Le Français Geodis, qui emploie 49 000 personnes, assure toute la chaîne logistique, de la distribution et l'entreposage des produits jusqu'à leur livraison dans plus de 170 pays. Cela se traduit par des centaines de milliers de kilomètres parcourus entre ses quelque 300 entrepôts, en multimodal (route, fer, air, mer).

La gestion d'une telle chaîne d'approvisionnement se révèle ainsi déjà complexe. Mais différentes évolutions accentuent encore le phénomène. Les clients des logisticiens exigent ainsi de plus en plus des informations sur l'état des livraisons et un avertissement sur les retards, en temps réel. Et les clients finals, eux, demandent davantage de transparence sur ces opérations. La réponse à l'ensemble de ces enjeux passe en particulier par une collecte et un traitement adapté de la donnée. Selon un communiqué de Geodis, la plateforme de data dont il disposait était « obsolète, ralentissait sa croissance et entraînait un manque de visibilité en temps réel sur les expéditions, pourtant exigée par les clients ».

Une visibilité insuffisante sur les données

Le logisticien dispose de dizaines de sources de data différentes en interne : opérationnelles, transport, ventes, etc. Ces types de données étaient jusque là traités dans des systèmes différents et isolés les uns des autres. Résultat, l'entreprise elle-même ne disposait pas de visibilité suffisante, et ses clients encore moins. Geodis s'est donc mis en quête d'une solution pour traiter le volume, la variété et la complexité des informations.

Delio Amato, Group Chief Architect Officer, précise dans le communiqué de Geodis avoir cherché un outil disponible dans le cloud public. Il souhaitait pouvoir déployer la même solution technologique dans sa chaîne logistique en évolution constante et présente dans le monde entier. Il fallait également pouvoir mettre en oeuvre la solution progressivement. Geodis s'est tourné vers Cloudera public cloud, capable de traiter de grandes quantités de données et d'orchestrer et d'automatiser des flux complexes.

Geodis dispose désormais de plusieurs méthodes pour collecter, traiter, transformer et stocker ses données dans différents types de référentiels. L'équipe de 60 développeurs a accès à un ensemble de différentes typologies de traitement de la data : batch, streaming en temps réel ou entraînement du machine learning. « Tout ce que nous faisons repose sur notre capacité à comprendre ce qui se passe à un endroit ou à un moment donné, poursuit Delio Amato. Qu'il s'agisse de nos camions, de nos navires ou de nos avions, nous devons tout surveiller en temps réel et être capables d'agir aussi rapidement que l'information est générée ». Le logisticien souhaite étendre l'usage de sa plateforme à d'autres services de l'entreprise, comme la direction commerciale, et se tourner prochainement vers un environnement multicloud.