L’IA dans SAP EWM : optimiser la prise de décision en entrepôt

Transformez votre logistique avec l'IA dans SAP EWM. Découvrez comment l'analyse prédictive, la vision par ordinateur et Joule automatisent les créneaux horaires des entrepôts et la gestion de la main-d'œuvre.

La plupart des entrepôts utilisant SAP EWM disposent déjà d’un niveau élevé d’optimisation. Les itinéraires de préparation sont calculés, les ressources sont planifiées et les règles de réapprovisionnement sont définies. Les inefficacités les plus visibles ont généralement été identifiées et corrigées.

Les marges de progression se situent désormais dans les microdécisions prises des milliers de fois par jour : quelle tâche traiter en priorité, à quel moment la demande risque d’augmenter fortement, ou encore dans quelle zone une congestion peut apparaître. Une logique traditionnelle fondée sur des règles atteint rapidement ses limites lorsque les conditions opérationnelles évoluent.

Dans cet article, nous verrons comment l’IA peut permettre à SAP EWM d’aller au-delà des règles statiques pour soutenir des décisions plus prédictives et adaptatives. Nous examinerons des cas d’usage concrets, l’évolution vers une orchestration assistée par l’IA, le rôle de SAP Joule dans les workflows d’entrepôt et les conditions nécessaires pour connecter des modèles d’IA à SAP EWM dans des environnements de production. Poursuivez votre lecture.

Qu’est-ce qui change lorsque l’IA est intégrée à SAP EWM ?

Dans une configuration SAP EWM standard, l’exécution des processus est pilotée par des événements. L’enregistrement d’une entrée de marchandises crée des tâches d’entrepôt. Le réapprovisionnement est déclenché lorsqu’un seuil minimal est atteint. Les priorités des files de traitement sont définies dans le paramétrage. Le système réagit lorsqu’une condition prédéfinie est remplie.

Cette logique est stable et transparente, mais elle reste statique. L’enchaînement des tâches ne change pas tant que le paramétrage n’est pas ajusté. Les propositions de réapprovisionnement ne prennent pas en compte les pics de demande à court terme, sauf si les paramètres de stock de sécurité sont modifiés manuellement. Lorsque la répartition de la charge de travail devient déséquilibrée, les superviseurs doivent réaffecter les ressources ou modifier les priorités.

Les extensions fondées sur l’IA introduisent des modèles prédictifs au-dessus de ce cadre de règles. L’historique des commandes d’entrepôt, les temps de préparation, les mouvements de stock et les journaux d’exceptions peuvent être utilisés pour entraîner des modèles de prévision ou de classification. Ces modèles peuvent estimer le volume de commandes à court terme, identifier les emplacements présentant un risque élevé de rupture de stock ou détecter les schémas qui précèdent généralement les congestions dans certaines zones d’activité.

Sur la base de ces prévisions, les paramètres SAP EWM ou les listes de tâches peuvent être ajustés avant que les seuils critiques ne soient atteints. Par exemple, des tâches de réapprovisionnement peuvent être proposées plus tôt pour les articles dont la demande devrait augmenter. Les files de préparation peuvent être réorganisées en fonction de la charge de travail prévue. Les besoins en ressources peuvent être estimés pour l’équipe suivante à partir des données historiques de productivité. Le moteur d’exécution reste SAP EWM ; la différence réside dans la manière dont les décisions sont préparées.

Il ne s’agit donc pas de remplacer le pilotage des processus par une automatisation complète. Les opérations fondées sur des règles statiques évoluent vers une exécution assistée par des prévisions issues des données, mises à jour à mesure que les conditions opérationnelles changent.

L’IA n’est qu’un levier parmi d’autres dans la transformation des opérations d’entrepôt

Découvrez comment la robotique, l’intégration de l’IoT et les systèmes de pilotage cloud contribuent à faire évoluer les entrepôts modernes.

en savoir plus

Quels sont les scénarios d’IA les plus pertinents dans SAP EWM ?

L’IA dans SAP EWM doit être évaluée au regard de son impact opérationnel, et non de sa seule nouveauté technologique. La question clé consiste à identifier les décisions d’entrepôt qui peuvent être améliorées grâce à des modèles prédictifs et à des recommandations fondées sur les données, tout en restant intégrées aux processus EWM existants.

