Comment l’utilisation de l’analyse et de l’IA peut aider les entreprises à gérer la chaîne d’approvisionnement des semi-conducteurs

Les entreprises et les consommateurs sont aux prises avec des problèmes de chaîne d’approvisionnement depuis des mois, ce qui entraîne des pénuries ennuyeuses de toutes sortes de produits, y compris des puces à semi-conducteurs très importantes.

Et tandis que le CHIPS and Science Act, promulgué en août, est conçu pour stimuler la fabrication de semi-conducteurs aux États-Unis, on ne sait pas quel effet la législation aura sur l’approvisionnement, ni même quand.

« La chaîne d’approvisionnement des semi-conducteurs est toujours limitée », a déclaré Brandon Kulik, leader de l’industrie des semi-conducteurs et directeur chez Deloitte Consulting. « Les délais de livraison ont en moyenne légèrement diminué, compte tenu de l’assouplissement du segment de l’électronique grand public [laptops and smartphones], et la demande de mémoire a diminué. Mais la demande de puces de centres de données, de défense et d’automobiles plus performantes reste historiquement élevée, certaines sociétés de semi-conducteurs enregistrant une croissance de l’ordre de 40 % ou plus. »

Une solution potentielle à court terme pour les entreprises qui dépendent des semi-conducteurs : des outils avancés d’analyse de données et d’intelligence artificielle pour aider à gérer les problèmes d’approvisionnement.

« La pandémie de Covid-19 a clairement illustré l’impact que des événements inattendus peuvent avoir sur les chaînes d’approvisionnement mondiales », a déclaré Rohit Tandon, directeur général et leader mondial des services d’IA et d’analyse chez Deloitte. « Cependant, l’IA peut aider le monde à éviter des perturbations similaires à l’avenir. »

En analysant les énormes quantités de données générées par les chaînes d’approvisionnement d’aujourd’hui, l’IA peut prédire une série d’événements inattendus, tels que les conductions météorologiques, les goulots d’étranglement des transports et les grèves de la main-d’œuvre, aidant à anticiper les problèmes et à réacheminer les expéditions autour d’eux, a déclaré Tandon.

« L’IA peut également permettre des améliorations spectaculaires dans d’autres domaines clés de la chaîne d’approvisionnement, notamment la prévision de la demande, la planification des risques, la gestion des fournisseurs, la gestion des clients, la logistique et l’entreposage », a déclaré Tandon.

Cela peut conduire à une amélioration de l’efficacité opérationnelle et de la gestion du fonds de roulement, à une plus grande transparence et responsabilité, et à des estimations de livraison plus précises ; et moins de ruptures d’approvisionnement, a déclaré Tandon. « En outre, les fabricants qui utilisent l’IA pour la visibilité dans leurs opérations d’usine intelligente peuvent mieux réagir aux perturbations potentielles pour éviter les retards et pivoter si nécessaire, ce qui leur permet d’être plus résilients tout en continuant à répondre aux demandes des clients », a-t-il déclaré.

« Les organisations peuvent tirer parti des outils d’analyse de données pour obtenir des informations plus approfondies sur l’ensemble de la chaîne d’approvisionnement », a déclaré Tandon. « Ces outils sont conçus pour améliorer la prévision de la demande et prendre en charge le partage de données avec les clients et les partenaires. » De plus, les organisations peuvent utiliser l’IA pour prédire ou prévoir les événements liés à la chaîne d’approvisionnement tels que les défis logistiques, les problèmes géopolitiques et les ruptures d’approvisionnement.

Ils peuvent soit exécuter des actions de manière autonome, soit recommander des actions que les parties prenantes devraient entreprendre, « en fin de compte, aider les entreprises à renforcer la résilience de leurs chaînes d’approvisionnement », a déclaré Tandon.

Lors du déploiement de ces outils pour la gestion de la chaîne d’approvisionnement, c’est une bonne idée de commencer avec une portée petite et étroite et de faire évoluer la profondeur et l’étendue des modèles et des algorithmes à mesure que les résultats montrent leur précision et leur valeur, a déclaré Tandon.

Des données de haute qualité sont également importantes. « Les données sous-jacentes sont essentielles, car de mauvaises données sont synonymes de mauvaises analyses », a déclaré Tandon. « Le manque de transparence dans la chaîne d’approvisionnement est souvent le résultat de données incohérentes et incomplètes sur les produits, les fournisseurs et les clients. définitions et [fixing] les problèmes de données fournissent la base de la qualité des données qui renforce la confiance dans les résultats du processus d’analyse et d’IA. »

Rand Technology, un distributeur indépendant de semi-conducteurs, utilise l’analyse de données pour résoudre les problèmes des clients liés à l’approvisionnement.

« Par exemple, si un client a besoin de réduire son excédent de stock, nous utilisons des données et des analyses pour identifier d’autres utilisateurs de ces produits et créer une opportunité de les rapatrier », a déclaré Jennifer Strawn, vice-présidente des solutions et de l’approvisionnement pour les Amériques et EMEA chez Rand. « De cette manière, les équipementiers et les sous-traitants sont en mesure de renforcer leur inventaire de composants. »

En outre, les données et les analyses sont particulièrement importantes lors de la phase d’introduction d’un nouveau produit d’un fabricant dans la sélection de la nomenclature, a déclaré Strawn. « Il est essentiel, au cours de cette phase, d’identifier où vous pouvez intégrer de la flexibilité dans la conception afin qu’il y ait plusieurs sources de semi-conducteurs sur la liste approuvée des matériaux », a-t-elle déclaré.

De cette manière, les fabricants ne dépendent pas d’un seul fournisseur de semi-conducteurs, ce qui, dans l’environnement actuel, pourrait avoir un impact sur les activités. « Nous tirons parti d’analyses avancées pour aider à déterminer la disponibilité de ces semi-conducteurs et pour repérer les tendances et les modèles, tels que les lacunes, les augmentations de prix ou les avis de changement de produit, avant que les produits ne soient en production », a déclaré Strawn. Rand utilise également la technologie pour prendre des décisions sur des scénarios futurs et pour déterminer la quantité de stock tampon qu’une entreprise pourrait vouloir sécuriser, a-t-elle déclaré.

Rand utilise également des analyses de données avancées pour identifier les tendances et les modèles qui lui permettent de guider stratégiquement les clients dans des conditions de marché périlleuses. « Grâce à la modélisation et à la visibilité en temps réel de la disponibilité, des évolutions du marché et des conditions à l’échelle mondiale », a déclaré Strawn, « nous sommes en mesure d’aider à réduire les risques et à cartographier à l’avance les stratégies qui peuvent être utilisées lorsque nous constatons certains changements et perturbations dans l’industrie ».