Délais qui glissent sans arrêt ? Utiliser l’AI pour créer une alerte retard et une liste de décision express

Face aux retards de livraison en impression, le point de départ le plus efficace n’est pas de changer de fournisseur. C’est de remettre en ordre l’historique de vos propres commandes et de créer une grille de scoring du risque, pour estimer la probabilité de retard avant chaque nouvelle commande, puis décider s’il faut ou non passer en urgence. Quand l’équipe conseil de l’Académie du savoir Mai Strategy aide des clients sur ce sujet, la première étape est toujours de transformer les commandes des 12 à 24 derniers mois en données analysables. Pas de brancher directement un outil

Même fournisseur, même type de produit : en juin, livraison à l’heure ; en juillet, trois jours de retard. On demande pourquoi. La réponse est toujours la même : « ce mois-ci, on est très chargés », « il y a eu une rupture matière ». Les années passent, le problème reste là

Les délais en impression dépendent de plus de variables qu’un achat classique. Et les problèmes arrivent rarement seuls. Un fournisseur avec un seul facteur de risque tient souvent le coup. Mais quand trois risques moyens s’empilent, même avec de la bonne volonté, tenir la date devient compliqué

D’après ce que j’observe depuis longtemps entre atelier et clients, les combinaisons qui déclenchent le plus souvent des retards sont ces quatre-là :

・Nouveau fournisseur en première collaboration : les allers-retours de validation du BAT peuvent déjà consommer deux jours, sans routine de communication en place

・Présence de façonnages complexes : forme de découpe, dorure à chaud, vernis UV, ce sont des opérations dont le temps de calage est difficile à estimer. Parfois le fournisseur lui-même n’est pas sûr

・Pleine saison : deux mois avant le Nouvel An lunaire, période des salons, saison des remises de diplômes. Les plannings sont pleins, la marge de sécurité tombe à zéro

・Beaucoup de SKU sur une seule commande : quinze SKU d’un coup, chacun à valider puis à planifier par lots. Si un seul bloque, tout le lot peut déraper

Pris séparément, ces quatre facteurs sont souvent absorbables par le fournisseur. Dès que deux ou plus se cumulent, si les achats attendent encore que le fournisseur signale le problème de lui-même, il est généralement déjà trop tard

L’historique est la base de tout. Sans données mises en ordre, une prédiction n’est qu’une phrase lancée dans le vide

Le tableau des commandes n’a pas besoin d’être compliqué. Ces colonnes sont les plus importantes :

・Date de commande, nom du fournisseur, type d’imprimé : cartes de visite, catalogues, boîtes d’emballage, drapeaux

・Délai promis vs date réelle de réception, avec calcul du nombre de jours de retard ; si c’est à l’heure, notez 0

・Type de façonnage : dorure à chaud, forme de découpe, UV, aucun

・Nombre de SKU sur la commande

・Période de forte charge ou non, à marquer simplement par mois ou par date de salon

・Première collaboration ou non

Ce tableau paraît très basique. Mais après 80 à 100 commandes similaires, les régularités apparaissent : tel fournisseur voit son taux de retard monter nettement d’octobre à décembre ; les travaux avec forme de découpe arrivent presque toujours deux jours après la date promise ; les nouveaux fournisseurs retardent environ trois fois plus souvent que les fournisseurs habituels

80 commandes, c’est le seuil bas pour que la statistique commence à vouloir dire quelque chose. En dessous, votre « taux de retard de 20 % » peut juste signifier qu’une commande sur cinq a dérapé. Sa valeur de référence est faible. C’est la vraie raison pour laquelle beaucoup d’acheteurs essaient un outil AI et se disent que « ça ne semble pas très juste » : le problème ne vient pas de l’outil, mais du trop petit volume de données qu’on lui donne

Avec cette base, importez-la dans ChatGPT ou Excel et demandez des statistiques de retard par fournisseur, par saison et par type de façonnage. En une ou deux heures, on obtient souvent un premier portrait des commandes à haut risque, c’est-à-dire ce qu’on jugeait jusque-là au feeling

Les frais d’urgence représentent souvent 20 % à 50 % du devis normal, parfois davantage. Avant de payer, calculez ce chiffre :

« Perte attendue liée au retard = nombre de jours de retard × probabilité de retard × coût réel par jour »

Le coût réel par jour doit être chiffré correctement : perte liée à l’annulation d’un événement, coût d’opportunité d’une rupture de stock, temps passé à réorganiser les équipes. Beaucoup d’acheteurs ne font jamais ce calcul. Ils sentent seulement que « ce serait pénible si ça retardait ». Cette impression floue ne suffit pas à prendre de bonnes décisions

