HaulPilot
Chaque kilomètre planifié, chiffré et justifié.
- Client
- Crossland Logistics
- Année
- 2020
- Durée
- 9 mois
- Taille de l'équipe
- 6 ingénieurs
Démo interactive
Une maquette interactive du produit que nous avons développé — cliquez, explorez.
Interface de démonstration en anglais.
Le défi
Les planificateurs de Crossland construisaient les tournées du jour sur tableur, dès 4 h du matin, pour finir souvent après le départ théorique des premiers camions. Le carburant, deuxième poste de coût, ne cessait de grimper ; 31 % des kilomètres se parcouraient à vide et une livraison sur cinq ratait son créneau, déclenchant des pénalités chez deux distributeurs nationaux. Les données télématiques existaient — les tachygraphes alimentaient un système historique — mais personne ne voyait position, temps de conduite et promesses de livraison sur un même écran. Le directeur des opérations voulait une optimisation respectant simultanément temps de conduite, tonnages et fenêtres clients, sans recruter une équipe de mathématiciens.
Notre solution
Nous avons bâti HaulPilot autour d’un moteur d’optimisation Python fondé sur OSRM et PostGIS, qui replanifie le réseau toutes les quinze minutes selon les contraintes réelles : temps de conduite, poids par essieu, trafic et créneaux réservés. Kafka achemine tachygraphes et GPS vers une console de répartition React rendue par Mapbox : les planificateurs traitent les exceptions à la souris au lieu de rebâtir les plans. Une application chauffeur gère navigation, photos de preuve de livraison et signatures. Le tout tourne sur Kubernetes en déploiements blue-green, et le solveur est évalué chaque nuit contre le réel de la veille — ses propositions battent désormais les plans manuels dans 94 % des journées simulées.
Résultats
Stack technique
Vous faites face à un défi similaire ?
Nous avons déjà résolu ce type de problème. Parlons de la façon dont cette expérience peut s'appliquer à votre situation.
Discuter de votre projetÉtude de cas suivante
Lumina Learn →