Lorsque j’ai rejoint un projet de gestion partagée des stocks au sein d’une multinationale du secteur des biens de consommation, l’équipe du service client n’avait aucune visibilité sur les stocks de ses revendeurs. Le tableau de bord existant indiquait uniquement les ruptures de stock survenues par le passé. Les ruptures de stock et les excédents n’apparaissaient qu’une fois que la commande était déjà en retard ou que le produit s’était accumulé, trop tard pour réagir.
Ma thèse : un tableau de bord décrit le passé, et la valeur commerciale réside dans les modèles qui anticipent le problème et recommandent des mesures à prendre suffisamment tôt pour pouvoir les mettre en œuvre.
Le problème allait au-delà d'un simple manque de visibilité. L'équipe commerciale devait répondre à deux questions pour chaque revendeur et chaque référence : ce revendeur aura-t-il besoin de plus de produits ? Si oui, quelle quantité puis-je lui envoyer ? La première question nécessite de connaître le niveau de stock restant chez le revendeur et le volume qu'il va vendre. La seconde dépend de contraintes internes : les quotas, les stocks dans chaque site d’expédition, la palettisation et le plan de production. Il n’est pas envisageable de recouper manuellement toutes ces informations, chaque jour, pour chaque revendeur et chaque référence.
Ce que nous avons réalisé. Nous avons intégré les data relatives aux ventes aux distributeurs, aux ventes au détail et aux stocks des revendeurs, puis nous avons entraîné un modèle d’apprentissage automatique capable de prévoir les ventes pour les 30 prochains jours. À partir de ces prévisions, nous avons calculé la date probable de rupture de stock pour chaque référence. Nous avons ensuite croisé cette date avec les contraintes suivantes : quota et stock disponibles, palettisation, délai de transport et commandes déjà en cours d’acheminement, afin que les alertes ne deviennent pas obsolètes. Le résultat est une recommandation de commande pour chaque revendeur et chaque référence, dans la mesure où l’expédition est réalisable, accompagnée de la date limite pour passer cette commande à temps. Lorsqu’une commande n’est pas réalisable, l’outil indique quelle contrainte la bloque, ce qui permet à l’équipe commerciale d’aborder la discussion en connaissant déjà le problème.
Power BI est toujours présent, mais dans un rôle différent. Ce n'est plus l'outil d'analyse. C'est l'interface qui donne accès à l'intelligence qui se cache derrière, affichant les prévisions, les alertes de risque et les recommandations permettant d'agir rapidement.
Le résultat. Nous avons mesuré ce gain à travers le chiffre d'affaires brut supplémentaire généré par la prévention des ruptures de stock : lorsqu'une rupture de stock prévue est signalée au revendeur et que la commande est passée à temps, nous estimons le volume qui aurait été perdu ainsi que sa valeur commerciale. Au cours de l'année qui a suivi la mise en œuvre, le chiffre d'affaires supplémentaire estimé s'élevait à 5,09 millions de reais brésiliens.
Qu'est-ce qui a été le plus difficile ? L'un des plus grands défis n'était pas le modèle, mais les data. Les data relatives aux stocks et aux ventes dépendent des revendeurs, et celles-ci devaient nous parvenir à la fréquence et dans le format requis. La fréquence est fixée par contrat, mais son respect nécessitait un suivi : en collaboration avec l’équipe commerciale, nous avons mis en place un processus pour relancer les revendeurs concernant ces données. Nous avons également constaté que les quotas et les stocks évoluent tout au long de la journée ; l’analyse des commandes est donc plus efficace dès le début de la matinée. Après trois mois passés à affiner ce processus, nous avons mis en place une routine hebdomadaire avec chaque revendeur, en nous appuyant sur l’outil pour définir l’ordre du jour.
Les domaines dans lesquels l'IA générale apporte un complément. La solution actuelle fonctionne bien et ne repose pas sur l’IA générative, mais uniquement sur des modèles d’IA traditionnels tels que l’apprentissage automatique et les optimiseurs. Mais aujourd’hui, nous pourrions renforcer la couche d’interprétation et d’interaction : mettre en évidence des informations sur les problèmes survenus, résumer les priorités de la journée en langage naturel, étendre les recommandations aux canaux les plus utilisés par les équipes commerciales, expliquer quelle contrainte bloque une commande et rédiger le message à l’intention du revendeur. Il s’agit d’une amélioration en termes de convivialité et d’aide à l’interprétation et à la mise en œuvre des informations, s’appuyant sur une solution qui a déjà fait ses preuves.
En résumé :
Comment mettre cela en pratique : Énumérez les principales décisions récurrentes de votre domaine commercial qui dépendent aujourd’hui de la consultation d’un tableau de bord (réapprovisionnement, crédit, allocation d’actifs, promotion). Choisissez celle qui dispose d’un responsable désigné, de data fréquentes et d’une perte mesurable en termes monétaires. Maintenant que vous disposez d’un problème bien défini et pouvant être résolu, nous pouvons travailler ensemble à l’élaboration d’un modèle permettant d’anticiper ou d’optimiser cette décision, plutôt que de créer un énième tableau de bord en plus de celui-ci.
