Comment Sanofi utilise la science des données pour adapter sa chaîne d'approvisionnement

Plusieurs centaines de spécialistes de l'intelligence artificielle et de la science des données se sont donné rendez-vous au Palais des Congrès de Paris, ces lundi 25 et mardi 26 septembre. Parmi eux, Jamal Akhiad, head of demand forecasting au Global innovation center de Sanofi à Barcelone et son collègue data scientist Alex Pedurand. Les deux cadres du géant pharmaceutique français sont venus présenter la stratégie de leur entreprise en ce qui concerne les prédictions réalisées sur sa chaîne d'approvisionnement.

Un équilibre dans l'approvisionnement

Comment anticiper la demande en médicaments à travers le monde afin de gérer efficacement leur production et leur distribution ? L'enjeu est immense, selon Jamal Akhiad. "Tout simplement, si je n'ai pas prévu suffisamment de produits dans un marché spécifique, dans un centre de distribution spécifique, je risque d'être en tension de stock, a-t-il indiqué lors d'une présentation. C'est une industrie dans laquelle on veut absolument éviter de ne pas avoir de stock pour que nos patients puissent avoir leurs médicaments quand ils en ont besoin."

Le corollaire se vérifie aussi facilement. Si un marché mal approvisionné est un problème, un marché qui l'est trop en est un autre. "Quand je prévois trop, l'industrie en général et la chaîne d'approvisionnement en particulier sont tellement sous pression que je retire de la capacité de production d'une usine quelque chose qu'elle aurait pu produire pour quelqu'un qui en a vraiment besoin", poursuit le cadre de Sanofi. Il s'agit donc de "trouver l'équilibre", et ce grâce à plusieurs méthodes de prédiction sur lesquels planchent Jamal Akhiad et Alex Pedurand au quotidien.

"Un monde à optimiser"

Présente dans plus de 70 pays à travers le monde avec des règles et des besoins spécifiques, l'entreprise française doit maîtriser toutes les subtilités de sa chaîne d'approvisionnement, que Jamal Akhiad décrit comme "un monde à optimiser". A Barcelone, les équipes du Global innovation center de Sanofi doivent ainsi donner un forecast, soit une prédiction de la demande, "sur au moins 60 mois", produit par produit. Et actualiser cette prévision chaque mois pour rester à jour et ajuster l'approvisionnement longtemps à l'avance (Alex Pedurand cite un vaccin dont la production dure 38 mois).

Une tâche faramineuse qui a pour objectif d'anticiper l'évolution de la demande selon les zones de distribution et d'éviter ainsi de produire trop ou pas assez, et qui ne peut être réalisée sans l'aide d'algorithmes. Les data scientists et prévisionnistes ont commencé à modéliser cette chaîne d'approvisionnement en 2017, d'abord à petite échelle sur le logiciel R, puis en structurant et en automatisant leurs codes. L'équipe a fini par utiliser les solutions de Databricks afin de se libérer des tâches chronophages nécessaires à la maintenance de leurs algorithmes.

Quantitatif et qualitatif

Ces années passant, Jamal Akhiad et Alex Pedurand ont dû à la fois convaincre les différents départements de Sanofi de l'utilité d'une telle méthode et anticiper le plus possible des événements imprévus ayant un impact sur les stocks de médicaments tels que les phénomènes de surconsommation prééles confinements du Covid-19, l'invasion russe en Ukraine ou encore l'obstruction du canal de Suez par le porte-conteneurs Evergreen en 2021.

Ils s'appuient évidemment pour cela sur une approche quantitative, avec un fonctionnement graduel par lacs de données et divers modèles de forecasting comme le MAPA (multiple aggregation prediction algorithm). Mais les prévisionnistes et les data scientists de Sanofi prennent également en compte sur ce qu'ils appellent le "judgmental", des informations plus qualitatives qui remontent des marchés, et qui permettent de compléter par l'expérience une logique souvent centrée sur la donnée.