Les erreurs dans la préparation des commandes : un problème sans solution

Selon l’importance et la complexité du sujet, juste après celui de l’exactitude des tarifs logistiques, le thème des erreurs commises lors de la préparation des commandes clients représente aujourd’hui un terrain miné dans lequel les entreprises tentent de nombreuses solutions pour réduire des taux d’incidence allant de “zéro virgule” à “dix pour cent et plus”.

La “réclamation du client”, le fameux Claim, génère inévitablement un mécanisme de régression de la logistique d’entreprise qui est extrêmement dangereux sous de nombreux aspects : chaque réclamation reçue perturbe les équilibres, génère des coûts de résolution, ternit même l’image des équipes logistiques les mieux organisées, et cela indépendamment de la “cause racine” à l’origine de l’erreur.

Il est vrai que chaque entrepôt, en fonction de sa morphologie, de son organisation et, surtout, du type de SKU géré en son sein, présente des particularités si vastes qu’elles ne peuvent constituer une statistique. Il est tout aussi vrai qu’il existe des dénominateurs communs minimaux qui sont à la base des erreurs commises.

Pensons à la composition des équipes de préparateurs, à leur turnover et aux nouvelles recrues ; eh bien, au moment même où un opérateur est intégré aux activités de picking, il lui est intimé, avec véhémence, de ne jamais commettre ces “maudits” erreurs de préparation :

• Prendre le mauvais article.
• Picking de quantités incorrectes.
• Échange d’articles.
• Distribuer incorrectement les articles sur les étagères.
• Ne pas étiqueter les produits.
• Mélanger des articles destinés à des commandes différentes.
• Remplacer un article sans autorisation.

Il semblerait superflu de rappeler qu’un bon processus de manipulation et donc le bon mouvement des produits et la préparation des commandes représentent un moyen de réduire les erreurs et d’augmenter l’efficacité. En substance, il semble cependant que la règle du “tout le monde en parle avec une extrême compétence” s’applique, mais malgré cela, le problème est encore présent, avec toutes ses conséquences évidentes.

L’importance d’identifier les causes racines : cette opération peut être menée avec succès si et seulement si, au préalable, le phénomène a été complètement disséqué ; cela n’est possible que grâce à un bon processus de mesure des erreurs commises.

La stratification des données associées aux erreurs commises tout au long du processus, la distinction entre phénomènes récurrents (probablement attribuables à des causes communes) et événements sporadiques (plus spécifiquement liés à des causes spéciales), ainsi que l’identification temporelle et spatiale des erreurs, sont toutes des techniques et analyses à mettre en œuvre pour clarifier, une fois pour toutes, l’évolution du phénomène que nous appelons trop généralement “l’erreur de préparation”.

Le facteur humain reste toujours la cause la plus impactante ; les opérateurs logistiques doivent donc être bien formés et connaître les méthodologies de stockage.

Bien sûr, il existe une série de causes qui tendent à amplifier les effets négatifs des erreurs liées au facteur humain ; pour cette raison, en évitant la perverse théorie des alibis, il est fondamental d’éliminer tout aspect de contexte et de processus qui pourrait contribuer à ce que les gens se trompent et, encore plus, il faut créer un contexte qui incite à faire moins d’erreurs lors des phases de préparation des commandes et qui, en cas d’erreur imminente, dispose d’alertes (ou POKA YOKE comme diraient les amateurs de LEAN !) pour attirer l’attention du préparateur et le guider afin qu’il puisse corriger son erreur à temps.

La nouvelle frontière des systèmes d’intelligence artificielle appliqués à la logistique a aujourd’hui cet objectif, que je qualifierais même de “mantra” : résoudre le problème de l’erreur logistique avant même qu’elle ne se manifeste.

Il existe donc des systèmes de “vision par ordinateur” qui, à partir de l’association des images avec la traçabilité du processus, sont capables de comprendre si l’opération en cours, relative à la prise du colis spécifique, est correcte ou non.

Cela fonctionne comme un véritable système de retour d’information temporel : le système avertira directement l’opérateur chaque fois qu’une erreur de prélèvement se produit, lui permettant de corriger l’erreur et de prévenir l’apparition de réclamations potentielles. Le système fournira un retour d’information direct à l’opérateur.

On estime que ces systèmes d’intelligence artificielle, une fois qu’ils ont atteint des conditions de régime et correctement “entraînés”, peuvent garantir une capacité de détection allant jusqu’à 90 % des erreurs de prélèvement.