Analytique Prescriptive : Transformer la Décision en Action (Guide & Cas Pratiques)

13h30, Pretoria, Afrique du Sud.

Une semi-remorque de la flotte Imperial Logistics quitte l’entrepôt principal. Chargé à bloc de boissons pour la grande distribution, il entame sa route vers Maputo, au Mozambique avec les contraintes habituelles aux niveaux des douanes, et de l’état des routes. Le ciel est dégagé, le trafic est fluide sur la N4.
Pour l’instant « Hamdoullah », mais le chauffeur est loin de se douter que cet aller-retour, simple en apparence, risque de se complexifier et aboutir à des détours inattendus.

13h50, Siège opérationnel, Gauteng.

Le téléphone rouge sonne (les plus âgés comprendront cette référence).

Une alerte clignote sur l’écran du Directeur Commercial. Massmart (filiale de Walmart et client stratégique) vient de passer une commande massive et urgente. Leurs stocks à Nelspruit sont à sec à la suite d’une vague de chaleur imprévue.

Si les rayons ne sont pas remplis ce soir, la vente est perdue, et pire, la satisfaction client chutera.

Qu’est ce que l’on fait face à un imprévu de cette ampleur : appels frénétiques aux chauffeurs ? Calculs manuels de coûts ? Une décision prise à l’intuition (ou au nifomètre) par le responsable logistique ?

Aucun des trois, car la réponse est déjà toute faite et toute trouvée

14h00

La réponse « Prescriptive ».

Le Responsable Logistique ne décroche pas son téléphone. Il regarde son écran, serein.

La « Control Tower » (Tour de Contrôle) d’Imperial, alimentée par l’analytique prescriptive, a déjà analysé la situation. En quelques millisecondes, elle a croisé :

1. La position GPS exacte du camion parti à 13h30.
2. Le coût du carburant pour un détour.
3. Les pénalités de retard pour le client de Maputo.
4. La marge générée par la commande urgente de Massmart.

Le système affiche une notification : « Action Recommandée : Dérouter le véhicule TP-402 vers le Hub de Nelspruit. Un second véhicule, actuellement vide à Komatipoort, prendra le relais pour Maputo avec un retard estimé de seulement 45 minutes. Gain net estimé de l’opération : +15%. »

Le responsable clique sur « Valider ». Le problème est résolu avant même d’avoir … existé.

Du mode « Réactif » au mode « Proactif »

Ce scénario décrit plus haut, ce n’est pas de la science fiction à la sauce minority report ou un cas fictif inventé pour mettre en avant un outil, c’est une situation rencontrée très souvent par Imperial Logistics et très bien documentée.

Dans le précédent article(en lien ici) on évoquait l’analytique prescriptive de manière globale et son utilité, celui-ci a pour vocation de plonger un peu plus dans le détail, comment ça fonctionne ? Les étapes clés ou encore quels sont les challenges que l’on rencontre le plus souvent lors de la mise en place ?

Source : Accenture

Décortiquer la « Boîte Noire » : L’Architecture d’un Système Prescriptif

Si nous reprenons le cas Imperial Logistics, la question n’est pas de savoir ce que le système a fait, mais comment il a techniquement pu générer cette recommandation en millisecondes. Contrairement à un tableau de bord classique, une solution prescriptive repose sur un moteur d’optimisation mathématique (le Solver) couplé à des règles métiers strictes.

Concrètement, pour passer de l’alerte à la solution, le flux de données traverse trois étapes critiques :

1. La Modélisation des Contraintes (Le Cadre Légal et Physique)

C’est la fondation. Avant même de chercher à optimiser, le système doit connaître les limites infranchissables du terrain. Pour un décideur algérien, c’est ici que l’on intègre la réalité locale. L’algorithme reçoit des paramètres rigides :

• Contraintes Hard : Capacité maximale du camion (20 tonnes), temps de conduite légal, interdictions de circulation (heures de pointe).
• Contraintes Métier : « Le client Massmart est prioritaire sur le client B », « Pas de livraison le vendredi après 13h dans telle zone ».
• Le but : Empêcher l’IA de proposer une solution rentable mais irréalisable.

