ACTUALITÉS / SCIENCE DES DONNÉES

Dans un monde idéal, les entreprises sauraient exactement combien elles peuvent vendre, quand et où.

Mais construire un modèle efficace de prévision de la demande est plus facile à dire qu'à faire, surtout lorsque le secteur de la vente au détail est de plus en plus fragmenté.

Aux États-Unis, les sous-stocks, les surstocks et les retours coûtent aux détaillants la somme astronomique de 75 000 milliards de dollars par an.

Les entreprises de biens de consommation en Chine sont confrontées à des défis similaires, voire plus importants, compte tenu de l'essor des mégapériodes promotionnelles telles que les festivals du shopping du 11 au 11 et du 6 au 18.

Bear Electric, une grande marque chinoise d'appareils électroménagers, est un détaillant qui tente de s'attaquer de front à ce problème. Selon Yifeng Li, directeur général de Bear Electric, il est de plus en plus difficile de prévoir le volume des ventes pendant les périodes de promotion saisonnières.

La puissance de data

Il y a encore quelques années, les marques avaient un accès limité aux data vendus à guichets fermés ou à des tiers, et il leur était donc extrêmement difficile de prévoir avec précision les demandes futures. Cependant, l'essor de l'internet mobile a entraîné une prolifération de data. Les marques sont désormais en mesure d'obtenir une meilleure visibilité du taux de vente et du véritable moteur des ventes. L'essor de l'apprentissage automatique et de l'IA a également permis aux entreprises d'exploiter et d'analyser les data de manière plus systématique. Cependant, passer au crible et analyser d'énormes quantités de data peut s'avérer difficile, en particulier pour les entreprises qui ne disposent pas d'une équipe data en interne.

C'est là que le Artefact entre en jeu.

Notre équipe de scientifiques data, d'ingénieurs data, de consultants data et d'experts en marketing aide les clients à développer des modèles de prédiction de la demande à l'aide des technologies data et d'IA.

Nous avons récemment créé un modèle de prévision pour une plateforme O2O en Chine, permettant à ses deux groupes d'utilisateurs - commerçants et consommateurs - de mieux se connecter les uns aux autres.

De nombreux commerçants de la plateforme souffraient d'un volume de ventes instable, ce qui entraînait un gaspillage de ressources et une incapacité à répondre à la demande croissante. Pour remédier à cette situation, nous avons collaboré avec le client pour fournir aux commerçants individuels des mises à jour quotidiennes des prévisions de volume de ventes pour les deux semaines à venir, afin de les aider à planifier leurs stocks, leurs opérations et leurs campagnes.

Une meilleure prédiction, moins de déchets

Vous ne pouvez pas fabriquer des briques sans pailles. De même, vous ne pouvez pas prévoir le volume sans historique data. L'une des difficultés rencontrées par de nombreux commerçants est l'absence de chiffre d'affaires data. En effet, de nombreux commerçants qui venaient de s'installer ou qui opéraient sporadiquement dans le passé n'avaient jamais connu d'événement commercial du type 11-11 ou 6-18. Sans ce data, les commerçants n'ont que peu ou pas d'aperçu de la quantité de stock dont ils ont besoin pour les périodes de promotion, ce qui peut entraîner une baisse considérable des recettes.

La question qui se pose alors est la suivante : comment prévoir le volume des ventes, en particulier pour les grands événements promotionnels, avec des données historiques insuffisantes (data) ?

Notre solution a consisté en une approche à plusieurs volets, dans le cadre de laquelle nous avons tiré parti de notre expertise en matière d'exploration et d'analyse de data pour aider les commerçants à ‘ combler les lacunes ’ pendant les périodes de ventes spéciales. Alors qu'un modèle d'apprentissage automatique classique est utilisé pour prédire le volume des ventes pour les périodes non promotionnelles, nous avons créé un modèle de prédiction qui nous permet de combiner le data historique du commerçant avec le data d'autres commerçants aux profils similaires pour prédire le volume des ventes pour les périodes promotionnelles. Ce nouveau modèle a permis d'améliorer la précision des prévisions de la plateforme de 20%.