En octobre dernier, le commercial d'un fournisseur d'IA est venu dans notre entrepôt avec un ordinateur portable pour nous faire une démonstration de son système. Au bout d'une demi-heure, face à un écran plein de messages d'erreur, il n'a réussi qu'une phrase : « Vos données SKU sont… spéciales. » J'ai failli éclater de rire. Spéciales ? Notre entrepôt fait 3,000 mètres carrés, quatre personnes, un peu plus de 600 SKU, et nos données ont une vraie personnalité : un carton de papier hygiénique porte trois noms différents dans le système, et l'emplacement A-12-03 est censé contenir 40 cartons mais contient en réalité un tas de retours.
Ce jour-là, j'ai appris que la préparation des données pour l'IA en entrepôt n'est pas un luxe de grande entreprise. Pour un petit entrepôt, c'est une question de survie. Gartner prévoit que 60 % des projets d'IA dépourvus de données prêtes pour l'IA seront abandonnés d'ici 2026. Le projet NANDA du MIT a constaté en 2025 que 95 % des pilotes d'IA générative n'ont produit aucun retour mesurable. Derrière ces deux chiffres, il y a une seule phrase : ce n'est pas le modèle qui est en faute ; ce sont les données qui échouent d'abord.
À quel point nos données étaient sales
Commençons par les données de référence : les tables des SKU, des emplacements et des clients. C'est le socle sur lequel repose l'IA. Un socle de travers, et tout ce qu'on construit dessus s'effondre.
Notre désordre classique, c'est ce que j'appelle « un produit, beaucoup de codes ». Une marque de papier hygiénique : les achats ont créé un SKU appelé « Tissue-3ply », les opérations ont trouvé le nom trop long et ont créé « Tissue 3-ply », puis un fournisseur a changé le paquet de 100 feuilles à 120 et quelqu'un en a créé un troisième. Trois SKU dans le système, un seul produit physique, le stock réparti sur trois codes. Quand l'IA calcule le réapprovisionnement, elle croit qu'il y a trois produits. La suggestion ne peut pas être juste. J'ai contrôlé par échantillonnage nos plus de 600 SKU et j'ai trouvé plus de 40 doublons de ce type, près d'un sur dix.
Les emplacements étaient pires. Nous n'avons pas de responsable dédié aux emplacements ; la marchandise va partout où il y a une place libre, et les emplacements du système se sont éloignés de la réalité depuis longtemps. Lors du comptage de l'année dernière, notre précision d'enregistrement des stocks était de 91 % : neuf emplacements sur cent ne correspondaient pas aux livres. Donnez à l'IA des données précises à 91 % et demandez-lui de planifier les chemins de picking, et les préparateurs iront jusqu'à un emplacement, ne trouveront rien et reviendront. Ce n'est pas de l'efficacité. C'est payer pour agacer vos propres gens. Ce sont nos propres chiffres de comptage, pas une référence du secteur.
Les données de référence clients n'étaient pas plus propres. Le même client apparaît comme deux entreprises parce qu'un enregistrement dit « XX Trading, Dongguan » et l'autre dit « Dongguan XX Trading », avec l'adresse écrite de deux façons différentes. Le regroupement de l'IA les compterait volontiers comme deux clients. À qui la faute ? À nous : un petit entrepôt sans personne responsable des données, et un patron, moi, qui pensait autrefois que « à peu près, ça suffit ». L'IA n'accepte pas « à peu près ».
Préparation des données pour l'IA en entrepôt : trois types de données, dans le bon ordre
La préparation des données pour l'IA en entrepôt, dans l'ordre que notre entrepôt a appris à ses dépens : les données de référence d'abord, les données opérationnelles ensuite, les données d'équipement en dernier. Si l'on se trompe d'ordre, le travail est gaspillé.
| Type de données | Ce qu'il couvre | À quoi ressemblent les données sales | Suffisant pour un pilote |
|---|---|---|---|
| Données de référence | Tables des SKU, des emplacements et des clients | SKU en double, emplacements qui ne correspondent pas aux livres, clients en double | Zéro code en double parmi les SKU principaux ; précision des emplacements supérieure à 95 % |
| Données opérationnelles | Commandes, picking, relevés d'inventaire tournant | Scans sautés, écarts d'inventaire corrigés à la main, retours saisis trois jours en retard | Paperasse du jour même, relevés de picking correspondant aux numéros de commande |
| Données d'équipement | Journaux des scanners, capteurs et imprimantes | Horodatages désynchronisés, journaux manquants, erreurs que personne ne lit | Journaux correspondant aux commandes, horodatages alignés sur l'horloge du système |
Pourquoi les données de référence d'abord ? Les données opérationnelles sont l'histoire en cours ; les données de référence sont le dictionnaire. Si le dictionnaire est faux, l'histoire est fausse. Notre approche : nettoyer d'abord les 200 premiers SKU par vitesse de vente ; la tête de liste couvre environ quatre-vingts pour cent des expéditions. Pour les emplacements, fixer d'abord une règle de fer : un emplacement contient un SKU. La déduplication des clients a pris un après-midi pour l'essentiel.