Une méthode plus rapide consiste à définir une liste de déclencheurs. Si deux critères sont cochés, la commande passe en évaluation d’urgence :

・Sur les six derniers mois, le fournisseur dépasse 30 % de retard sur des commandes similaires

・La commande comporte une forme de découpe ou un façonnage spécial

・Il reste moins de 15 jours ouvrés avant la date d’utilisation

・Le mois en cours correspond à une période historiquement très chargée chez ce fournisseur

・C’est une première collaboration, sans fournisseur de remplacement

Une fois la liste en place, vérifiez-la avant chaque commande. Les outils AI peuvent comparer les critères un par un et sortir un score, mais les règles doivent venir de vous. Le niveau d’importance du seuil, l’outil ne peut pas le décider à votre place

Pour négocier une urgence avec le fournisseur, plus on en parle tôt, mieux c’est. En prévenant trois à cinq jours à l’avance que « cette commande risque de devoir passer en urgence », le fournisseur a encore de la marge pour réorganiser son planning. Deux jours avant, il ne reste plus qu’à dépendre de sa disponibilité. Donnez un horaire précis, par exemple : « je dois l’avoir sur le salon avant le 5 novembre à 10 h ». C’est bien plus utile que « le plus vite possible ». Laissez d’abord le fournisseur vous donner son meilleur délai réalisable, puis décidez si ce délai suffit

Un outil AI donne une probabilité, pas une garantie. Dans les cas suivants, mieux vaut court-circuiter le modèle et juger à la main :

Le fournisseur vient de changer structurellement : nouvelles machines, départ du responsable de production, arrivée d’un gros client. Ces informations ne sont pas dans votre historique. Le modèle ne les voit pas. Passer un appel de confirmation est plus concret que croire une probabilité

Commande à enjeu très élevé : si un retard de matériel peut annuler un grand salon, ne décidez pas sur une probabilité. Organisez-vous directement selon le pire scénario : urgence lancée tôt, fournisseur alternatif cherché en parallèle

Signaux faibles côté fournisseur : validation du BAT qui traîne, téléphone sans réponse, commerciaux de plus en plus vagues. Le modèle ne capte pas ces signaux. Mais quelqu’un qui fait des achats depuis quelques années reconnaît ce type de réponse et sait qu’il faut monter le niveau d’alerte

La vraie valeur d’un outil de prédiction, c’est de vous dire plus tôt où regarder. Pas de décider à votre place. J’ai vu beaucoup d’acheteurs se rassurer avec un « taux de retard de seulement 12 % » et finir quand même en retard. Les événements à faible probabilité arrivent tous les jours. Il ne faut jamais l’oublier

・Les retards de délai en impression viennent presque toujours d’un empilement de facteurs à risque. Un seul facteur, le fournisseur peut souvent l’absorber

・Il faut au moins 80 commandes similaires dans l’historique pour qu’un taux de retard ait une vraie valeur de référence

・La décision de passer en urgence repose sur un calcul clair : la « perte attendue liée au retard » dépasse-t-elle les frais d’urgence ? L’impression ne remplace pas ce calcul

・La liste des déclencheurs d’urgence doit être définie par vous. L’outil AI compare les critères, mais c’est vous qui fixez le seuil

・Changement de machines, changement de responsable, réponses vagues : ces signaux faibles sont des angles morts du modèle prédictif. Ils doivent être traités par jugement humain

Si vous voulez commencer tout de suite, le chemin le plus court est de reprendre les commandes de l’année passée, d’ajouter une colonne « jours de retard », puis de regrouper par fournisseur pour voir qui retarde le plus souvent et de combien de jours. Excel suffit. Aucun outil AI n’est nécessaire. Une fois l’exercice fait, on voit presque toujours que les retards se concentrent sur quelques fournisseurs, quelques opérations et quelques périodes. En clarifiant ces trois dimensions, vous obtenez déjà une première cartographie du risque

Ensuite, apportez ces données à la discussion avec vos fournisseurs, ou échangez avec l’équipe commerciale de MINDS. La qualité de la conversation change complètement. Il ne s’agit plus de se plaindre d’un retard, mais de dire : « je sais à quelle étape les problèmes apparaissent le plus souvent, comment peut-on la verrouiller plus tôt ? » Cette phrase suffit à faire passer la relation achats-fournisseur d’un mode de notification passive à une vraie collaboration en amont