Dans le secteur de la vente au détail d'aliments ultra-frais, l'optimisation des stocks peut avoir un impact maximal sur les bénéfices, tout en permettant d'économiser des ressources précieuses.

Une entreprise belge a constaté qu'en moyenne, 6 % de ses produits finis n'étaient pas vendus assez rapidement et devaient être jetés. Cela se traduisait par des centaines de milliers d'euros de pertes par an.

Le plus grand défi auquel notre client était confronté était l'inefficacité des prévisions de la demande. Il s'appuyait sur des méthodes manuelles, qui prenaient du temps et étaient sujettes à des erreurs.

Notre objectif était d'automatiser et d'améliorer les prévisions de la demande pour notre client en utilisant l'IA. Plus important encore, nous devions réduire les stocks excédentaires tout en évitant les ruptures de stock.

Contexte et objectifs

Notre client produisait des produits ultra-frais. Cela signifie que les produits ne pouvaient être conservés que pendant trois jours dans l'un des plus de 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 degré élevé de substituabilité des produits. Cela se traduit par des données de vente incohérentes dans le temps et complique la prévision de la demande.

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

1. Il est possible d'améliorer l'efficacité en réduisant les stocks excédentaires. Notre client doit être très flexible dans ses capacités de production et embaucher à très court terme pour s'adapter à la demande.

2. Il est possible de réduire les ruptures de stock. Notre client s'efforce de maintenir des niveaux de stock très bas car il ne veut pas jeter les excédents. Toutefois, cela pourrait également entraîner une baisse des ventes si la production d'un produit n'est pas suffisante pour répondre à la demande.

Notre solution devait donc trouver un bon équilibre dans la quantité produite afin de minimiser les surstocks et les ruptures de stock.

En développant un algorithme prédictif, nous avons cherché à fournir des prévisions précises de la demande en tenant compte de divers facteurs tels que l'historique des ventes, les conditions météorologiques et les événements marketing.

Approche

Notre solution a commencé par une analyse approfondie du contexte et une collaboration étroite avec le client. Nous devions nous assurer que la solution proposée correspondait aux attentes du client et que le projet pouvait avoir un impact maximal.

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

Nous avons utilisé trois couches de prédiction

Tout d'abord, nous avons prévu la demande par produit pour les six jours à venir à l'aide d'un modèle de prévision global. Nous disposions d'un grand nombre de données sur les ventes et nous avons donc pu établir ce modèle sur la base de toutes les données disponibles.

Plus important encore, nous avons décidé de diviser les données de vente entre les jours "normaux" et les jours "de fête". En effet, le degré de confiance dans les prévisions était plus élevé pour les jours qui n'étaient pas des jours de fête.

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 prévu un jour à l'avance et de la demande prévue.

Troisièmement, nous avons prévu la demande par produit et par magasin pour un 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'a pas été entraîné par l'IA. Il nous a fourni un calcul simple et robuste des ventes de base que nous avons pu incorporer ultérieurement dans un modèle formé à l'IA. Il agit comme une étape de normalisation, permettant la prévision de chaque produit à l'aide d'un seul modèle.

Comment avons-nous défini le modèle de référence ? Il a simplement été calculé comme la médiane mobile des ventes par produit pour les 4 dernières semaines.

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

Ce modèle nous a permis d'intégrer divers facteurs supplémentaires susceptibles d'influencer la demande de soldes. Par exemple, nous avons inclus les conditions météorologiques, les informations sur les produits, le fait qu'il s'agisse d'un jour férié ou d'un jour de congé scolaire, ou même le fait que les soldes aient lieu le week-end ou un jour de semaine.

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

En outre, l'estimation des pertes dues aux ruptures de stock constituait un indicateur important de la réussite du projet. De nombreuses entreprises du secteur de la vente au détail peuvent éprouver des difficultés à calculer ce paramètre. En effet, les ruptures de stock sont souvent difficiles à détecter et peuvent entraîner d'importantes pertes de chiffre d'affaires.

Nous avons mis au point un moyen unique de détecter l'absence d'un produit dans un magasin et le volume des ventes manquées en conséquence.

Résultats

Notre solution a donné des résultats très prometteurs.

La phase de test du modèle a donné lieu à l'un des mois les plus performants pour notre client en termes de surstockage et de rupture de stock.

Avant et après l'introduction du modèle : impact sur les ruptures de stock et les surstocks

Les surstocks et les ruptures de stock ont pu être convertis de manière fiable en 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 fête" permettait à notre client d'orienter au mieux ses efforts de production. Les produits qui disposaient de suffisamment de données historiques et qui se trouvaient dans le segment des jours "normaux" présentaient le degré de confiance le plus élevé dans les prédictions. Nous avons observé une erreur moyenne de seulement 17 % dans cette catégorie.

Notre client a réalisé un impact positif sur tous les objectifs clés du projet. En outre, la solution est devenue un élément central de la planification de sa chaîne d'approvisionnement. De plus, notre client a même remarqué que lorsqu'il écrasait les suggestions de demande de l'algorithme, il observait de moins bons résultats.

Conclusion

Tout au long du développement de ce projet, nous nous sommes engagés à fournir une solution que notre client pourrait utiliser immédiatement, plutôt qu'une simple preuve théorique de concept.

Pour ce faire, nous avons dû développer une solution à la fois robuste et simple. Cela nous a obligés à travailler en étroite collaboration avec le client afin de pouvoir itérer et améliorer rapidement notre modèle.

Notre approche nous a permis de développer une solution opérationnelle très rapidement. Nous l'avons adaptée directement aux problèmes rencontrés par le client, ce qui nous a permis d'obtenir une solution ayant le plus grand impact possible.

-

Écrit par Joleen Bothma