L'analyse des ÉVV de nouvelle génération
Trois façons dont l'IA peut améliorer le calcul des équivalents-véhicules d'entretien.
En août, j'ai assisté au congrès annuel de Fleet Pro à Denver, où j'ai animé un atelier sur les équivalents-véhicules d'entretien (ÉVV). La salle était comble et les participants avaient de nombreuses questions. L'une d'entre elles a suscité un vif intérêt : comment utiliser l'intelligence artificielle (IA) pour optimiser le calcul et les résultats des ÉVV.
Depuis des décennies, les ÉVV permettent de ramener une flotte hétérogène à un seul indicateur de charge d'entretien. La formule ne change pas, mais ses données deviennent plus intelligentes. Voici trois façons dont l'IA modernise les ÉVV.
« La véritable valeur de l'IA réside dans sa rapidité et sa portée. »
1. Des facteurs de pondération fondés sur les données
La plupart des organisations s'appuient sur des tables d'ÉVV datant de plusieurs décennies et révisées de temps à autre. Même si cette méthode a fait ses preuves, elle suppose que tous les parcs se comportent de la même façon.
L'IA change la donne en calculant ces facteurs directement à partir de votre propre historique d'entretien. Les modèles peuvent traiter des années de données provenant des bons de travail, notamment les heures de main-d'œuvre, le coût des pièces et les temps d'arrêt, puis calculer des facteurs d'ÉVV qui reflètent le rendement réel des véhicules de votre parc.
C'est particulièrement utile pour les équipements de travaux publics hors norme. Vous pouvez les pondérer selon leurs besoins réels en entretien plutôt que de les faire entrer de force dans une catégorie.
Le résultat est un tableau d'ÉVV justifiable, fondé sur l'historique réel de votre parc.
2. Des données d'entrée plus propres, moins de distorsions
La précision des ÉVV dépend directement de la qualité des données, mais elles sont souvent désordonnées en gestion de parc. Les catégories de véhicules mal codées, les bons de travail en double et les valeurs aberrantes non expliquées dans les heures de main-d'œuvre sont courants. Ces erreurs faussent les moyennes d'ÉVV et les recommandations de besoins en personnel qui en découlent.
La détection d'anomalies assistée par l'IA permet de signaler les incohérences et d'intercepter les dossiers aberrants qu'un examen manuel raterait probablement. Le traitement du langage naturel pousse l'exercice plus loin en structurant des informations, comme le type de panne, la catégorie de réparation et la cause initiale, à partir des champs de notes explicatives des techniciens, habituellement trop désordonnés pour être analysés.
Cela élargit considérablement le volume de données exploitables et révèle des tendances jusque-là invisibles parce qu'elles étaient enfouies dans du texte libre.
3. La modélisation de scénarios pour un parc en évolution
Une fois les facteurs d'ÉVV et les formules d'effectifs établis, la véritable valeur de l'IA réside dans sa rapidité et sa portée. Au lieu de refaire des feuilles de calcul pour chaque hypothèse, les planificateurs peuvent exécuter des dizaines de scénarios dans le temps qu'il fallait auparavant pour en exécuter un seul. Ils peuvent calculer les ÉVV actuels et les comparer à des scénarios impliquant la croissance de la flotte, la sous-traitance ou une transition progressive vers des véhicules à zéro émission (VZE).
La transition vers les VZE est un scénario très populaire en ce moment, et de nombreuses organisations cherchent à mesurer l'impact de l'électrification sur leurs besoins en mécanique. Un véhicule électrique n'a pas le même profil d'ÉVV qu'un véhicule à essence ou à diesel. La modélisation prédictive permet d'anticiper l'évolution du total d'ÉVV et des effectifs associés, offrant ainsi aux planificateurs une réponse chiffrée bien avant que la transition ne soit terminée.
Rien de tout cela ne remplace le jugement humain. Juste pour voir, j'ai soumis mes diapositives à Claude.ai en y joignant l'inventaire d'une municipalité canadienne, puis je lui ai demandé de calculer les ÉVV. J’ai obtenu des résultats en quelques minutes, mais ils étaient dépourvus de contexte et ne tenaient pas pleinement compte de l'emplacement, du climat, de l'ancienneté du personnel ou de l'âge du parc.
L'IA peut valider les données d'entrée et accélérer l'analyse, mais les nuances, l'interprétation et les recommandations appartiennent toujours aux humains.
