TÉMOIGNAGE CLIENT
L'administration de l'État du Victoria à Melbourne, en Australie, a confié à l'équipe de Machine Learning (ML) de GHD, un cabinet de conseil international, la charge d'améliorer les processus logistiques des conteneurs grâce à la collecte et à la compréhension de jeux de données volumineux provenant de prestataires industriels, dans l'administration et dans le transport.
L'équipe, dirigée par Nikita Atkins, Data Science Global Leader de GHD, a fait appel aux solutions d'Alteryx pour faire réduire 100 millions d'entrées enregistrées de conteneurs d'expédition et de marchandises à 1,9 million, avec un taux de correspondance de 99,965 %.
En outre, grâce à Intelligence Suite, elle a pu établir des prévisions et des modèles prédictifs pour mieux estimer la destination des conteneurs, les marchandises qu'ils contiennent, la contenance de chacun, et le temps nécessaire pour revenir vers leur point d'origine, afin de mieux évaluer les dépenses publiques et les investissements dans les infrastructures.
Tous les cinq ans, le port de Melbourne (PoM) en Australie est tenu d'établir la liste de tous les conteneurs d'expédition entrants et sortants. Il est essentiel de comprendre les mouvements de fret afin de garantir que la mise en place d'infrastructures, de surfaces, de contrôles de planification et de politiques adaptés pour des chaînes d'approvisionnement efficaces.
Le PoM s'appuyait sur plus de 57 groupes indépendants pour suivre ces données dans plus de 60 formats différents. Ce processus prend généralement des centaines d'heures de tâches manuelles et de ressources, et historiquement, le taux de prévision était passé en dessous de 30 %. En outre, ces groupes n'étaient jusqu'à récemment pas en mesure de réaliser une analyse de correspondance réussie.
En 2019, avec son équipe de ML, Nikita Atkins a pu développer un processus de modélisation prédictive et gérer l'analyse des marchandises et des conteneurs. L'équipe a utilisé les solutions d'Alteryx pour collecter des données de septembre à octobre 2019 (soit plus de 250 000 trajets de conteneurs), les normaliser et les combiner, et dédupliquer 100 millions d'entrées fournies avant d'y appliquer plus de 200 règles métier avant de rendre les données exploitables. Elle a comparé le jeu de données final de 1,9 million d'entrées à celui du PoM et a pu constater que le nettoyage des données avec Alteryx permettait d'obtenir une correspondance des données de 99,965 %.
L'équipe a utilisé Alteryx Intelligence Suite pour créer 10 modèles prédictifs et comparer leur efficacité. Elle a affiné la sélection et a pu estimer la localisation d'un conteneur, y compris son point d'origine et de destination, les marchandises à l'intérieur, sa contenance, et générer des insights sur la destination et le calendrier du trajet de retour d'un conteneur.
Une fois ce processus terminé, l'équipe a recueilli les données du PoM et les a comparées aux prévisions générées par le modèle Alteryx Intelligence Suite. Les résultats ont montré un taux de précision de 77 % dans le suivi du cycle de déplacement des marchandises et des conteneurs d'expédition. Il s'agit sans aucun doute du plus haut niveau de précision jamais espéré par le PoM.
Les analyses développées par GHD avec Alteryx Intelligence Suite permettent aux autorités locales de comprendre où vont les conteneurs et d'où proviennent les marchandises, afin de prendre de meilleures décisions en matière d'infrastructures de transport et de planification du réseau. En retour, cela permet de bénéficier d'une chaîne logistique plus rapide, plus ciblée et plus productive.