Les données opérationnelles viennent en deuxième. Les commandes, les relevés de picking et les relevés d'inventaire sont le manuel dont l'IA apprend « comment notre entrepôt fonctionne vraiment ». Le manuel ne peut pas avoir de chapitres manquants : des préparateurs qui sautent des scans pour gagner du temps, des écarts d'inventaire modifiés en douce, des commandes de retour saisies trois jours en retard ; tout cela enseigne à l'IA les mauvaises leçons. Notre règle maison est simple : la paperasse du jour se règle le jour même, et ce qui reste le soir est le premier point de la réunion du lendemain matin.
Les données d'équipement viennent en dernier : journaux des scanners, relevés des capteurs, erreurs d'imprimante ; le plus gros volume, le moins d'usage dans un premier pilote. Il suffit de s'assurer que les journaux des scanners peuvent être rapprochés des numéros de commande et que les horodatages des capteurs n'ont pas une demi-heure de retard sur l'horloge du système. Nous avons eu exactement ce problème une fois : un capteur avait 25 minutes de retard sur le WMS, et l'analyse de température de l'IA est sortie complètement décalée.
Préparation des données pour l'IA en entrepôt à petit prix : aucun budget requis
Une grande entreprise embauche des consultants pour la gouvernance des données, des dizaines de milliers de dollars par mission. Nous ne pouvons pas nous permettre de brûler ce genre d'argent. Nos solutions sont maison, et elles fonctionnent.
Solution un : Excel est un outil de gouvernance. J'exporte la table des SKU, je trie par nom, et les doublons se retrouvent côte à côte, là où l'œil les repère. Je trie ensuite par code-barres, et les codes-barres manquants ou en double sautent aux yeux. Chaque vendredi après-midi, le superviseur de l'entrepôt et moi passons une heure à examiner 50 SKU. En un mois, nous terminons les 200 premiers. Le coût, c'est le temps de deux personnes ; le résultat, c'est un taux de doublons tombé de près d'un sur dix à pratiquement zéro.
Solution deux : faire du scanner l'arbitre. Les préparateurs prenaient le stock de mémoire. Désormais, la règle est de scanner pour confirmer à la fois l'emplacement et le SKU, et le scanner bipe quand c'est faux. Les gens se sont plaints pendant deux semaines. À la troisième semaine, les erreurs de picking avaient baissé, et chaque emplacement qui ne correspondait pas aux livres a fait surface un par un.
Solution trois : arrêter les comptages surprises, faire des comptages tournants. Vingt emplacements chaque matin avant le début du travail, tout l'entrepôt couvert en un mois. Un écart est corrigé sur place, et nous demandons pourquoi sur-le-champ : mauvais emplacement ou mauvaise saisie ? En trois mois, notre précision d'inventaire est passée de 91 % à plus de 97 %. Encore une fois, ce sont nos propres chiffres : la preuve qu'un petit entrepôt peut améliorer ses chiffres avec des méthodes maison.
Maintenant, le calcul (exemple illustratif) : quatre personnes, une demi-heure chacune par jour pour le nettoyage des données, cela fait 60 heures de travail par mois. À 30 yuans de l'heure, cela fait 1,800 yuans. Comparez avec le lancement d'un pilote d'IA sur des données sales : les frais de mise en œuvre du fournisseur commencent à des dizaines de milliers de yuans, le pilote tourne un mois, les données s'avèrent fausses, on recommence, les frais sont perdus, et la haute saison a toujours besoin d'humains pour sauver la situation. Ces 1,800 yuans achètent le billet pour un pilote qui ne s'écrase pas.
Voici la partie contre-intuitive : plus l'entrepôt est petit, plus ce travail doit se faire tôt. Les grands entrepôts ont des équipes informatiques et des budgets et peuvent absorber un échec. Quand un petit entrepôt échoue une fois, un semestre de bénéfice est parti. Ne pensez pas « nous sommes petits, nous avons peu de données, c'est facile ». Peu de données signifie que chaque erreur représente une grosse part. Six cents SKU, quarante doublons : aux yeux de l'IA, cet entrepôt n'a aucune donnée propre.
Conseils pour les entrepôts comme le nôtre : nettoyer d'abord, parler d'IA après
Si vous dirigez aussi un petit entrepôt, la prochaine fois qu'un fournisseur vous dira « il suffit de le brancher et ça marche », posez d'abord trois questions : que fait votre modèle avec des SKU en double comme les nôtres ? Quand un emplacement ne correspond pas aux livres et que le chemin de picking est faux, qui en est responsable ? Si le pilote tourne mal, les frais de mise en œuvre sont-ils remboursables ? Après ces trois questions, vous saurez à peu près si l'argent vaut la peine d'être dépensé.
Nous n'avons pas encore adopté l'IA. Les données sont propres, et le pilote est prévu pour le second semestre de cette année. La présentation d'un fournisseur n'expire pas, mais la haute saison ne vous attendra pas. Lavez d'abord les trois tables, puis reliez les relevés opérationnels, et seulement ensuite les journaux d'équipement. Quand la préparation des données pour l'IA en entrepôt est faite, l'IA arrive comme une aide. Sans elle, l'IA arrive comme un patron qu'il faut servir.
Les petits entrepôts ont leur propre façon de survivre : les grandes entreprises foncent avec des budgets ; nous, nous nettoyons petit à petit de nos propres mains. Nettoyez bien, et un petit entrepôt peut aussi utiliser l'IA, simplement à notre rythme, pas à celui du vendeur.
Par Xiao Ma, Propriétaire d'un petit entrepôt Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.







