![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/jerome-petit-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/05\/Logo-lsa.png\" "\\"Logo-lsa\\""){kind=logo}
<\/span><\/div>Si toutes les industries se doivent de produire la bonne quantit\u00e9, au bon moment, le secteur de la grande distribution est particuli\u00e8rement concern\u00e9 par la question de la gestion des stocks. Pour pr\u00e9voir les ventes, ces acteurs ne disposaient au mieux que de leur historique sur plusieurs ann\u00e9es. Une m\u00e9thode qui comporte pourtant certains biais. Aujourd'hui, gr\u00e2ce au machine learning, des mod\u00e8les pr\u00e9dictifs beaucoup plus justes peuvent \u00eatre construits, tenant compte d'un panel \u00e9largi de signaux influant sur la consommation.<\/p>\n<\/div>
Au-del\u00e0 de l'historique des ventes : le d\u00e9fi de la grande distribution<\/h2><\/div>Parce qu'il concerne un tr\u00e8s grand volume de r\u00e9f\u00e9rences produits consomm\u00e9s au quotidien et parfois p\u00e9rissables, la gestion des commandes et des stocks est un v\u00e9ritable d\u00e9fi pour le secteur PGC (Produits de Grande Consommation). Aux \u00c9tats-Unis, les sous et surstocks ainsi que les retours produits co\u00fbtaient 1,75 milliards de dollars par an. Jusqu'ici, pour r\u00e9duire les co\u00fbts d'investissement et d'exploitation, l'information sur laquelle reposaient les pr\u00e9visions de leurs ERP (Enterprise Resource Planning) \u00e9taient majoritairement l'historique des ventes sur plusieurs ann\u00e9es. Cependant, ces m\u00e9thodes reposant sur la comparaison des ventes d'une ann\u00e9e \u00e0 l'autre sont source d'erreurs.<\/p>\n<\/div>
De multiples param\u00e8tres influent sur l'\u00e9tat des stocks<\/h2><\/div>Tout d'abord parce que pour une m\u00eame p\u00e9riode, de nombreux param\u00e8tres peuvent modifier les comportements d'achats. Il peut s'agir de la m\u00e9t\u00e9o, des tendances de consommation (effet \u00ab Global Shoppers \u00bb pour les cat\u00e9gories pertinentes pour une client\u00e8le touristique comme le luxe, changement de r\u00e9glementation), du lancement d'un nouveau produit dans une cat\u00e9gorie rarement renouvel\u00e9e, d'une crise sanitaire ( !), de nouveaux comportements, etc. De plus, ce type de pr\u00e9vision ne tient pas compte de l'\u00e9volution des valeurs, c'est-\u00e0-dire de leur potentielle intermittence, puisqu'elles \u00ab lissent \u00bb les ventes comme si elles \u00e9taient forc\u00e9ment r\u00e9guli\u00e8res. Or, une rupture de stock a pu dans le pass\u00e9 entra\u00eener l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. Ces ruptures sont ainsi interpr\u00e9t\u00e9es comme un signe de d\u00e9sint\u00e9r\u00eat des consommateurs alors qu'elles peuvent, au contraire, marquer des ventes plus \u00e9lev\u00e9es qu'\u00e0 la normale. Enfin, il faut noter qu'une rupture en rayon ne signifie pas forc\u00e9ment rupture de stock. Difficile dans une grande surface d'assurer le r\u00e9approvisionnement des rayons en temps r\u00e9el. Aligner la cha\u00eene d'approvisionnement sur la demande \u00e0 l'aide d'une technologie capable de relever ces d\u00e9fis \u00e9tait donc une attente forte des distributeurs.<\/p>\n<\/div>
Le Machine Learning au secours de l'humain dans les magasins<\/h2><\/div>C'est d\u00e9sormais chose faite avec le Machine Learning ! Pour construire des mod\u00e8les capables de pr\u00e9dire des ventes sur 4 semaines, il faut prendre en compte un maximum de ph\u00e9nom\u00e8nes susceptibles d'influer sur l'\u00e9volution des ventes en d\u00e9crivant pr\u00e9cis\u00e9ment chaque triplette Jour x Produit x Magasin \u00e0 travers un ensemble d'indicateurs tels que la saisonnalit\u00e9, les tendances ou encore les prix. Pourquoi \u00eatre pr\u00e9cis sur ces trois indicateurs ? Prenons en exemple la saisonnalit\u00e9, si les pr\u00e9dictions ne sont r\u00e9alis\u00e9es que sur la base de la date d'achat, celles-ci risquent d'\u00eatre biais\u00e9es. D'une ann\u00e9e \u00e0 l'autre, une m\u00eame date peut correspondre ou non \u00e0 un jour de week-end, \u00e0 une f\u00eate familiale ou religieuse, \u00e0 un match important de football... sont autant d'\u00e9v\u00e9nements pour lesquels la consommation est en hausse sur certaines cat\u00e9gories de produits. Autre exemple sur les prix, les offres promotionnelles d'un produit peuvent cannibaliser les ventes de produits de la m\u00eame cat\u00e9gorie ou encore brusquement booster l'attractivit\u00e9 d'un magasin. Pour optimiser une strat\u00e9gie promotionnelle, il est n\u00e9cessaire de pouvoir en appr\u00e9cier l'impact. L'ensemble des param\u00e8tres susceptibles d'influer sur les ventes peuvent \u00eatre analys\u00e9s \u00e0 travers des mod\u00e8les bas\u00e9s sur le Machine Learning et des techniques d'Intelligence Artificielle avanc\u00e9es.<\/p>\n<\/div>
