Attribution automatisée des chargements et optimisation de l'acceptation par les transporteurs
L'attribution de chargement est le processus par lequel une expédition est proposée à un transporteur. Dans une exploitation typique, le système de gestion du transport suit un guide de routage qui spécifie le transporteur principal pour chaque ligne, avec des transporteurs de secours si le principal refuse. Lorsque le transporteur principal refuse l'attribution, elle passe au secondaire, puis au tertiaire, et ainsi de suite. Chaque cycle de refus prend du temps, et au moment où un chargement atteint les transporteurs de secours, les tarifs sont souvent plus élevés et le service moins fiable.
L'IA optimise ce processus en prédisant quels transporteurs accepteront et en identifiant le meilleur transporteur pour chaque chargement avant que le cycle d'attribution ne commence.
Prédiction de l'acceptation par les transporteurs
Les modèles d'IA prédisent la probabilité qu'un transporteur spécifique accepte une attribution de chargement spécifique en fonction du taux d'acceptation historique du transporteur sur la ligne, des conditions actuelles du marché (les marchés tendus signifient plus de refus), du délai de prévenance (les chargements attribués avec plus d'avance obtiennent une meilleure acceptation), du jour de la semaine et de la période de l'année, et de l'utilisation de capacité actuelle du transporteur (déduite de ses récents schémas d'acceptation).
Ces prédictions permettent au système d'écarter les transporteurs peu susceptibles d'accepter et d'attribuer directement à des transporteurs présentant une plus forte probabilité d'acceptation. Cela réduit le temps moyen pour sécuriser un transporteur et évite les retards en cascade liés aux refus multiples.
Optimisation en cascade
La cascade traditionnelle du guide de routage est statique : transporteur principal d'abord, puis secondaire, puis tertiaire. La cascade dynamique de l'IA ajuste la séquence des transporteurs pour chaque chargement en fonction des conditions actuelles. Un jour où le transporteur principal refuse la plupart des attributions (peut-être est-il surengagé en raison d'un afflux dans son autre activité), le système le contourne et passe directement à un transporteur affichant une plus forte probabilité d'acceptation actuelle.
Cette approche dynamique réduit le nombre moyen de cycles d'attribution, qui passe de 2 à 3 par chargement (typique du secteur) à environ 1,2 à 1,5, économisant des heures dans le processus de planification des chargements et réduisant le besoin de couverture sur le marché spot.
Optimisation multichargement
L'IA n'attribue pas les chargements isolément. Elle considère le portefeuille complet de chargements à attribuer et optimise l'affectation entre tous les chargements et tous les transporteurs simultanément. Un transporteur susceptible d'accepter le chargement A mais pas le chargement B pourrait être mieux affecté au chargement A, libérant le chargement B pour un transporteur mieux adapté à cette ligne.
Cette optimisation de portefeuille produit de meilleurs taux d'acceptation globaux et une meilleure adéquation entre transporteur et ligne que l'attribution de chaque chargement indépendamment selon un guide de routage statique.
Communication avec les transporteurs
Les systèmes d'attribution par IA communiquent avec les transporteurs via des interfaces électroniques (EDI ou API) qui permettent une réponse rapide. Le système envoie l'attribution, reçoit l'acceptation ou le refus et passe automatiquement au transporteur suivant. Le cycle complet peut s'achever en quelques minutes plutôt qu'en plusieurs heures lorsqu'une intervention humaine est requise à chaque étape.
Pour les transporteurs qui préfèrent un contact humain, le système prend en charge une communication hybride où l'attribution électronique s'accompagne d'une notification au gestionnaire de la relation transporteur, qui peut effectuer un suivi personnel si le transporteur ne répond pas dans une fenêtre définie.
Boucle de retour sur la performance
Chaque résultat d'attribution alimente le modèle de prédiction. Les transporteurs qui acceptent plus fréquemment obtiennent de meilleures notes. Les transporteurs qui se mettent à refuser davantage obtiennent de moins bonnes notes. Les transporteurs qui acceptent mais ne parviennent pas à enlever à temps sont pénalisés sur la dimension fiabilité. Cet apprentissage continu maintient le modèle à jour avec l'évolution du comportement des transporteurs.
Pour en savoir plus sur l'optimisation par l'IA de la gestion des transporteurs en logistique, consultez l'analyse logistique et transport de FirmAdapt.