Les cas d’usage les plus concrets se concentrent sur trois domaines : la stratégie de slotting, la planification des ressources et de la charge de travail, ainsi que le contrôle physique des stocks lors de la réception des marchandises. Ces domaines existent déjà dans SAP EWM. L’IA modifie la manière dont les décisions sont préparées, calculées et ajustées dans le temps.

Slotting prédictif et réorganisation dynamique

Dans SAP EWM, le slotting repose traditionnellement sur des critères prédéfinis, tels que les dimensions des produits, le type de stockage ou les historiques de mouvements. La réorganisation est généralement déclenchée à la suite d’une analyse manuelle ou d’une revue périodique. Cette approche ne reflète pas toujours l’évolution des profils de commande ni les variations saisonnières de la demande.

Les modèles de slotting fondés sur l’IA exploitent l’historique des tâches d’entrepôt, la fréquence des lignes de commande, les temps de préparation et les schémas de saisonnalité pour classer les articles selon leur vitesse de rotation réelle et leur cooccurrence dans les commandes. Sur cette base, le système peut recommander de rapprocher les articles à forte rotation des postes d’emballage ou de regrouper dans une même zone d’activité les produits fréquemment prélevés ensemble.

Une fois validées, ces recommandations peuvent être mises en œuvre au moyen des tâches de réorganisation standard de SAP EWM.

Impact métier : le résultat mesurable est une réduction de la distance moyenne parcourue par tâche de picking et une diminution du temps de préparation par commande. Dans les environnements à fort volume, même une réduction de quelques points de pourcentage du temps de déplacement peut se traduire par une baisse du nombre d’heures de travail par unité expédiée.

Planification intelligente des ressources et prévision de la charge

Dans SAP EWM, la planification des ressources repose souvent sur des moyennes historiques et des ajustements manuels avant les pics d’activité connus. Toutefois, les fluctuations du volume de commandes ne suivent pas toujours des schémas fixes, en particulier dans les environnements omnicanaux.

Les modèles de machine learning peuvent être entraînés à partir de l’historique des livraisons sortantes, des réceptions entrantes, des calendriers promotionnels et de signaux externes de demande. Ils permettent d’estimer la charge de travail à court terme par type d’activité, comme le picking, l’emballage, la mise à disposition ou le chargement. Sur la base de ces prévisions, les planificateurs peuvent ajuster les horaires des équipes, mobiliser des ressources supplémentaires ou rééquilibrer en amont les paramètres de regroupement des tâches.

Impact métier : au lieu de réagir à des files de traitement déjà saturées, les équipes opérationnelles disposent de projections de charge en amont. Elles peuvent ainsi réduire les décisions de dernière minute liées aux heures supplémentaires et limiter le risque de manquer certaines fenêtres d’expédition. Le bénéfice se traduit par un débit plus stable et un meilleur respect des niveaux de service planifiés.

Vision par ordinateur pour la réception des marchandises et la fiabilité des stocks

La réception des marchandises reste une source fréquente d’écarts. Les erreurs de comptage manuel, les saisies de quantités incorrectes ou les dommages non détectés peuvent générer des écarts de stock qui se répercutent sur l’ensemble des processus d’entreposage.

Les systèmes de vision par ordinateur peuvent être intégrés à SAP EWM via des API ou des middlewares. Des caméras installées aux postes de réception capturent des images de palettes ou de cartons. Les modèles de reconnaissance d’images peuvent alors compter les articles, vérifier les étiquettes SKU et détecter les dommages visibles. Les résultats sont transmis à SAP EWM afin d’appuyer ou de valider l’enregistrement de l’entrée de marchandises.

Impact métier : cette approche réduit les efforts de comptage manuel et limite le risque de confirmation erronée des quantités. Elle peut également accélérer l’enregistrement des livraisons entrantes lorsque les volumes traités sont élevés. Une meilleure fiabilité des stocks réduit ensuite la gestion des exceptions dans les processus de picking et d’inventaire physique.

Comment SAP Joule peut-il intervenir dans les processus d’entreposage ?

SAP intègre des capacités d’IA générative dans ses applications via SAP Joule. Dans le contexte de SAP EWM, cela ouvre la voie à des workflows pilotés par des agents, capables d’analyser certaines situations, de proposer des actions et de déclencher des étapes système selon des droits et des règles d’autorisation clairement définis.