2. La Fonction Objectif (Le But du Jeu)

C’est le cœur mathématique du problème. On doit traduire la stratégie de l’entreprise en une équation unique. Que cherchons-nous à maximiser ou minimiser ?

• Est-ce minimiser les kilomètres ? (Approche purement coût)
• Est-ce maximiser la satisfaction client ? (Approche service)
• Est-ce maximiser la marge nette ? (Approche financière) Dans notre exemple, le système a arbitré : le surcoût carburant (négatif) était inférieur au gain de marge et de fidélité (positif). La « Fonction Objectif » a donc validé le détour.

3. Le Moteur d’Optimisation (Le Solver)

Une fois les contraintes et l’objectif définis, le moteur d’optimisation (utilisant souvent la programmation linéaire ou des heuristiques) entre en scène. Il ne se contente pas de chercher une solution. Il simule des milliers de scénarios possibles en temps réel pour trouver l’optimum global. C’est cette puissance de calcul qui remplace l’intuition du responsable logistique. Là où l’humain voit 3 options, le Solver en évalue 10 000 et ne vous présente que la meilleure.

5 Étapes pour déployer l’Analytique Prescriptive (Sans casser l’existant)

Comprendre la théorie est une chose ; l’appliquer dans un environnement où les données sont cloisonnées et où les équipes ont leurs habitudes en est une autre. Voici une feuille de route en 5 étapes pour passer à l’action, adaptée à la réalité de nos entreprises.

Étape 1 : La Fondation – Briser les Silos (Le défi n°1)

Soyons francs : si vos données de stock sont sur un ERP, vos données logistiques sur Excel, et vos ventes sur un CRM isolé, l’analytique prescriptive est impossible. L’algorithme a besoin d’une vue à 360° pour optimiser, mais pour tout problème existant, il y a une solution et c’est un cas que nous avons souvent rencontré en tant qu’intégrateur

• L’action : Ne cherchez pas à remplacer tous vos logiciels métier. L’approche moderne consiste à créer une couche d’unification de la donnée (Data Warehouse ou Data Lake). On connecte les sources existantes (ERP, Excel, API) vers ce hub central qui servira de « vérité unique » pour l’algorithme.
• Le piège à éviter : Le « Garbage In, Garbage Out ». Si la donnée source est sale (ex: doublons clients), la prescription sera fausse. Le nettoyage est le prérequis non négociable et VITALE.

C’est ce travail de fond que nous avons réalisé pour des clients comme Linde Gas Algérie ou Sonatrach. En centralisant des sources disparates vers un entrepôt de données unique et propre, nous créons le socle de confiance nécessaire pour tout algorithme futur.

Étape 2 : Cibler un problème critique (« Think Big, Start Small »)

L’erreur classique est de vouloir « tout optimiser » d’un coup. C’est le meilleur moyen d’échouer.

• L’action : Identifiez UN point de douleur coûteux et récurrent.
  • Exemple : « les camions iwelou daymen farghine » oula « trop de stock dormant sur le produit X ».
• L’objectif : Prouver la valeur (ROI) sur un périmètre restreint avant d’étendre la solution.

Étape 3 : Modéliser les Règles Métier (L’expertise humaine codifiée)

C’est ici que vos directeurs métier entrent en scène. Le Data Scientist ne connaît pas votre business aussi bien qu’eux.

• L’action : Organisez des ateliers pour extraire les règles tacites.
  • Question clé : « Pourquoi décidez-vous de livrer ce client avant l’autre ? »
  • Traduction technique : Transformer ces réponses en contraintes mathématiques que le moteur pourra respecter. C’est ce qui garantit que la solution proposée sera réaliste et applicable sur le terrain.

• Cette explication n’étant peut être pas assez claire, voici un exemple concret pour un distributeur de boisson à Alger :
  La Règle Métier (Ce que dit le Responsable Logistique) :

« Écoute, ne m’envoie jamais les semi-remorques de 20 tonnes livrer les grossistes à Ain Naadja, El biar et Cheraga avant 20h00. C’est trop étroit, ils bloquent la circulation, la police les verbalise et on perd 2 heures. »

C’est une règle tacite, basée sur l’expérience (le « bon sens »).

