Développement d'un outil d'appariement client-fournisseur dans un contexte de transformation numérique

RÉSUMÉ: Le contexte actuel de transformation numérique et d'industrie 4.0 pousse l'intégralité des entreprises à se mettre à jour au niveau de la numérisation de leurs processus ou de l'automatisation de leurs procédés. Cependant, ce milieu est très complexe et les entreprises qui désirent s'y lancer nécessitent un guide pour s'y retrouver et s'orienter vers les personnes les plus aptes à répondre au mieux à leurs besoins. Notre partenaire industriel pour ce projet de recherche, la start-up montréalaise BRIDGR, est présente dans ce type d'accompagnement, mais fait face à une problématique d'efficacité de leur processus d'appariement entre leurs clients et le ou les fournisseurs répondant le mieux à leurs exigences. Nous avons cherché à répondre à cette problématique en proposant un outil d'appariement client/fournisseur à partir d'un modèle de système de recommandation basé sur le contenu appliqué au domaine de la transformation numérique. Nos recherches, basées sur la littérature scientifique et sur des observations réalisées chez notre partenaire, nous ont permis de mieux cerner les différentes caractéristiques « fournisseur » essentielles à mettre en avant lors de la recherche de fournisseurs, mais également de comprendre les critères de réussite d'un système de recommandation et les différentes perspectives d'évaluation possibles. De plus, lors de ce projet, BRIDGR a exprimé des exigences de construction pour l'outil d'appariement final que nous avons dû prendre en compte lors de notre développement de celui-ci comme la présence de leur expertise avant de transmettre les résultats au client. La méthodologie DRM (Design Research Methodology) a été employée afin de répondre à nos besoins spécifiques. En effet, cette méthodologie de recherche mixte lie des études empiriques à des approches scientifiques dans le but d'identifier les éléments clés à mettre en place pour la réussite de notre outil d'appariement. Cette proposition est donc un outil d'appariement entre une requête client et une liste de fournisseurs faisant partie de la base de données du partenaire. Cet outil d'appariement se décompose en deux couches, comme requis par le partenaire, afin de pondérer l'impact des différentes caractéristiques « fournisseur » sur le résultat final. La première couche relève d'un filtrage de tous les fournisseurs présents dans la base de données par rapport à des critères exclusifs que sont les expertises du domaine de la transformation numérique auxquelles répond le fournisseur, les langues parlées ou encore le type de service/produit fourni. Cette première étape fournit une liste composée de tous les fournisseurs ayant passé le filtre. Cette liste plus courte est ensuite passée dans la seconde étape qui va l'ordonner. Ce tri est réalisé en fonction de la similarité entre les fournisseurs restants et la requête émise par le client par rapport à d'autres critères comme le secteur d'activité principal ou encore le nombre d'années d'expérience. À cette étape, nous avons fourni huit algorithmes différents pour traiter toutes les variantes de calcul de similarité pertinentes identifiées dans la littérature. Pour le bon fonctionnement de notre méthode, nous avons dû modifier le format des requêtes client et également de la base de données fournisseur. Nous avons également classifié les différentes expertises présentes dans le spectre de la transformation numérique. Nous avons appliqué la méthode aux fournisseurs actuels de la base de données de BRIDGR pour des requêtes fictives, car aucune ancienne requête n'était utilisable. De plus, nous n'avons pas encore implémenté l'outil en situation réelle et nous avons uniquement fait des tests à l'interne. De ce fait, nous n'avons pas de résultats concernant la précision ou la satisfaction client, mais le critère de rapidité d'exécution autour duquel la problématique de notre partenaire était basée est résolu. Nous avons également identifié pour la suite des pistes de réflexion afin d'améliorer notre outil et ainsi de prendre en compte encore plus de caractéristiques pertinentes. ABSTRACT: The current context of digital transformation and industry 4.0 is pushing all companies to update and automate their processes. However, this environment is very complex and companies that want to get started need a guide to find their way around and orient themselves towards the people best able to meet their needs. Our industrial partner for this research project, the Montréal-based start-up BRIDGR, is involved in coaching but is currently facing a problem of efficiency in their process of matching their clients with the supplier(s) that best meet their requirements. We sought to address this issue by proposing a customer/supplier matching tool based on a content-based recommendation system model applied to the digital transformation domain. Our research, based both on scientific literature and on observations made at our partner's, allowed us to better identify the various essential supplier characteristics to be put forward during the search for a supplier, but also to understand the success criteria of a recommendation system and the various possible evaluation perspectives. Furthermore, during this project, BRIDGR expressed construction requirements for the final matching tool that we had to consider during our development of the tool such as the presence of their expertise in a second step before transmitting the results to the client. The DRM (Design Research Methodology) was used to meet our specific needs. Indeed, this research methodology is mixed and links empirical studies to scientific approaches in order to identify the key elements to be put in place for the success of our matching tool. This proposal is therefore a matching tool between a customer query and a list of suppliers from the partner's supplier database. This matching tool is decomposed into two layers as required by the partner to weight the impact of different supplier characteristics on the final result. The first layer is a filtering of all suppliers in the database against exclusive criteria such as the supplier's expertise in the digital transformation domain, the languages spoken, or the type of service/product provided. This first step provides a list of all suppliers that have passed the filter. This shorter list is then passed to the second step which will sort it. This sorting is done according to the similarity between the remaining suppliers and the request made by the customer against other criteria such as the main sector of activity or the number of years of experience. At this stage we provided eight different algorithms to handle all the relevant similarity calculation variants identified in the literature. For the proper functioning of our method, we had to modify the format of the client queries and of the supplier database. We also classified the different expertises present in the digital transformation spectrum. We applied the method to the current suppliers in the BRIDGR database for dummy queries because no old queries were usable. In addition, we have not yet implemented the tool in real life and have only tested it internally. As a result, we do not have any results concerning accuracy or customer satisfaction, but the speed of execution criterion around which our partner's problem was based has been solved. We have also identified avenues of reflection for the future to improve our tool and thus consider even more relevant characteristics.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.