Contrairement à l’automatisation traditionnelle, qui applique des règles prédéfinies, les workflows agentiques combinent la détection d’événements, l’analyse de données contextuelles et une exécution guidée à travers des objets SAP connectés. L’enjeu ne se limite donc pas à l’interaction conversationnelle : il s’agit de renforcer l’aide à la décision opérationnelle et de permettre des actions contrôlées au sein du paysage applicatif.

Traitement des exceptions : panne d’équipement et réaffectation des tâches

Prenons l’exemple d’un entrepôt utilisant SAP EWM avec gestion intégrée des ressources et suivi des équipements. Un chariot élévateur peut signaler une défaillance technique via un capteur IoT connecté par SAP BTP, ou au moyen d’une notification de maintenance créée dans SAP Asset Management ou SAP Digital Manufacturing. La panne est alors enregistrée comme un événement système.

Dans une configuration traditionnelle, cet événement déclenche une coordination manuelle entre les équipes de maintenance et la supervision de l’entrepôt. Un responsable doit examiner les tâches d’entrepôt, les livraisons en cours et la disponibilité des ressources sur plusieurs écrans.

Lorsque SAP Joule est connecté aux objets SAP pertinents — tâches d’entrepôt, affectations de ressources, livraisons sortantes et ordres de travail — il peut contribuer à évaluer l’impact opérationnel de la panne. Il identifie les tâches affectées à la ressource indisponible, vérifie les priorités de livraison et examine les équipements de remplacement disponibles ainsi que les opérateurs qualifiés, à partir des données présentes dans le système.

À partir de cette analyse, SAP Joule peut proposer un plan de réaffectation. Il peut, par exemple, suggérer d’attribuer les tâches de préparation prioritaires à un autre chariot élévateur dans la même zone d’activité et de reporter les tâches moins critiques. Si les autorisations appropriées sont configurées, il peut déclencher la réaffectation des tâches dans SAP EWM et notifier le responsable de l’entrepôt pour validation.

Cette approche permet de réduire le délai entre l’incident et l’action corrective. Au lieu de consolider manuellement les informations entre plusieurs transactions, le responsable reçoit une proposition structurée, fondée sur les données SAP disponibles en temps réel.

Coordination des informations entre processus

Les workflows agentiques deviennent particulièrement pertinents lorsque les décisions concernent plusieurs objets métier. Une seule perturbation peut affecter les tâches d’entrepôt, les unités de transport, la capacité des ressources et les engagements de niveau de service.

SAP Joule peut agréger des données issues des ordres d’entrepôt, des délais de livraison, de l’état de la gestion des quais et des programmes de maintenance. Il peut synthétiser la situation en langage naturel et fournir des références traçables vers les documents sous-jacents. Surtout, il peut relier cette analyse à des actions exécutables, comme la mise à jour des priorités des tâches ou la génération d’alertes à destination des rôles responsables.

La valeur ajoutée réside dans la réduction du temps de coordination entre les domaines fonctionnels. Le responsable d’entrepôt conserve la responsabilité de l’approbation et de la supervision. En revanche, la collecte des données, l’évaluation de l’impact et la génération de propositions peuvent être réalisées automatiquement dans l’environnement SAP.

Pour en savoir plus sur SAP Joule, consultez notre article.

Que faut-il préparer avant de connecter l’IA à SAP EWM ?

Chaque initiative d’IA dans SAP EWM répond à des exigences spécifiques. Toutefois, la plupart des projets reposent sur un socle commun de prérequis techniques, fonctionnels et data. Les négliger peut conduire à des modèles peu fiables, à des intégrations instables ou à un impact opérationnel limité.

La trajectoire technique combine généralement SAP EWM, SAP Business Technology Platform et, dans les environnements automatisés, des composants robotiques ou IoT. Le facteur clé n’est pas uniquement le modèle d’IA lui-même, mais la qualité des données, la conception de l’architecture et la maîtrise de l’intégration.

Étape 1. Commencer par l’évaluation des données

Les modèles d’IA s’appuient sur les données historiques et opérationnelles de SAP EWM ainsi que sur celles des systèmes connectés. La première étape consiste donc à évaluer de manière structurée le niveau de préparation des données.