• L’Erreur de l’IA (Si on ne traduit pas la règle) :

Si l’algorithme ne cherche que l’optimisation des coûts, il va calculer : « Un seul gros camion de 20 tonnes coûte moins cher en carburant que quatre fourgons de 5 tonnes. »

Résultat : Il prescrit l’envoi du 20 tonnes à 10h00 du matin à El Biar. C’est mathématiquement optimal, mais opérationnellement catastrophique.

• La Traduction en Contrainte Mathématique :

Pour que le moteur prescriptif respecte la réalité du terrain, le Data Scientist va coder cette phrase en une équation logique (une « Hard Constraint ») : Si (Zone== »Centre_Urbain ») ET (Heure<20:00) ALORS (Poids_Vehicule doit etre < 3.5 Tonnes)

L’Impact : Désormais, quand le moteur cherchera la meilleure solution, il rejettera automatiquement toute option envoyant un poids lourd au centre-ville en journée, même si elle semble moins chère sur le papier. C’est cela, garantir une solution « réaliste ».

Étape 4 : L’Interface « Human-in-the-loop » (L’IA propose, l’Homme dispose)

En Algérie, comme ailleurs, la confiance est la clé de l’adoption. Une « Black Box » qui prend des décisions seule sera rejetée par les équipes.

• L’action : Développer une interface d’aide à la décision, pas d’automatisation aveugle.
  • Le système affiche : « Je recommande l’action A (Confiance 95%) ou l’action B (Confiance 88%). »
  • Le manager garde le dernier mot : Il clique sur Valider, Modifier ou Rejeter.
• Bénéfice : Cela rassure les équipes et permet de gérer les exceptions politiques ou relationnelles que la machine ne peut pas comprendre. De plus, la friction est très souvent présente lors de l’adoption de nouvelle, cette option permet de minimiser la résistance au changement naturel chez l’humain.

Nous l’observons chez nos clients comme le Groupe Cevital: l’adoption technologique passe par des portails (SharePoint) ergonomiques qui facilitent la validation humaine au lieu de la contourner. Le gestionnaire garde le dernier mot, l’outil n’est qu’un super-assistant.

Étape 5 : Le Feedback Loop (L’apprentissage continu)

Le déploiement n’est pas la fin, c’est le début.

• L’action : Chaque fois qu’un humain rejette une proposition de l’IA, le système doit enregistrer « pourquoi ». Cette donnée est réinjectée pour affiner le modèle. C’est ainsi que l’outil devient plus intelligent et plus aligné avec la culture de l’entreprise mois après mois.

Pourquoi franchir le pas ?

Investir dans l’analytique prescriptive n’est pas une question de mode technologique, c’est une question de survie dans un marché de plus en plus volatile. Pour une entreprise, les gains se mesurent sur trois axes majeurs :

1. La Vitesse d’Exécution (Le Temps, c’est de l’Argent)

Dans l’exemple d’Imperial Logistics, combien de temps aurait-il fallu à une équipe humaine pour calculer manuellement les coûts de détour, les pénalités et la marge de 15 camions ? Probablement 2 ou 3 heures.

Trop tard, la commande aurait été perdue. Le prescriptif comprime ce temps de réflexion de quelques heures à quelques millisecondes. C’est la fin de la latence décisionnelle.

2. L’Optimisation sous Contraintes (Faire mieux avec moins)

C’est l’argument roi pour la direction financière. L’algorithme est capable de trouver des poches de rentabilité invisibles à l’œil nu.

• Réduire le stock dormant de 15% sans risquer la rupture.
• Augmenter le nombre de livraisons par chauffeur sans augmenter les heures sup. Il ne s’agit pas de dépenser plus, mais d’utiliser mieux les actifs existants.

3. La Puissance du « Et si ? » (Scénarisation & Trade-offs)

C’est souvent la différence majeure avec le prédictif. Le prescriptif ne vous impose pas une voie unique ; il peut simuler plusieurs futurs.

