Ce que l'attribution de la bourse "Innovate UK" nous a permis d'étudier

Par Benjamin Norsworthy

17 oct. 2023

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

Nous avons obtenu la subvention d'Innovate UK pour développer un outil permettant aux entreprises de mode et de textile de mieux comprendre les risques en matière de durabilité dans leurs chaînes d'approvisionnement. Il s'agit d'un sujet familier pour Bendi. Cependant, nous avons dû faire un certain nombre de choix dès le début pour placer le projet sur la voie du succès. Ci-dessous, nous partageons juste une petite sélection.


Limiter les objectifs (alias identifier le point de départ)
Étant donné que le financement de la subvention était valable seulement 12 mois, nous savions que nous ne pouvions pas couvrir complètement tous les risques de durabilité possibles auxquels sont confrontées les chaînes d'approvisionnement de la mode. Au début du projet, nous avons parlé à un certain nombre d'experts de l'industrie et, avec leur orientation, nous avons pris la décision de nous concentrer sur un sous-ensemble de risques. Nous sommes parvenus à un consensus pour concentrer le projet sur les risques d'approvisionnement liés aux infractions aux normes de travail et aux droits de l'homme - des problèmes malheureusement très préoccupants dans l'approvisionnement textile. 


Similaire mais différent
Un problème majeur que nous avons rencontré tôt était lié à la mise en forme des noms des sociétés de la chaîne d'approvisionnement. Il s'agit d'un problème courant en science des données. Un être humain peut facilement dire qu'IBM, International Business Machines et IBM UK LTD sont toutes la même société. Cependant, ce n'est pas toujours aussi simple pour un ordinateur. Nettoyer et dissocier nos grands ensembles de données de noms de fournisseurs, et tenir compte efficacement des alias des entreprises, a été un composant incroyablement important pour assurer l'exactitude des résultats de Bendi.


Parlez-vous 日本語? 
La mode est une entreprise mondiale. La fabrication d'un vêtement implique souvent de nombreuses étapes de traitement dans des usines qui couvrent fréquemment plusieurs continents. Tout comme les entreprises qui constituent la base d'approvisionnement de la mode sont implantées dans des pays du monde entier parlant de nombreuses langues et écrivant dans une multitude de scripts, les systèmes de Bendi ont également dû s'adapter aux environnements locaux. Compte tenu de la nature compliquée des violations des droits des travailleurs, intégrer le contexte local au sein de notre équipe (ainsi que de notre technologie) a été une réalisation majeure pendant ce projet.


Malgré ces défis, les résultats que nous avons obtenus au cours de 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 relier les marques à leurs fournisseurs indirects, ce qui s'est traduit par une augmentation de 7 fois de la visibilité dans leurs chaînes d'approvisionnement. Ce processus est nettement plus rapide que les exercices de traçabilité traditionnels. 

    Toutefois, ce progrès n'a pas été sans ses défis, notamment en termes de qualité et de disponibilité des données commerciales. Dans l'une des études pilotes que nous avons menées, nous avons rencontré des divergences 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 : identification d'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 point de recherche majeur de ce projet. 

    Dans notre méthodologie de recherche, notre définition du risque est tirée du dictionnaire. Tout 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 ledit événement se produise. Définir ce qui qualifie de mauvais et évaluer le degré de gravité ont été au cœur de la catégorisation des événements de Bendi. 

    Pour aider à évaluer ces risques, nous avons développé des cadres d'analyse de la gravité des événements, de la catégorisation des risques et de la crédibilité des sources. Ces cadres servent d'outils clés pour notre équipe de recherche pour structurer et classifier nos résultats. 

    Les cadres ont été construits à partir de 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 des évaluations de diligence raisonnable en matière de droits de l'homme. 


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

Pour nous, un aspect crucial de notre travail a été d'élaborer la sophistication des filtres que nous utilisons pour donner un sens aux grands ensembles de données avec lesquels nous travaillons. Nos filtres peuvent prendre diverses formes - PNL, détection de thèmes, reconnaissance d'entités, analyse de sentiment, entre autres. Ces fonctionnalités nous permettent de trier efficacement des volumes importants 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. Cela a été amusant de réfléchir à certains des défis et à la résolution créative des problèmes que nous avons dû entreprendre en tant qu'équipe. Nous serions ravis de discuter en détail de l'un de ces sujets - il vous suffit de nous contacter.

Nous concluons le projet après avoir développé le produit de Bendi et avoir mené à bien un certain nombre de projets extrêmement instructifs avec les leaders de la mode responsable. Cette année a été riche en enseignements pour notre entreprise. Nous sommes impatients de partager bientôt ce qui va suivre.