• Exactitude des données : les données de référence des produits, comme le poids, les dimensions, les conditions de stockage et les types d’unités de manutention, doivent refléter la réalité physique de l’entrepôt. Si une part significative des données dimensionnelles est incorrecte, les recommandations de slotting peuvent conduire à des allées encombrées ou à des propositions d’emplacements inadaptées. Il en va de même pour les temps de confirmation des tâches et les affectations aux zones d’activité.
• Profondeur historique : les cas d’usage prédictifs, tels que la prévision des besoins en ressources ou l’estimation de la demande, nécessitent un historique suffisant. En pratique, 12 à 24 mois de journaux de tâches d’entrepôt, de temps de picking, de volumes entrants et sortants et de schémas de saisonnalité sont souvent nécessaires pour entraîner des modèles fiables.
• Latence des données : certains scénarios requièrent des données en quasi-temps réel, par exemple pour le routage des robots ou la détection des congestions. D’autres, comme la planification des ressources pour l’équipe suivante, peuvent s’appuyer sur des données traitées en batch pendant la nuit. L’architecture doit intégrer cette distinction dès le départ.

Sans données structurées, cohérentes et suffisamment fiables, les performances du modèle se dégraderont, quel que soit l’algorithme retenu.

Étape 2. Définir l’approche d’intégration technique

L’IA n’est généralement pas déployée directement dans SAP EWM. Elle est connectée via SAP Business Technology Platform, qui fournit des services pour l’entraînement des modèles, leur déploiement et la communication sécurisée via API.

Deux approches principales peuvent être envisagées :

• Utiliser SAP Joule et les capacités standard
  SAP Joule propose des capacités d’IA prédéfinies intégrées aux applications SAP. Il interagit avec SAP EWM au moyen d’objets SAP, de rôles et d’autorisations standard. Cette approche convient à l’analyse conversationnelle, au traitement guidé des exceptions et à certains workflows agentiques prédéfinis. L’effort de mise en œuvre est généralement plus limité, car elle s’appuie sur des services gérés par SAP.
• Créer des modèles d’IA personnalisés sur SAP BTP
  Pour des scénarios différenciants, les entreprises peuvent utiliser SAP AI Core et les services associés sur SAP BTP. Les modèles peuvent être développés en Python, entraînés sur des jeux de données d’entrepôt et déployés sous forme d’API. Lorsque le cas d’usage le justifie, des modèles de fondation externes peuvent également être accessibles via le Generative AI Hub de SAP. SAP EWM échange alors des données avec ces modèles au moyen d’API sécurisées ou d’une intégration événementielle.

Le choix dépend de la complexité du cas d’usage et du niveau de différenciation des processus. Les scénarios standard peuvent s’appuyer sur des services prédéfinis, tandis qu’une logique d’entrepôt très spécifique peut nécessiter des modèles personnalisés.

Les modèles d’IA nécessitent des données opérationnelles structurées issues de SAP EWM, telles que les tâches d’entrepôt, les attributs de stock, les priorités de livraison et les affectations de ressources. Les signaux en temps réel provenant de robots ou d’équipements IoT sont généralement ingérés via les services SAP BTP, puis stockés dans SAP HANA Cloud pour un traitement ultérieur.

Dans les scénarios d’IA générative, SAP HANA Cloud Vector Engine permet d’effectuer des recherches sémantiques dans les contenus non structurés de l’entrepôt, comme les procédures opérationnelles standard, les consignes de sécurité, la documentation des équipements et les directives internes. SAP Joule peut ainsi s’appuyer sur des documents approuvés lors de la génération de réponses. Le moteur vectoriel prend en charge la recherche, la récupération et la contextualisation de contenus textuels. Il ne traite pas les flux de télémétrie et n’exécute pas de logique de slotting prédictif.

Étape 3. Choisir un scénario de mise en œuvre

Le point de départ doit être aligné sur les priorités métier de l’entreprise. Il est préférable de cibler les zones où les produits ont une forte valeur, où les congestions sont fréquentes ou où le débit est critique. Cette approche permet de limiter les risques et d’obtenir des enseignements mesurables avant un déploiement à plus grande échelle.

Étape 4. Confirmer la préparation du système et des API

L’environnement système joue un rôle déterminant dans la réussite de l’intégration.

