrication, etc.

À l’issue de ce stage, je maîtrisais mieux encore les aspects techniques, ce qui a suscité un fort intérêt pour le monde de l’IT. J’ai vite compris qu’il y avait sur le marché une forte demande pour de jeunes ingénieurs avec des compétences dans l’IT et la digitalisation. Au vu de mes compétences et des attentes du marché, il était plus pertinent pour moi de me spécialiser dans la Data Science. L’avantage, c’est que ce domaine se fonde sur des théories mathématiques et ne demande pas, au départ, de grandes compétences en développement informatique.

J’ai choisi de poursuivre mon parcours avec une alternance parmi les équipes de Generix Group, afin de réaliser des recherches sur la Data Science et de voir comment les intégrer en interne, pour nos produits ou nos clients. Lors des six premiers mois, j’ai procédé à la démocratisation de l’intelligence artificielle au sein du groupe. Par la suite, nous avons mis en place une structure d’innovation dédiée, le Data Lab, qui a pour but d’accompagner les équipes R&D de Generix Group dans le recueil du besoin et la mise en production de nouvelles solutions intelligentes.

La Data Science est aujourd’hui considérée comme un vrai domaine d’avenir. Selon vous, à quels enjeux la Data Science permet-elle de répondre ?

C’est un mélange de plusieurs choses. Nous avons atteint une maturité technologique à l’échelle mondiale et d’ailleurs, le deep learning et le machine learning ont déjà commencé à démontrer la puissance et la complexité des problèmes que l’on peut traiter avec ces technologies. Il y a aussi eu l’arrivée du Cloud et du Big Data, et la volonté durable de mettre à profit ces technologies pour mieux répondre aux attentes des clients. C’est tout cela qui a fait naître le métier de Data Scientist. En parallèle, il existe également un autre métier très corrélé au mien : celui de Data Engineer. Il s’agit de deux profils qui collaborent étroitement pour proposer de nouveaux services autour de la data.

La Data Science a non seulement pour but d’extraire des connaissances à partir de données homogènes ou hétérogènes, mais aussi de visualiser ces données en s’appuyant sur des outils mathématiques, des statistiques et des outils informatiques. Selon moi, les enjeux auxquels cette discipline peut répondre sont divers :

• visibilité en temps réel ;
• prédictions ;
• automatisation ;
• optimisation ;
• résolution de problèmes complexes avec la data comme nouvel angle d’attaque.

À noter que cela serait vrai pour tous les domaines industriels et métiers.

Existe-t-il plusieurs types de Data Scientists ? Si oui lesquels ?

Tous les Data Scientists disposent des mêmes compétences de départ. Ceci étant, en fonction du milieu professionnel dans lequel ils évoluent, ils vont être amenés à développer certaines compétences spécifiques et donc à progresser différemment.

Les entreprises de conseil en Data Science vont catégoriser les Data Scientists en fonction de leurs domaines d’expertise métier (traitement des fraudes, finance, logistique…) ou des techniques (traitement de l’image, traitement de sons, régression…).

Quelle est la réalité de la Data Science appliquée à la Supply Chain en France ?

Actuellement, beaucoup de start-ups françaises se spécialisent dans la data. Mais chaque entreprise a son propre angle d’attaque sur ce sujet, alors les pratiques sont très hétérogènes. Et même si l’on remarque une certaine prise de conscience de l’importance de la Data Science, encore peu d’entreprises voient concrètement ce qu’elles peuvent en faire d’un point de vue stratégique. Beaucoup de sociétés réclament des résultats rapides, ou du moins, des résultats qui permettent d’aboutir à du concret, du tangible. Le problème, c’est qu’il faut du temps pour adopter ces nouvelles technologies. Pour preuve, une étude Gartner menée en 2018 montrait que 80 % des projets de Data Science et d’IA échouent et s’arrêtent à l’état du POC – Proof of Concept.

