Auteur
Auteur
Toutes les industries cherchent à fabriquer le bon nombre de produits au bon moment, mais pour les détaillants, cette question est particulièrement cruciale car ils doivent également gérer efficacement les stocks de produits périssables.
Trop d'articles et trop peu d'articles sont deux scénarios néfastes pour les affaires. (On estime qu'une mauvaise gestion des stocks coûte aux détaillants américains près de deux milliards de dollars par an).
Aller au-delà des ventes passées pour prédire avec précision les ventes futures
La gestion efficace des commandes et des stocks par les détaillants permet de dégager des bénéfices supplémentaires considérables. Mais comme cela nécessite le traitement de data pour un grand nombre d'unités de stockage (UGS), qui comprennent souvent des produits périssables et des articles commandés quotidiennement, c'est aussi un défi de taille.
Les détaillants avaient l'habitude de s'appuyer uniquement sur le site data des années précédentes pour prédire les ventes futures (et donc gérer leurs stocks), mais cette méthode n'est utile que jusqu'à un certain point. Cependant, l'apprentissage automatique a évolué au point de pouvoir fournir des modèles prédictifs précis utilisant différents signaux en fonction de leur influence sur les achats.
La prévision des ventes est complexe car, au cours d'une période donnée, les achats sont influencés par de nombreux facteurs : la météo, les tendances d'achat, la réglementation, les nouveaux produits, les comportements d'achat, une pandémie... Et les prévisions basées sur les données précédemment enregistrées sur data ne tiennent pas compte des événements spécifiques, ce qui fait que les ventes mensuelles semblent réparties de manière uniforme, alors que ce n'est probablement pas le cas.
Par exemple, un article souvent en rupture de stock peut entraîner un ralentissement des ventes de ce produit ou de cette catégorie, mais cela n'apparaîtra pas dans les rapports mensuels. Pire encore, les mauvais chiffres sont souvent considérés comme la marque d'un désintérêt des acheteurs, alors que c'est le contraire qui est vrai : l'achat excessif d'un article par les consommateurs a entraîné sa rupture de stock.
Il se peut aussi qu'un produit manquant dans le magasin soit en fait en stock, mais pas encore dans les rayons. Les grandes surfaces ont souvent du mal à se réapprovisionner en temps réel, de sorte qu'un article très populaire peut disparaître des rayons très rapidement, et donc ne pas donner les résultats escomptés, bien qu'il soit disponible en stock. Il faut donc une technologie capable d'aider les détaillants à aligner l'offre et la demande de manière transparente.
Utilisation de l'apprentissage automatique et de signaux multiples pour évaluer les niveaux de stocks
L'apprentissage automatique apporte une solution à ces défis. Les modèles prédictifs peuvent prévoir les ventes des mois à l'avance en utilisant un certain nombre de signaux qui les influencent (saisonnalité, tendances de consommation, niveaux de prix, etc.) Pour être le plus précis possible, il est important que les modèles utilisent plus d'indicateurs que le jour, le produit et le magasin standard qu'il est habituel de prendre en compte.
Pour illustrer cela, un détaillant peut analyser la saisonnalité afin de prédire les ventes pour la période à venir. Cependant, le site data sera faussé parce que l'utilisation des dates n'est pas précise à 100 % ; une certaine date peut être un jour de semaine une année, mais le week-end l'année suivante, ce qui fait varier les ventes de manière importante. D'autres facteurs, tels que le fait que cette date tombe sur un jour férié (Noël, Pâques, etc.) ou sur un événement sportif majeur, influencent également les habitudes d'achat des consommateurs.
Il en va de même pour les signaux de prix. Les promotions au niveau du magasin peuvent avoir un effet marqué sur les ventes d'un produit d'une catégorie donnée ou même rendre le magasin dans son ensemble plus attrayant.
Ces deux exemples illustrent la nécessité de prendre en compte un grand nombre de signaux et d'indicateurs différents pour prévoir avec précision les ventes : une tâche qui était pénible avant que l'apprentissage automatique et les modèles avancés d'intelligence artificielle ne la rendent réalisable.
Adopter l'apprentissage automatique pour la gestion des stocks
La technologie existe, mais pour que les détaillants puissent l'utiliser efficacement et faire des prévisions précises, ils doivent collecter et analyser d'énormes quantités d'informations data. La plupart de ces informations se trouvent dans différentes sources data et il peut être complexe d'essayer de traiter de multiples fichiers Excel et PDF contenant des rapports antérieurs et des plans médias. Les outils Big data sont nécessaires pour traiter ces informations dans le format propre et lisible requis pour créer des modèles prédictifs susceptibles de prévenir les problèmes d'inventaire.
Les ventes passées data pour un magasin donné peuvent être "inexactes" en raison d'événements ponctuels (promotions, conditions météorologiques défavorables, embouteillages, etc.) Pour éliminer ce biais, les modèles prédictifs combinent les chiffres des ventes passées avec ceux de magasins similaires.
L'autre grand défi consiste à éviter que des articles soient indisponibles dans les rayons alors qu'ils sont en stock (parce qu'il est pratiquement impossible pour les employés de surveiller les rayons en temps réel et de les réapprovisionner immédiatement).
Il existe des solutions technologiques utilisant des caméras de surveillance et des capteurs de poids, mais elles représentent un investissement considérable. Toutefois, des informations facilement accessibles, telles que les ventes en temps réel au niveau de l'unité de stock, peuvent être exploitées pour détecter les situations de "rayon vide". Des modèles peuvent analyser le flux habituel des ventes d'un article, ce qui permet de connaître le temps normal entre deux ventes d'un produit dans un magasin donné. L'intervention humaine peut être utilisée pour examiner et résoudre les anomalies statistiques.
L'analyse prédictive n'est que l'une des nombreuses façons dont les détaillants traditionnels peuvent bénéficier de l'apprentissage automatique. Ils ont beaucoup à gagner en s'appuyant sur des technologies avancées pour une meilleure gestion des stocks afin d'augmenter le chiffre d'affaires des magasins. Le traitement de vastes quantités de data peut également les aider à optimiser l'assortiment, à proposer des promotions plus attrayantes et plus rentables et à fixer les prix de manière plus efficace.
Des outils bien conçus peuvent entreprendre des tâches complexes et chronophages et fournir rapidement des rapports précis. C'est là le véritable levier de création de valeur de l'intelligence artificielle dans le commerce de détail : libérer les responsables d'analyses fastidieuses de comparaisons multi-sources et leur permettre de se concentrer sur l'amélioration continue de l'expérience client.
À propos des auteurs
Pascal Coggia est PDG d'Artefact UK, où il est responsable de l'expansion des produits et services d'intelligence artificielle (IA) et de data l'entreprise dans la région. Associé fondateur d'Artefact, il était auparavant basé au siège de l'entreprise à Paris, où il a lancé les opérations d'Artefactà Dubaï. Il a également été consultant chez Columbus Consulting Shift en France et chez Rocket Internet SE au Royaume-Uni. Il est titulaire d'une maîtrise de l'école de commerce HEC à Paris.
Jérôme Petit est associé consultant sur data à Artefact, où il travaille sur des projets data et d'intelligence artificielle (IA) avec de grandes entreprises françaises dans les secteurs de la distribution, des biens de consommation et des fonds d'investissement. Auparavant, il a dirigé les équipes stratégiques de groupes de médias français (Canal + et Lagardère Active) après avoir passé quinze ans dans des cabinets de conseil en stratégie de premier plan (OC&C, Diligence Partners et Roland Berger). Il est diplômé de l'École Polytechnique.
