Études de cas

OSCAL.AI gère d’importantes flottes de véhicules, avec des milliers de points de service et plusieurs lignes d’affaires (huiles usagées, cartons, papier, caoutchouc et liquides spécialisés). Dans un contexte de pression accrue sur les marges et d’exigences environnementales grandissantes, l’entreprise devait faire évoluer sa solution afin de maintenir sa performance et sa position de leader technologique.

Plusieurs limites opérationnelles freinaient la capacité de croissance de la plateforme. D’abord, les itinéraires de collecte (tournées) étaient générés à partir d’un système de simulation testant différentes combinaisons de routes, plutôt que de s’appuyer sur un véritable moteur d’optimisation mathématique. Ensuite, la priorisation des clients reposait en grande partie sur des décisions manuelles, ce qui réduisait l’efficacité globale. Enfin, la planification des flottes sur un horizon de plusieurs jours demeurait complexe, entraînant des camions sous-remplis et des collectes déclenchées prématurément par rapport aux niveaux d’inventaire réels des clients.

Concrètement, près de 58 % des collectes étaient effectuées trop tôt, tandis que seulement 34,5 % atteignaient la fenêtre de rentabilité optimale. Cette imprécision augmentait le coût au kilomètre, alourdissait l’empreinte carbone et limitait la valeur que la plateforme pouvait offrir à ses clients.

Pour répondre à ces enjeux, OSCAL.AI a collaboré avec Vooban afin de développer un moteur d'optimisation des itinéraires sur mesure.

Le moteur repose sur différents piliers. Le premier est un modèle de priorisation qui gère trois types de tâches : les collectes automatiques déclenchées dynamiquement selon l'inventaire, les visites à fréquence prédéfinie selon les contrats et les passages à périodes fixes. Ce pilier s’appuie également sur un suivi précis des inventaires chez les clients, intégrant leur taux d’accumulation journalier, un niveau cible à maintenir ainsi qu’un seuil de débordement à éviter, permettant ainsi d’anticiper les besoins et de prioriser les interventions de manière proactive.

Le deuxième pilier est un modèle multi-compartiments. Cette capacité permet à un même véhicule de transporter plusieurs produits incompatibles, par exemple huile et liquide de déglaçage. L'algorithme décide dynamiquement quel compartiment est dédié à quel produit en respectant les capacités et l'équilibre de remplissage.