Dans la plupart des projets d’intelligence artificielle que nous accompagnons, le premier obstacle n’est pas technique. Il tient à une question simple : de quelles données dispose-t-on réellement, et peut-on leur faire confiance ?
Des données dispersées
Une chaîne logistique produit énormément d’informations, mais rarement au même endroit. Les commandes vivent dans l’ERP, les mouvements de stock dans le WMS, les tournées dans le TMS, et une partie des informations terrain circule encore par tableur ou par messagerie. Chaque système a ses propres codes articles, ses propres unités et sa propre définition d’une « livraison à l’heure ».
Trois chantiers à mener avant l’algorithme
- Cartographier les sources : lister les systèmes, les responsables et la fréquence de mise à jour de chaque donnée utile.
- Harmoniser les référentiels : un même produit, un même site ou un même client doit porter le même identifiant partout.
- Mesurer la qualité : taux de valeurs manquantes, doublons, incohérences entre systèmes. Ces indicateurs doivent être suivis dans le temps, pas vérifiés une seule fois.
La gouvernance, un sujet de direction
Ces travaux paraissent ingrats, mais ils conditionnent tout le reste. Nous recommandons de désigner un responsable de la donnée par grand domaine (achats, transport, entrepôt) et de fixer des règles claires sur la création et la modification des référentiels.
Le cadre juridique compte aussi : données personnelles des chauffeurs, géolocalisation, informations commerciales partagées avec les partenaires. Le RGPD s’applique pleinement et doit être intégré dès la conception.
Un investissement qui se rentabilise vite
Une organisation qui a fait ce travail peut lancer ses projets d’IA en quelques semaines au lieu de plusieurs mois. Elle gagne aussi immédiatement en fiabilité de pilotage, avant même le premier modèle prédictif.