Aujourd’hui, on emploie de plus en plus les termes de Big Data, de Smart Data… Mais nous sommes encore loin d’avoir exploité tout le potentiel de la Data Science. Tout simplement parce que chaque jour, apparaît une nouvelle technologie qui fait bouger le périmètre de recherche et les champs d’action.

Pour autant, je ne voudrais pas dépeindre un tableau trop négatif : certaines grandes entreprises commencent elles aussi à bien percevoir le potentiel de la Data Science et à mettre en place des équipes de travail spécialisées sur ces sujets. Pour moi, la Data Science doit avant tout être considérée comme une sorte de boîte à outils que l’on utilise pour résoudre des problèmes complexes que l’on a déjà essayé de traiter auparavant, mais sans parvenir à une solution fiable ou optimisée.

À lire également : [Ebook] La Supply Chain connectée dans le FMCG

Quels sont les apports de la Data Science dans la Supply Chain ?

La Data Science est arrivée dans ce domaine, comme dans tous les autres, avec pour objectif de fournir un ensemble d’outils permettant de résoudre des problèmes de manière rapide et efficace. Les enjeux de la Supply Chain sont et resteront plus ou moins les mêmes quelles que soient les technologies : visibilité, flexibilité, performance, rapidité, réponse à la demande des clients… La particularité du secteur de la logistique, c’est qu’il doit traiter de grands volumes et dispose d’une marge limitée. L’optimisation des coûts, peu importe la forme qu’elle prend, est donc nécessaire. Et c’est le rôle de la Data Science que d’aider à répondre à ces enjeux. Mais la Data Science concerne de multiples applications :

• la prédiction dans le futur (gestion partagée des approvisionnements) ;
• l’optimisation des tournées dans le transport pour réduire l’empreinte carbone et accélérer la livraison ;
• la visibilité sur les opérations de transport et la planification (Estimated Time of Arrival ou ETA) ;
• l’optimisation et la réduction des stocks tout en évitant les ruptures ;
• l’optimisation de l’espace et des stocks dans les entrepôts (slotting);
• l’amélioration de la productivité des opérateurs au sein des entrepôts grâce à des applications intelligentes.

En 2020, Generix Group a accéléré la mise à disposition de processus visant à rendre les opérations Supply Chain plus performantes grâce à un DataLab. Pouvez-vous nous en dire plus ?

Le DataLab est un concept qui existe déjà dans d’autres entreprises – c’est le cas de nombreuses sociétés du CAC 40. Mais pour elles, le DataLab est plus focalisé sur les données internes à l’entreprise. Chez Generix Group, nous avons choisi de nous concentrer sur les données clients et sur la valeur ajoutée que ces données pouvaient représenter pour ceux-ci au travers d’une approche client-centric.

J’ai pour missions principales de développer de nouvelles fonctionnalités innovantes d’intelligence artificielle ou de traitement des données autour des solutions de Generix Group et de proposer des services annexes à ces solutions.

J’ai par exemple participé au développement de l’offre Generix Data Power. Il s’agit d’une solution de mise à disposition et de valorisation des données de nos clients via des tableaux de bord, à des fins de Business Intelligence. Le but est de traiter les données et de souligner des KPI pour aider nos clients à mieux comprendre non seulement leur activité, mais aussi les données qu’ils traitent afin d’avoir une bonne visibilité sur les différents acteurs de leur Supply Chain.

Nous avons aussi des missions de conseil et d’accompagnement, où notre rôle est d’aider nos clients à analyser leurs données même si elles ne proviennent pas nécessairement de nos solutions.

Grâce à sa structure et à son fonctionnement, le DataLab nous donne la possibilité de tester et de rester ouvert sur les différentes technologies qui peuvent apparaître. Cet esprit « laboratoire » nous permet d’apprendre beaucoup et de nous maintenir à jour par rapport aux nouvelles technologies. C’est ce qui nous assure de garder une longueur d’avance en étant à l’écoute des nouveautés.