Nous avons commencé par étudier les données à disposition du client pour faire ressortir les indicateurs permettant d’alimenter un algorithme prédictif. Nous avons également assisté notre client dans la récupération des durées réelles des tâches pour comparer les durées réelles aux durées théoriques et chiffrer les gains potentiels.

Une fois la base de données constituée, nous avons appliqué à cette base de données un algorithme de prédiction permettant de calculer une durée de tâche et la marge d’erreur liée à cette prédiction. Cette marge d’erreur permettant d’évaluer la robustesse de la planification.

Nous avons accompagné notre client dans l’implémentation de l’algorithme afin que le calcul de la durée prévisionnelle de tâche soit transparent, immédiat et intégré à son logiciel de planification. Cette intégration a permis de ne pas modifier les gestes métiers des utilisateurs du logiciel de planification. Nous avons également pris en compte des contraintes opérationnelles non prises en compte auparavant.

Lorsque la phase de test a été lancée, notre client s’est aperçu qu’il y avait un domaine dans lequel ses opérateurs excellaient par rapport au système prédictif : la prise en compte des aléas.

Nous avons donc adapté notre système pour que la durée annoncée automatiquement dès la planification puisse être mise à jour facilement par des opérateurs qui seraient confronté à des aléas.

Cette modification a permis d’obtenir le meilleur de deux mondes : la rapidité et la fiabilité de l’intelligence artificielle et la capacité à s’adapter aux aléas de l’humain.