• Scénario A : Maximiser la marge (mais risque de rupture de stock).
• Scénario B : Maximiser la satisfaction client (coût logistique plus élevé). L’outil vous permet de visualiser l’impact de chaque décision avant de la prendre. Vous ne jouez plus aux devinettes, vous choisissez votre bataille en connaissance de cause.

4. L’Objectivation et l’Alignement Stratégique (La fin du « Nifomètre »)

En remplaçant l’intuition (« Je sens qu’il faut faire ça ») par une recommandation chiffrée, on dépolitise la prise de décision.
Mais surtout, le système garantit que chaque micro-décision prise sur le terrain est alignée avec vos KPIs globaux.
Que votre but soit la réduction des coûts ou la croissance agressive, l’algorithme « force » le respect de cette stratégie dans ses recommandations. L’humain garde le contrôle final, mais il décide sur la base de preuves, pas d’opinions.

Les défis à anticiper (La réalité du terrain)

Si l’analytique prescriptive est si puissante, pourquoi tout le monde ne l’utilise pas ? Parce que la marche est haute. Voici les pièges classiques que nous observons chez nos clients, et comment les éviter.

Le Mur de la « Data Quality »

C’est l’obstacle numéro 1. Un algorithme prescriptif est intransigeant. Si vos stocks sont justes à 80%, le modèle prendra de mauvaises décisions (le fameux « Garbage In, Garbage Out »).

• Le Conseil : Ne lancez pas un projet prescriptif sans un audit préalable de la qualité de vos données. C’est la fondation de la maison.

La Résistance au Changement (« La Boîte Noire »)

C’est humain : un responsable logistique ou commercial peut se sentir menacé par une machine qui lui dit quoi faire. Il peut craindre de devenir obsolète.

• Le Conseil : Comme évoqué plus haut, l’approche « Human-in-the-loop » est vitale. Présentez l’outil comme un « Super-Assistant » qui élimine les tâches de calcul fastidieuses pour laisser l’humain gérer la relation client et les cas complexes.

La Complexité Technique

Modéliser des règles métiers et des algorithmes d’optimisation demande des compétences pointues (Data Scientists, ingénieurs en Recherche Opérationnelle) qui combine habilement connaissance profonde de votre business et expertise technique qui travaille main dans la main.

• Le Conseil : Ne restez pas isolés. Faites-vous accompagner par des experts capables de traduire vos besoins métier en langage mathématique.

FAQ

Quelle est la différence entre analytique prédictive et prescriptive ?
L’analytique prédictive utilise les données pour anticiper ce qui va se passer (ex: « Vous aurez 20 min de retard »). L’analytique prescriptive va plus loin en recommandant la meilleure action à prendre pour optimiser le résultat (ex: « Tournez à droite pour économiser 15 min »).

Quels sont les prérequis pour mettre en place l’analytique prescriptive en entreprise ?
Le prérequis fondamental est la qualité et l’unification des données. Il faut briser les silos (fichiers Excel isolés, ERP non connectés) et centraliser l’information dans un Data Warehouse pour que l’algorithme dispose d’une vision fiable à 360°.

Question 3 : Peut-on appliquer l’analytique prescriptive en Algérie ?
Oui. Nos clients tel que Sonatrach, le Groupement Berkine ou des organismes comme l’OIT utilisent déjà des principes d’unification de données et d’aide à la décision (via des portails SharePoint ou du BI avancé) pour optimiser leurs opérations locales.

Conclusion : L’Avenir appartient aux entreprises agiles

L’analytique prescriptive n’est pas une baguette magique qui résout tous les problèmes d’un claquement de doigts. C’est une discipline exigeante qui demande de la rigueur sur la donnée et une vision claire.

Mais pour ceux qui franchissent le pas, la récompense est immense : une entreprise capable de s’auto-corriger, d’anticiper les crises et de saisir les opportunités plus vite que ses concurrents.

Vous ne savez pas par où commencer ? Vos données sont-elles prêtes pour l’étape suivante ? Chez IT Solutions, nous transformons vos données en leviers d’action.