{"id":583,"date":"2019-06-15T07:02:47","date_gmt":"2019-06-15T06:02:47","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=583"},"modified":"2024-09-20T17:45:00","modified_gmt":"2024-09-20T16:45:00","slug":"how-better-demand-prediction-can-cure-inventory-headaches","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/how-better-demand-prediction-can-cure-inventory-headaches\/","title":{"rendered":"Comment une meilleure pr\u00e9vision de la demande peut r\u00e9soudre les probl\u00e8mes de stocks"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

ACTUALIT\u00c9S \/ SCIENCE DES DONN\u00c9ES<\/p>\n<\/div>

Dans un monde id\u00e9al, les entreprises sauraient exactement combien elles peuvent vendre, quand et o\u00f9.<\/p>\n

Mais construire un mod\u00e8le efficace de pr\u00e9vision de la demande est plus facile \u00e0 dire qu'\u00e0 faire, surtout lorsque le secteur de la vente au d\u00e9tail est de plus en plus fragment\u00e9.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Aux \u00c9tats-Unis, les sous-stocks, les surstocks et les retours co\u00fbtent aux d\u00e9taillants la somme astronomique de 75 000 milliards de dollars par an.<\/p>\n

Les entreprises de biens de consommation en Chine sont confront\u00e9es \u00e0 des d\u00e9fis similaires, voire plus importants, compte tenu de l'essor des m\u00e9gap\u00e9riodes promotionnelles telles que les festivals du shopping du 11 au 11 et du 6 au 18.<\/p>\n

Bear Electric, une grande marque chinoise d'appareils \u00e9lectrom\u00e9nagers, est un d\u00e9taillant qui tente de s'attaquer de front \u00e0 ce probl\u00e8me. Selon Yifeng Li, directeur g\u00e9n\u00e9ral de Bear Electric, il est de plus en plus difficile de pr\u00e9voir le volume des ventes pendant les p\u00e9riodes de promotion saisonni\u00e8res.<\/p>\n

\n

La puissance de data<\/span><\/strong><\/h3>\n

Il y a encore quelques ann\u00e9es, les marques avaient un acc\u00e8s limit\u00e9 aux data vendus \u00e0 guichets ferm\u00e9s ou \u00e0 des tiers, et il leur \u00e9tait donc extr\u00eamement difficile de pr\u00e9voir avec pr\u00e9cision les demandes futures. Cependant, l'essor de l'internet mobile a entra\u00een\u00e9 une prolif\u00e9ration de data. Les marques sont d\u00e9sormais en mesure d'obtenir une meilleure visibilit\u00e9 du taux de vente et du v\u00e9ritable moteur des ventes. L'essor de l'apprentissage automatique et de l'IA a \u00e9galement permis aux entreprises d'exploiter et d'analyser les data de mani\u00e8re plus syst\u00e9matique. Cependant, passer au crible et analyser d'\u00e9normes quantit\u00e9s de data peut s'av\u00e9rer difficile, en particulier pour les entreprises qui ne disposent pas d'une \u00e9quipe data en interne.<\/p>\n

C'est l\u00e0 que le Artefact entre en jeu.<\/strong><\/p>\n

Notre \u00e9quipe de scientifiques data, d'ing\u00e9nieurs data, de consultants data et d'experts en marketing aide les clients \u00e0 d\u00e9velopper des mod\u00e8les de pr\u00e9diction de la demande \u00e0 l'aide des technologies data et d'IA.<\/p>\n

Nous avons r\u00e9cemment cr\u00e9\u00e9 un mod\u00e8le de pr\u00e9vision pour une plateforme O2O en Chine, permettant \u00e0 ses deux groupes d'utilisateurs - commer\u00e7ants et consommateurs - de mieux se connecter les uns aux autres.<\/p>\n

De nombreux commer\u00e7ants de la plateforme souffraient d'un volume de ventes instable, ce qui entra\u00eenait un gaspillage de ressources et une incapacit\u00e9 \u00e0 r\u00e9pondre \u00e0 la demande croissante. Pour rem\u00e9dier \u00e0 cette situation, nous avons collabor\u00e9 avec le client pour fournir aux commer\u00e7ants individuels des mises \u00e0 jour quotidiennes des pr\u00e9visions de volume de ventes pour les deux semaines \u00e0 venir, afin de les aider \u00e0 planifier leurs stocks, leurs op\u00e9rations et leurs campagnes.<\/p>\n

\n

Une meilleure pr\u00e9diction, moins de d\u00e9chets<\/span><\/strong><\/h3>\n

Vous ne pouvez pas fabriquer des briques sans pailles. De m\u00eame, vous ne pouvez pas pr\u00e9voir le volume sans historique data. L'une des difficult\u00e9s rencontr\u00e9es par de nombreux commer\u00e7ants est l'absence de chiffre d'affaires data. En effet, de nombreux commer\u00e7ants qui venaient de s'installer ou qui op\u00e9raient sporadiquement dans le pass\u00e9 n'avaient jamais connu d'\u00e9v\u00e9nement commercial du type 11-11 ou 6-18. Sans ce data, les commer\u00e7ants n'ont que peu ou pas d'aper\u00e7u de la quantit\u00e9 de stock dont ils ont besoin pour les p\u00e9riodes de promotion, ce qui peut entra\u00eener une baisse consid\u00e9rable des recettes.<\/p>\n

La question qui se pose alors est la suivante : comment pr\u00e9voir le volume des ventes, en particulier pour les grands \u00e9v\u00e9nements promotionnels, avec des donn\u00e9es historiques insuffisantes (data) ?<\/p>\n

Notre solution a consist\u00e9 en une approche \u00e0 plusieurs volets, dans le cadre de laquelle nous avons tir\u00e9 parti de notre expertise en mati\u00e8re d'exploration et d'analyse de data pour aider les commer\u00e7ants \u00e0 \u2018 combler les lacunes \u2019 pendant les p\u00e9riodes de ventes sp\u00e9ciales. Alors qu'un mod\u00e8le d'apprentissage automatique classique est utilis\u00e9 pour pr\u00e9dire le volume des ventes pour les p\u00e9riodes non promotionnelles, nous avons cr\u00e9\u00e9 un mod\u00e8le de pr\u00e9diction qui nous permet de combiner le data historique du commer\u00e7ant avec le data d'autres commer\u00e7ants aux profils similaires pour pr\u00e9dire le volume des ventes pour les p\u00e9riodes promotionnelles. Ce nouveau mod\u00e8le a permis d'am\u00e9liorer la pr\u00e9cision des pr\u00e9visions de la plateforme de 20%.<\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

Dans un monde id\u00e9al, les entreprises sauraient exactement combien elles peuvent vendre, quand et o\u00f9.
\nMais construire un mod\u00e8le efficace de pr\u00e9vision de la demande est plus facile \u00e0 dire qu'\u00e0 faire, surtout lorsque le secteur de la vente au d\u00e9tail est de plus en plus fragment\u00e9.<\/p>","protected":false},"featured_media":585,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[22035],"blog-language":[2991],"class_list":["post-583","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/583","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/585"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=583"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=583"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=583"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}