• SAP EWM basé sur SAP S/4HANA
  L’intégration avec les services d’IA est généralement plus simple dans les environnements SAP S/4HANA, où les API et les mécanismes d’extension sont standardisés.
• SAP EWM décentralisé ou classique
  Les paysages plus anciens peuvent nécessiter une architecture side-by-side sur SAP BTP. Cette approche accroît la complexité de l’intégration et suppose une conception rigoureuse de la sécurité et de la réplication des données.
• Disponibilité des API
  Les API standard de SAP EWM doivent être activées, gouvernées et supervisées. Les services d’IA nécessitent un accès structuré aux tâches d’entrepôt, aux livraisons, aux données de stock et aux affectations de ressources. Sans API stables, l’automatisation ne peut pas dépasser le stade de l’analyse isolée.
• Périmètre pilote
  La logique d’IA doit d’abord être testée dans un périmètre contrôlé, par exemple une seule zone d’activité ou une catégorie de produits spécifique. Cela limite le risque opérationnel et permet de valider le modèle avant un déploiement à plus grande échelle.

L’intégration de l’IA dans SAP EWM doit être abordée comme un programme technique, et non comme une simple fonctionnalité à activer. La qualité des données, l’architecture système, l’exposition des API et le déploiement contrôlé déterminent la capacité de la logique prédictive à fonctionner de manière fiable en production.

FAQ : questions clés avant de passer à l’étape suivante

À ce stade, la trajectoire technique devient plus claire. L’étape suivante consiste à répondre aux questions pratiques qui se posent généralement lorsque l’intégration de l’IA dans SAP EWM entre en phase de planification.

Est-il nécessaire de disposer de SAP S/4HANA pour mettre en œuvre l’IA dans SAP EWM ?

Non, mais l’environnement système influence directement la complexité du projet.

SAP EWM intégré à SAP S/4HANA fournit des API standardisées, des frameworks événementiels et des mécanismes d’extension qui simplifient l’intégration avec SAP Business Technology Platform et les services d’IA.

SAP EWM décentralisé ou classique peut également être étendu. Toutefois, il nécessite souvent une architecture side-by-side sur SAP BTP, un middleware supplémentaire et une réplication explicite des données. Cela accroît l’effort de mise en œuvre ainsi que les exigences de gouvernance.

La décision est donc architecturale, et non fonctionnelle. Si l’accès aux données et les API sont correctement structurés, les modèles d’IA peuvent fonctionner dans les deux environnements.

Quel est le lien technique entre l’IA et SAP EWM ?

L’IA n’est pas directement intégrée au paramétrage de SAP EWM.

Les modèles sont entraînés et déployés sur SAP Business Technology Platform, au moyen de services tels que SAP AI Core. SAP EWM échange des données avec ces services via des API ou une intégration événementielle.

Pour les scénarios conversationnels standard et les workflows pilotés par des agents, SAP Joule interagit avec les objets SAP à l’aide de compétences, de rôles et d’autorisations prédéfinis.

Au-delà de l’architecture, un fonctionnement stable nécessite des compétences techniques spécifiques.

Côté SAP, une expertise ABAP est nécessaire pour concevoir et maintenir les intégrations API, mettre en œuvre des BAdI ou des extensions, superviser les flux de messages et gérer le traitement des erreurs. Les équipes doivent également garantir la cohérence transactionnelle afin que les recommandations fondées sur l’IA ne perturbent pas la logique des documents d’entrepôt.

Côté data science, des compétences en Python sont généralement requises pour développer, réentraîner et ajuster les modèles d’IA sur SAP BTP. Cela inclut la préparation des jeux de données, le feature engineering, la validation des modèles et la surveillance de la dérive. La détection de cette dérive est essentielle lorsque les schémas opérationnels de l’entrepôt évoluent sous l’effet de la saisonnalité, de nouvelles gammes de produits ou d’ajustements de processus.

Sur le plan opérationnel, les responsabilités de supervision sont partagées. Les spécialistes SAP surveillent les performances des API, les contrôles d’autorisation et les journaux d’intégration. Les équipes data suivent la précision des prédictions, les cycles de réentraînement et les indicateurs de performance des modèles.

Pour les modèles prédictifs personnalisés, SAP EWM envoie des jeux de données structurés aux services SAP BTP. Le modèle renvoie des recommandations, des scores ou des classifications, qui sont ensuite exploités par les processus ou les tableaux de bord SAP EWM. L’intégration doit respecter les concepts d’autorisation, les politiques de gouvernance des données et l’intégrité transactionnelle.

