Dans l'industrie de la vente au détail de produits ultra frais, l'optimisation des stocks a le potentiel de générer le plus grand impact sur les bénéfices tout en économisant de précieuses ressources.

Une entreprise belge a découvert qu'en moyenne, 6 % de leurs produits finaux n'étaient pas vendus assez rapidement et devaient être jetés. Cela a entraîné des pertes de centaines de milliers d'euros chaque année.

Le plus grand défi auquel notre client a été confronté était l'inefficacité dans la prédiction précise de leur demande. Ils se fiaient à des méthodes manuelles, qui prenaient du temps et étaient sujettes à des erreurs.

Notre objectif était de automatiser et améliorer les prévisions de demande pour notre client en utilisant l'intelligence artificielle. Surtout, nous devions réduire les stocks excédentaires tout en évitant les ruptures de stocks.

Contexte & Objectifs

Notre client produisait des produits ultra frais. Cela signifiait que les produits ne pouvaient être conservés que jusqu'à trois jours dans l'un des 20+ magasins avant d'être jetés.

Il y avait une grande variété de produits avec un volume de ventes élevé, des changements fréquents dans le catalogue quotidien des produits en vente, et un fort degré de substituabilité des produits. Cela entraîne des données de ventes incohérentes au fil du temps et rend la prévision de la demande difficile.

En utilisant l'IA, notre solution avait le plus grand potentiel pour bénéficier à notre client de deux manières :

1. Il y a le potentiel d'améliorer l'efficacité en réduisant les surstocks. Notre client doit être très flexible dans ses capacités de production et recruter à très court terme pour s'adapter à la demande.

2. Il y a le potentiel de réduire les ruptures de stock. Notre client vise à maintenir des niveaux de stock très bas car il ne veut pas jeter les excédents. Cependant, cela pourrait également entraîner des ventes inférieures s'ils ne produisent pas suffisamment pour répondre à la demande.

Par conséquent, notre solution devait trouver un bon équilibre dans la quantité produite pour minimiser les stocks excédentaires et les ruptures de stock.

En développant un algorithme prédictif, nous avions pour objectif de fournir des prévisions de demande précises en tenant compte de divers facteurs tels que les ventes historiques, la météo et les campagnes marketing.

Démarche

Notre solution a commencé par une plongée approfondie dans le contexte et une collaboration étroite avec le client. Nous devions nous assurer que la solution proposée correspondaient aux attentes du client et que le projet pouvait avoir le plus grand impact.

Pour ce faire, nous avons suivi de près un point de contact clé avec le client afin de nous assurer que la solution était clairement alignée là où l'impact le plus significatif pouvait être obtenu. Nous devions également nous assurer que nous comprenions leurs difficultés et que le client savait qu'il pouvait faire confiance au résultat final.

Nous avons utilisé trois niveaux de prédiction

Premièrement, nous avons prédit la demande par produit pour 6 jours à l'avance en utilisant un modèle de prévision global. Il existait beaucoup de données de ventes disponibles, de sorte que nous pouvions construire ce modèle sur toutes les données disponibles.

Le plus important, nous avons décidé de séparer les données de ventes entre les jours « normaux » et les jours de « célébration ». Cela s'explique par le fait qu'il y avait un degré de confiance plus élevé dans les prévisions pour les jours qui n'étaient pas des jours de célébration.

Deuxièmement, nous avons optimisé les ordres de production en utilisant des règles commerciales clés. Nous avons déterminé la quantité que le client devait produire en fonction du stock actuel attendu un jour à l'avance et de la demande prévisionnelle.

Troisièmement, nous avons prédit la demande par produit et magasin pour 1 jour à l'avance en utilisant la médiane mobile des ventes de chaque produit.

Architecture du modèle

Nous avons pu prévoir avec précision la demande de chaque produit en divisant notre solution en deux parties :

• Le modèle de base

• Un multiplicateur

Architecture du modèle

Le modèle de base n'était pas formé par l'IA. Il nous a donné un calcul simple et robuste des ventes de base que nous pouvions ensuite intégrer à un modèle formé par l'IA. Il agit comme une étape de normalisation, permettant la prévision de chaque produit à l'aide d'un modèle unique.

Alors, comment avons-nous défini le modèle de base ? Il a été simplement calculé comme la médiane mobile des ventes par produit au cours des 4 dernières semaines.

Le multiplicateur, quant à lui, est un modèle formé par l'IA. Il a pris la forme d'un modèle de prévision global que nous avons formé sur les 14 derniers mois de données historiques. Nous avons ensuite appliqué le multiplicateur au modèle de base pour obtenir la demande prévisionnelle finale.

Ce modèle nous a permis d'incorporer divers facteurs supplémentaires qui pouvaient influencer la demande de ventes. Par exemple, nous avons inclus la météo, les informations sur les produits, si c'était un jour férié national ou scolaire, ou même si les ventes se sont produites le week-end ou en semaine.

Cependant, comme c'est le cas avec tous les modèles basés sur l'IA, la seule limitation est que nous avons besoin de suffisamment de données pour obtenir des prévisions. Étant donné que notre client introduit et fait tourner régulièrement une grande variété de produits, cela pourrait poser un véritable défi.

De plus, une métrique importante déterminant le succès du projet était les pertes estimées dues aux ruptures de stock. De nombreuses entreprises du secteur de la vente au détail peuvent avoir du mal à mesurer cette métrique. Cela est dû au fait qu'elle est souvent difficile à détecter et peut entraîner des pertes importantes en termes de ventes.

Nous avons développé une manière unique de détecter quand un produit était manquant dans un magasin et le volume de ventes qui a été manqué en conséquence.

Résultats

Notre solution a démontré des résultats très prometteurs.

La phase de test du modèle a entraîné l'un des meilleurs mois jamais enregistrés pour notre client en termes de surstock et de rupture de stock.

Avant et après l'introduction du modèle : impact sur la rupture de stock et surstock

Les surstocks et les ruptures de stock pouvaient être convertis de manière fiable en une valeur monétaire. Ainsi, notre client a pu observer des améliorations tangibles de ses bénéfices.

Nous avons constaté que la segmentation des données entre les jours « normaux » et les jours de « célébration » permettait à notre client de mieux diriger ses efforts de production. Les produits qui disposaient de suffisamment de données historiques disponibles et dans le segment des jours « normaux » avaient le plus haut degré de confiance dans les prévisions. Nous avons observé une erreur moyenne de seulement 17 % dans cette catégorie.

Notre client a constaté un impact positif sur tous les objectifs clés du projet. De plus, la solution est devenue une partie centrale de leur planification de la chaîne d'approvisionnement. Non seulement cela, notre client a même noté que lorsqu'ils ont modifié eux-mêmes les suggestions de demande de l'algorithme, ils ont observé de moins bons résultats.

Conclusion

Tout au long du développement de ce projet, nous étions déterminés à livrer une solution avec laquelle notre client pouvait travailler immédiatement, plutôt qu'une simple preuve de concept théorique.

Pour ce faire, nous devions développer une solution à la fois robuste et simple. Cela nécessitait de travailler très étroitement avec le client afin que nous puissions itérer et améliorer rapidement notre modèle.

Notre approche nous a permis de développer rapidement une solution fonctionnelle. Nous l'avons directement adaptée aux points de douleur que le client rencontrait, conduisant à une solution qui a livré l'impact le plus élevé possible.

—

Rédigé par Joleen Bothma