La AI al servicio de la previsión en la gran distribución: ayudar a la decisión humana sin sustituirla

Si toutes les industries se doivent de produire la bonne quantité, au bon moment, le secteur de la grande distribution est particulièrement concerné par la question de la gestion des stocks. Pour prévoir les ventes, ces acteurs ne disposaient au mieux que de leur historique sur plusieurs années. Une méthode qui comporte pourtant certains biais. Aujourd'hui, grâce au machine learning, des modèles prédictifs beaucoup plus justes peuvent être construits, tenant compte d'un panel élargi de signaux influants sur la consommation.

Dado que se trata de un volumen muy grande de productos de referencia que se consumen a diario y a veces son perecederos, la gestión de los pedidos y de las existencias es un verdadero desafío para el sector de los PGC (Productos de Gran Consumo). Aux États-Unis, les sous et surstocks ainsi que les retours produits coûteraient 1,75 milliards de dollars par an. Hasta ahora, para reducir los costes de inversión y explotación, la información sobre la que reposaban las previsiones de sus ERP (Enterprise Resource Planning) era mayoritariamente el histórico de ventas de varios años. Sin embargo, estos métodos basados en la comparación de las ventas de un año a otro son fuente de errores.

Sobre todo porque, en un mismo periodo, numerosos parámetros pueden modificar los comportamientos de compra. Puede tratarse de la meteorología, de las tendencias de consumo (efecto «Global Shoppers» para las categorías pertinentes para un cliente turístico como el lujo, cambio de la normativa), del lanzamiento de un nuevo producto en una categoría raramente renovada, de una crisis sanitaria (¡!), de nuevos comportamientos, etc. Además, este tipo de previsión no tiene en cuenta la evolución de los valores, es decir, su potencial intermitencia, ya que «disipan» las ventas como si fueran forzosamente regulares. O, une rupture de stock a pu dans le passé entraîner l'arrêt temporaire des ventes d'un produit ou de toute une catégorie. Ces ruptures sont ainsi interprétées comme un signe de désintérêt des consommateurs alors qu'elles peuvent, au contraire, marquer des ventes plus élevées qu'à la normale. Enfin, il faut noter qu'une rupture en rayón ne signifie pas forcément rupture de stock. Difficile dans une grande surface d'assurer le réapprovisionnement des rayons en temps réel. Aligner la chaîne d'approvisionnement sur la demande à l'aide d'une technologie capable de relever ces défis était donc une attente forte des distributeurs.

Por tanto, ¡es una elección hecha con Machine Learning! Para construir modelos capaces de predecir las ventas en 4 semanas, hay que tener en cuenta un máximo de fenómenos susceptibles de influir en la evolución de las ventas y describir con precisión cada tripleta Día x Producto x Tienda a través de un conjunto de indicadores como la estacionalidad, las tendencias o incluso los precios. ¿Por qué ser preciso con estos tres indicadores? Prenons en exemple la saisonnalité, si les prédictions ne sont réalisées que sur la base de la date d'achat, celles-ci risquent d'être biaisées. De un año a otro, una misma fecha puede corresponder o no a un día de fin de semana, a una fiesta familiar o religiosa, a un partido importante de fútbol... son otros tantos acontecimientos por los que el consumo se dispara en determinadas categorías de productos. Otro ejemplo son los precios, las ofertas promocionales de un producto pueden canibalizar las ventas de productos de la misma categoría o incluso aumentar bruscamente el atractivo de una tienda. Para optimizar una estrategia promocional, es necesario poder apreciar el impacto. El conjunto de parámetros susceptibles de influir en las ventas puede analizarse mediante modelos basados en el aprendizaje automático y en técnicas de inteligencia artificial avanzadas.

Si la tecnología está disponible, aún es necesario que los distribuidores puedan recopilar y analizar la inmensa cantidad de datos necesarios para estas predicciones. Las fuentes de datos son múltiples, por lo que puede resultar complejo extraer y reunir los distintos archivos Excel y PDF en los que se encuentra la información relativa a los planes de medios y otros informes. Contar con grandes herramientas data para reunir en un mismo punto los datos protegidos es una base fundamental para crear, a continuación, modelos capaces de resolver los problemas relacionados con las existencias. He aquí dos ejemplos.

La gran mayoría de los distribuidores proporcionan datos de ventas de varios años. Sin embargo, algunos pueden tener que hacer frente a operaciones promocionales o a acontecimientos (caniculares, organización de un evento deportivo de gran envergadura en una zona próxima) sin previo aviso. Para paliar este déficit, es posible combinar los datos históricos deficitarios con los de distribuidores o puntos de venta de perfiles similares. Este modelo ha sido probado y aprobado por Artefact en una plataforma 020 en China con un aumento de 20% de precisión en las previsiones.

Autre défi : éviter la rupture en rayon alors que le produit est présent en stock. Il est difficile de demander aux salariés d'une grande surface de vérifier en continu le remplissage des étagères. En outre, l'installation de caméras et de capteurs est très coûteuse. En este caso concreto, los conjuntos de datos restantes, como las ventas en tiempo real, los atributos del artículo y las características de los raíles, bastan para anticipar las roturas de existencias en raíles. Il s'agit, par exemple, de modéliser la fréquence d'écoulement, c'est-à-dire le temps écoulé entre deux ventes d'un même produit proposé par un magasin. En cas d'anomalie statistique, un vendeur peut être dépêché pour analyser la situation et y remédier.

Las aplicaciones de la data y del Machine Learning en el sector del Retail son múltiples, y la previsión de las ventas no representa más que una ínfima parte. Además del aumento de la cifra de negocios que se consigue optimizando la gestión de las existencias, la explotación de la información puede ser de gran ayuda en la cadena de suministro o en la comercialización. Un verdadero coadyuvante para el ser humano que, así liberado de tareas demasiado complejas para obtener resultados fiables o demasiado crónicos, puede dedicar más tiempo a su estrategia comercial o a la mejora de la experiencia del cliente.