L’IA peut-elle exécuter automatiquement des décisions d’entrepôt ?

Le niveau d’exécution dépend de la gouvernance mise en place.

Les modèles d’IA peuvent générer des recommandations, par exemple pour le rééquilibrage des tâches ou le réapprovisionnement anticipé. Ces recommandations peuvent nécessiter une validation par le planificateur ou déclencher des étapes de suivi automatisées, selon la configuration du système et le niveau de risque acceptable.

Dans la plupart des environnements de production, une approche progressive est privilégiée. Le système fonctionne d’abord en mode recommandation. Une fois la précision et la stabilité validées, certains scénarios peuvent évoluer vers une automatisation contrôlée.

La supervision humaine reste nécessaire, en particulier pour les stocks à forte valeur ou les processus critiques au regard des niveaux de service.

Quelles données sont nécessaires pour rendre l’IA efficace ?

Des données opérationnelles de qualité sont indispensables. Les principales exigences portent généralement sur les éléments suivants :

• Attributs produits fiables : poids, dimensions, numéros de lot et conditions de stockage. Des erreurs significatives dans ces données peuvent réduire la précision des prédictions et dégrader la pertinence des recommandations.
• Historique des tâches d’entrepôt : 12 à 24 mois de temps de picking, de schémas de commande saisonniers et de journaux d’activité sont souvent nécessaires pour entraîner des modèles fiables.
• Télémétrie des robots et capteurs IoT : les flux de données en temps réel peuvent alimenter le slotting prédictif, l’affectation des ressources ou le réacheminement autonome des équipements.
• Exigences de latence définies : il est nécessaire de préciser si les décisions assistées par l’IA requièrent un traitement en temps réel, en quasi-temps réel ou en batch.

S’agit-il d’un projet IT ou d’un projet opérationnel ?

Il s’agit des deux.

L’IT définit l’architecture, les pipelines de données, la sécurité et la stabilité de l’intégration. Les opérations définissent la logique de décision, le périmètre acceptable de l’automatisation et les seuils de performance.

Sans appropriation par les équipes opérationnelles, les recommandations issues de l’IA risquent de rester inutilisées. Sans gouvernance IT, les modèles ne peuvent pas fonctionner de manière fiable en production.

Une définition claire des rôles entre l’IT et les responsables d’entrepôt est donc nécessaire dès le lancement du projet.

L’IA ne crée de la valeur que lorsqu’elle est mise en œuvre avec la bonne expertise

L’IA dans SAP EWM transforme progressivement le fonctionnement des entrepôts. Elle fait évoluer la prise de décision d’une coordination principalement manuelle vers un pilotage plus prédictif et adaptatif. Le slotting prédictif peut réduire les temps de déplacement des préparateurs. La prévision intelligente des ressources permet de mieux aligner les équipes sur la charge attendue. Les workflows agentiques peuvent contribuer à gérer les pannes d’équipement sans interrompre les opérations critiques.

Ces résultats supposent une exécution structurée. Avant d’étendre l’usage de l’IA, trois facteurs doivent être pris en compte :

• Fiabilité des données : attributs produits précis, historique complet des tâches d’entrepôt et télémétrie en temps réel.
• Architecture technique : intégration avec SAP BTP, API SAP EWM activées et exigences de latence clairement définies.
• Déploiement contrôlé : périmètre pilote, indicateurs de performance mesurables et suivi des performances du modèle.

L’IA ne suffit pas à préparer l’avenir d’une supply chain. C’est la qualité de sa mise en œuvre qui en détermine la valeur.

Cela suppose une connaissance approfondie de SAP EWM et une expérience concrète des projets d’IA. La logique d’entrepôt, les stratégies de stockage, les processus opérationnels et l’intégration système doivent être alignés avec la conception et le déploiement des modèles. Sans cet alignement, les prévisions restent théoriques.

Notre équipe associe une expertise pratique de SAP EWM à des compétences d’ingénierie IA. Nous concevons des scénarios d’intégration, évaluons la disponibilité des données et mettons en œuvre des pilotes visant un impact opérationnel mesurable.

Si vous évaluez l’IA pour votre entrepôt, nous pouvons analyser votre paysage actuel et définir une feuille de route structurée pour son adoption. Échangeons sur la manière dont cette approche pourrait s’appliquer à votre environnement.

SAP EWM traditionnel et SAP EWM enrichi par l’IA