Ce que nous avons appris en complétant notre subvention Innovate UK Smart

Ce que nous avons appris en complétant notre subvention Innovate UK Smart

17 oct. 2023

Les réflexions de Bendi sur les choix et les défis des 12 derniers mois alors que nous exécutons avec succès notre subvention IUK Smart. (Crédit image : Loic Leray)

Au cours des 12 derniers mois, Bendi a livré un projet financé par Innovate UK, en partenariat avec le professeur Chee Yew Wong, président de la gestion de la chaîne d'approvisionnement à la Leeds University Business School. Réaliser cette subvention d'innovation (la deuxième de Bendi !) a été un énorme processus d'apprentissage pour nous. Alors que le projet touche à sa fin, nous souhaitions réfléchir à certains des choix que nous avons faits et aux défis que nous avons rencontrés tout en veillant à maximiser ce financement. 

Nous avons reçu la subvention d'Innovate UK pour développer un outil afin d'aider les entreprises de mode et de textile à mieux comprendre les risques de durabilité dans leurs chaînes d'approvisionnement. C'est un sujet familier pour Bendi. Cependant, il y avait un certain nombre de choix que nous devions faire tôt dans le projet pour mettre ce dernier sur la voie du succès. Ci-dessous, nous partageons juste une petite sélection.


Faire bouillir l'océan (c'est-à-dire identifier le point de départ)
Étant donné que le financement par subvention n'était que pour 12 mois, nous savions que nous ne pouvions pas exécuter pleinement tous les risques de durabilité possibles auxquels font face les chaînes d'approvisionnement dans la mode. Au début du projet, nous avons parlé à plusieurs experts de l'industrie et, avec leurs conseils, avons pris la décision de nous concentrer sur un sous-ensemble de risques. Nous avons trouvé un consensus pour axer le projet sur les risques d'approvisionnement liés aux violations des normes du travail et des droits de l'homme - qui, malheureusement, sont des questions de haute préoccupation dans l'approvisionnement textile. 


Identique mais différent
Un problème important que nous avons rencontré au début concernait le formatage des noms des entreprises de la chaîne d'approvisionnement. C'est un problème commun en science des données. Un humain peut facilement dire qu'IBM, International Business Machines et IBM UK LTD sont toutes la même entreprise. Cependant, ce n'est pas toujours aussi facile pour un ordinateur. Nettoyer et désambiguïser nos vastes ensembles de données de noms de fournisseurs, et tenir compte de manière efficace des alias des entreprises, a été un composant incroyablement important pour garantir l'exactitude des résultats de Bendi.


Parlez-vous 日本語? 
La mode est un secteur mondial. Produire un vêtement implique souvent plusieurs étapes de transformation dans des usines qui traversent fréquemment plusieurs continents. Tout comme les entreprises qui composent la base d'approvisionnement de la mode sont situées dans des pays du monde entier qui parlent de nombreuses langues et écrivent dans une multitude de scripts, les systèmes de Bendi ont également dû s'adapter aux environnements locaux. Étant donné la nature compliquée des violations des droits du travail, établir un contexte local au sein de notre équipe (ainsi que notre technologie) a été une grande réalisation au cours de ce projet.


En dépit de ces défis, les résultats que nous avons obtenus pendant ce projet ont été significatifs.

  1. Visibilité de la chaîne d'approvisionnement : cartographie des connexions commerciales dans les chaînes d'approvisionnement 
    En analysant les données commerciales mondiales, Bendi a réussi à connecter des marques à leurs fournisseurs indirects, ce qui a entraîné une augmentation de 7 fois la visibilité tout au long de leurs chaînes d'approvisionnement. Ce processus est significativement plus rapide que les exercices de traçabilité traditionnels. 

    Cependant, ces progrès n'ont pas été sans défis, en particulier en termes de qualité et de disponibilité des données commerciales. Dans l'un des pilotes que nous avons réalisés, nous avons rencontré des écarts entre différentes juridictions et des variations dans le niveau de disponibilité des données entre différents pays. Nous avons pu corriger cela en élargissant nos fournisseurs de données brutes pour augmenter notre couverture.

  2. Risques de la chaîne d'approvisionnement : identifier des événements significatifs
    L'identification programmatique des risques de la chaîne d'approvisionnement à grande échelle a été un effort conjoint entre les équipes de science des données et d'ingénierie de Bendi. Une fois identifiés, la conceptualisation de ces risques a été un axe majeur de recherche de ce projet. 

    Dans notre méthodologie de recherche, notre définition du risque est tirée du dictionnaire. Simplement, cela est défini comme "la possibilité que quelque chose de mauvais se produise". Cela est basé sur le degré de probabilité qu'un événement donné se matérialise et la probabilité que cet événement se produise. Définir ce qui qualifie comme mauvais et évaluer le degré de gravité a été central dans la catégorisation des événements par Bendi.

    Pour aider à évaluer cela, nous avons développé des cadres qui analysent la gravité des événements, la catégorisation des risques et la crédibilité des sources. Ces cadres servent de principaux outils pour notre équipe de recherche afin de structurer et classifier nos résultats. 

    Les cadres se sont construits en s'appuyant sur l'importante littérature existante dans ce domaine. Bendi catégorise les risques liés au travail selon les Conventions fondamentales de l'Organisation internationale du travail. Pour évaluer l'impact et la pertinence, notre cadre de gravité a été adapté du travail sur les évaluations de diligence raisonnable en matière de droits de l'homme. 

Trouver des aiguilles dans une botte de foin numérique
Automatiser les processus à grande échelle est toujours un point délicat pour toute start-up. Vous avez réalisé la preuve de concept à petite échelle et tout a parfaitement fonctionné - mais pouvez-vous le reproduire si vous augmentez vos données de 10 ou 100 fois ? 

Pour nous, un aspect clé de notre travail a été d'évoluer la sophistication des filtres que nous utilisons pour comprendre les grands ensembles de données avec lesquels nous travaillons. Nos filtres peuvent prendre diverses formes - NLP, détection de sujet, reconnaissance d'entité, analyse de sentiment, parmi d'autres. Ces fonctionnalités nous permettent de trier efficacement d'importants volumes d'informations et sont essentielles pour débloquer la technologie que nous avons développée à grande échelle.


Au-delà de la subvention
Cet article n'a été qu'un aperçu de ce que nous avons appris. C'était amusant de réfléchir à certains des défis et à la résolution créative de problèmes que nous avons dû entreprendre en tant qu'équipe. Nous serions ravis d'en discuter plus en détail - il suffit de nous contacter.

Nous concluons le projet après avoir développé le produit de Bendi et après avoir réalisé un certain nombre de projets extrêmement informatifs avec des leaders de la mode responsable. Cela a été une année de grandes leçons pour nous en tant qu'entreprise. Nous sommes impatients de partager bientôt davantage sur ce qui s'annonce.

French
French

© 2024 Bendi Software, Ltd. Tous droits réservés.

© 2024 Bendi Software, Ltd. Tous droits réservés.

© 2024 Bendi Software, Ltd. Tous droits réservés.

© 2024 Bendi Software, Ltd. Tous droits réservés.

© 2024 Bendi Software, Ltd. Tous droits réservés.