GreenRoute : Optimisation des itinéraires par IA pour la livraison du dernier kilomètre

Le défi

GreenRoute Logistics gère la livraison du dernier kilomètre pour les entreprises de commerce électronique à Dubaï, Riyad et Doha. Avec plus de 15 000 livraisons quotidiennes réparties sur 200 chauffeurs, leur planification d'itinéraires manuelle atteignait ses limites. Les expéditeurs passaient 3 heures chaque matin à assigner les itinéraires en fonction de l'expérience et de l'intuition — et les itinéraires étaient souvent sous-optimaux, entraînant des livraisons tardives, des coûts de carburant élevés et des chauffeurs frustrés.

Le problème était aggravé par les défis uniques de la livraison au CCG : la chaleur extrême nécessitant le respect de la chaîne du froid pour certains biens, les communautés fermées avec des heures d'accès restreintes, les nouveaux développements non encore sur Google Maps, et les modèles de trafic qui changent considérablement pendant le Ramadan et les périodes de vacances.

Notre approche

Nous avons construit un système à trois composants : un service Python ML pour l'optimisation d'itinéraires, une application mobile Flutter pour les chauffeurs, et un tableau de bord web Next.js pour les expéditeurs. Le service ML utilise un solveur de problème de routage de véhicules (VRP) modifié et amélioré par l'apprentissage automatique pour la prédiction des temps de trajet.

L'algorithme principal combine Google OR-Tools pour l'optimisation combinatoire avec un modèle personnalisé boosted gradient entraîné sur 6 mois de données de livraison historiques de GreenRoute. Le modèle prédit les temps de trajet réels entre les emplacements en fonction de l'heure de la journée, du jour de la semaine, de la météo et des modèles saisonniers — bien plus précis que les estimations Google Maps pour les véhicules de livraison dans le trafic du CCG.

Nous avons également construit un moteur de contraintes qui gère les exigences uniques du CCG : fenêtres horaires pour les communautés fermées, routage à chaîne du froid qui minimise le temps de transit pour les biens sensibles à la température, appariement des compétences des chauffeurs (certaines livraisons nécessitent un levage lourd ou une manipulation spéciale), et des pauses de prière intégrées dans les horaires des chauffeurs.

L'application chauffeur : conçue pour une utilisation d'une seule main

L'application Flutter pour chauffeurs a été conçue avec une seule contrainte : elle doit être entièrement opérationnelle d'une seule main pendant que le chauffeur est à un arrêt de livraison. Grandes zones tactiles, gestes de balayage pour les mises à jour de statut, navigation activée par la voix et confirmation automatique de livraison via géofencing. Les chauffeurs passent moins de 5 secondes à interagir avec l'application par livraison.

L'application offre également des ajustements d'itinéraire en temps réel. Si une livraison échoue (client absent), le chauffeur appuie sur un bouton et le système recalcule instantanément l'itinéraire restant, réorganisant potentiellement les arrêts pour minimiser les retours inutiles. Si les conditions de trafic changent en cours de route, l'application suggère des chemins alternatifs sans intervention du dispatcher.

Tableau de bord du dispatcher : de 3 heures à 15 minutes

Le tableau de bord dispatcher Next.js a remplacé le rituel matinal de planification des itinéraires. Les dispatchers téléchargent maintenant le manifeste de livraison quotidien (intégration CSV ou API avec la plateforme e-commerce du client), examinent les itinéraires générés par l'IA sur une carte interactive, effectuent les ajustements manuels nécessaires (clients VIP, instructions spéciales) et distribuent les itinéraires à tous les chauffeurs en un seul clic.

Le tableau de bord offre également une visibilité de flotte en temps réel : localisation des chauffeurs, progression des livraisons, temps d'achèvement prévus et alertes automatiques pour les retards. Cette vue en temps réel a remplacé un groupe WhatsApp où les dispatchers suivaient manuellement les chauffeurs.

Résultats

Après 3 mois en production, les chiffres parlent d'eux-mêmes : le temps de livraison moyen réduit de 28 % (de 45 minutes entre les arrêts à 32 minutes), les coûts de carburant réduits de 19 % pour l'ensemble de la flotte, le taux de livraison à l'heure amélioré de 82 % à 96 %, et le temps de planification des itinéraires matinaux réduit de 3 heures à 15 minutes.

La satisfaction des chauffeurs s'est également améliorée considérablement. Les itinéraires optimisés sont plus logiques (moins de trajets inutiles), l'application réduit les appels téléphoniques des dispatchers et les chauffeurs terminent leurs itinéraires plus tôt. La rétention des chauffeurs a augmenté de 22 % au premier trimestre — une économie majeure dans une industrie connue pour son taux de roulement élevé.

GreenRoute a depuis étendu le système à ses opérations à Riyad et Doha et explore l'ajout d'une modélisation prévisionnelle de la demande — utilisant les données historiques pour pré-positionner les stocks aux emplacements satellites avant l'arrivée des commandes.

Leçons apprises

Les données historiques surpassent les modèles théoriques. Nos prédictions de temps de trajet entraînées sur des données de livraison réelles ont surpassé les API de routage génériques de loin, car elles capturent la réalité de la conduite de livraison — le temps de stationnement, l'accès aux bâtiments, l'interaction client — et non seulement le temps de trajet routier.

Le contexte régional est extrêmement important pour la logistique. La planification des horaires de prière, les modèles de trafic du Ramadan, les contraintes de routage liées à la chaleur extrême — ce ne sont pas des cas particuliers dans le CCG, ce sont des exigences fondamentales. Toute optimisation logistique qui les ignore échouera en production.