Logistique pilotée par les données : coût du carburant de la flotte réduit de 15 %
Retour aux réussites clients
LogistiqueContract Talent

Logistique pilotée par les données : coût du carburant de la flotte réduit de 15 %

Des spécialistes sous contrat rejoignent l’équipe data d’un géant de la logistique pour construire un moteur d’itinéraires prédictif.

-15 %
Coût du carburant
Économies annuelles directes (~2 M$)
98 %
Respect des SLA
Contre 82 % avant la mise en œuvre
100 %
Adoption
Utilisé par les 50 centres de répartition régionaux

Le défi

T.L Logistics faisait face à une double crise : l’envolée du prix du carburant et de nouvelles réglementations européennes qui pénalisent les chaînes d’approvisionnement à forte intensité carbone. Son ancien système d’itinéraires était statique : il s’appuyait sur des trajets précalculés qui ignoraient les variables en temps réel, comme les files d’attente aux frontières, la météo ou les accidents de la route. Les répartiteurs décidaient à l’instinct plutôt que sur des données, d’où 15 % de kilométrage inutile et des manquements fréquents aux SLA. L’équipe IT interne maîtrisait SAP, mais n’avait pas les compétences spécialisées en data science et en ingénierie géospatiale nécessaires pour construire une solution dynamique fondée sur les données. Il lui fallait sans délai des experts capables de modéliser mathématiquement des problèmes d’itinéraires complexes.

Un routage statique à l’origine de 15 % de surconsommation de carburant.
Aucune visibilité en temps réel pour les répartiteurs.
Impossibilité de calculer l’impact carbone de chaque expédition.
Compétences Python/TensorFlow absentes de l’équipe Java interne.

La solution

GTEMAS a renforcé la division ingénierie de T.L Logistics avec 2 Senior Data Scientists et 1 Geospatial Engineer, intégrés directement à ses équipes Scrum existantes. Les responsables d’ingénierie de T.L ont fixé les priorités et les objectifs de l’« Optimization Engine » – y compris la décision de garder un répartiteur dans la boucle plutôt que de tout automatiser – et ont accepté les livrables, tandis que GTEMAS a encadré les ingénieurs qui ont réalisé le travail de modélisation. Modélisation prédictive : Nos ingénieurs ont construit un modèle de machine learning à partir de l’historique des journaux GPS (3 ans de données) pour prédire les schémas de congestion à des postes-frontières précis. Ce modèle reçoit en entrée des API de météo et de trafic en temps réel pour noter les tronçons d’itinéraire. Aide à la décision : Comme T.L exigeait d’éviter une automatisation en boîte noire, nos ingénieurs ont construit un tableau de bord « Human-in-the-Loop ». L’IA propose 3 itinéraires optimaux classés par coût, durée et empreinte carbone. Le répartiteur tranche. La charge cognitive des répartiteurs en a été nettement réduite.

Stratégie d’architecture

L’architecture repose sur des microservices : le service d’optimisation (Python/FastAPI) communique avec le TMS (Transportation Management System) central via des API REST. Les données sont ingérées dans Google BigQuery pour l’analyse en temps réel.

Impact et résultats

Le projet a fait de T.L Logistics, un transporteur routier classique, un prestataire logistique appuyé par la technologie. Les indicateurs de réduction carbone figurent désormais parmi les principaux arguments de ses appels d’offres B2B et l’aident à décrocher des contrats auprès de distributeurs soucieux de l’environnement.

-15 %
Coût du carburant

Économies annuelles directes (~2 M$)

98 %
Respect des SLA

Contre 82 % avant la mise en œuvre

100 %
Adoption

Utilisé par les 50 centres de répartition régionaux

Prêt à écrire votre propre réussite ?

Travaillez avec Global Tech Masters pour bâtir des produits numériques évolutifs et performants.