Deux applications concr\u00e8tes du Machine Learning sur des probl\u00e9matiques de stock<\/h2><\/div>Si la technologie est disponible, encore faut-il que les distributeurs puissent collecter et analyser l'immense quantit\u00e9 de donn\u00e9es n\u00e9cessaires \u00e0 ces pr\u00e9dictions. Les sources de donn\u00e9es sont multiples, il peut donc \u00eatre complexe d'extraire et de r\u00e9unir les diff\u00e9rents fichiers Excel et PDF o\u00f9 se trouvent les informations concernant les plans m\u00e9dias et autres rapports. S'\u00e9quiper d'outils big data pour r\u00e9unir en un m\u00eame point des donn\u00e9es prot\u00e9iformes est un socle fondamental pour b\u00e2tir, par la suite, des mod\u00e8les capables de r\u00e9soudre les probl\u00e9matiques li\u00e9es aux stocks. En voici deux exemples.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. Cependant, certains peuvent \u00eatre confront\u00e9s \u00e0 des op\u00e9rations promotionnelles ou \u00e0 des \u00e9v\u00e9nements (canicule, organisation d'un \u00e9v\u00e9nement sportif de grande envergure dans une zone proche) sans pr\u00e9c\u00e9dent. Pour pallier ce d\u00e9ficit, il est possible de combiner les donn\u00e9es historiques lacunaires avec celles de distributeurs ou de points de vente aux profils similaires. Ce mod\u00e8le a \u00e9t\u00e9 test\u00e9 et approuv\u00e9 par Artefact sur une plateforme 020 en Chine avec une augmentation de 20% de pr\u00e9cision dans les pr\u00e9visions.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. Dans ce cas pr\u00e9cis, des sets de donn\u00e9es restreints comme les ventes en temps r\u00e9el, les attributs de l'article et les caract\u00e9ristiques des rayonnages suffisent \u00e0 anticiper les ruptures de stocks en rayon. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Les applications de la data et de Machine Learning dans le secteur du Retail sont multiples, et la pr\u00e9vision des ventes n'en repr\u00e9sente qu'une infime partie. Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 de t\u00e2ches trop complexes pour obtenir des r\u00e9sultats fiables ou trop chronophages, peut consacrer plus de temps \u00e0 sa strat\u00e9gie commerciale ou \u00e0 l'am\u00e9lioration de l'exp\u00e9rience client.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Parce qu'il concerne un tr\u00e8s grand volume de r\u00e9f\u00e9rences produits consomm\u00e9s au quotidien et parfois p\u00e9rissables, la gestion des commandes et des stocks est un v\u00e9ritable d\u00e9fi pour le secteur PGC (Produits de Grande Consommation). Aux \u00c9tats-Unis, les sous et surstocks ainsi que les retours produits co\u00fbtaient 1,75 milliards de dollars par an. Jusqu'ici, pour r\u00e9duire les co\u00fbts d'investissement et d'exploitation, l'information sur laquelle reposaient les pr\u00e9visions de leurs ERP (Enterprise Resource Planning) \u00e9taient majoritairement l'historique des ventes sur plusieurs ann\u00e9es. Cependant, ces m\u00e9thodes reposant sur la comparaison des ventes d'une ann\u00e9e \u00e0 l'autre sont source d'erreurs.<\/p>\n<\/div>
De multiples param\u00e8tres influent sur l'\u00e9tat des stocks<\/h2><\/div>Tout d'abord parce que pour une m\u00eame p\u00e9riode, de nombreux param\u00e8tres peuvent modifier les comportements d'achats. Il peut s'agir de la m\u00e9t\u00e9o, des tendances de consommation (effet \u00ab Global Shoppers \u00bb pour les cat\u00e9gories pertinentes pour une client\u00e8le touristique comme le luxe, changement de r\u00e9glementation), du lancement d'un nouveau produit dans une cat\u00e9gorie rarement renouvel\u00e9e, d'une crise sanitaire ( !), de nouveaux comportements, etc. De plus, ce type de pr\u00e9vision ne tient pas compte de l'\u00e9volution des valeurs, c'est-\u00e0-dire de leur potentielle intermittence, puisqu'elles \u00ab lissent \u00bb les ventes comme si elles \u00e9taient forc\u00e9ment r\u00e9guli\u00e8res. Or, une rupture de stock a pu dans le pass\u00e9 entra\u00eener l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. Ces ruptures sont ainsi interpr\u00e9t\u00e9es comme un signe de d\u00e9sint\u00e9r\u00eat des consommateurs alors qu'elles peuvent, au contraire, marquer des ventes plus \u00e9lev\u00e9es qu'\u00e0 la normale. Enfin, il faut noter qu'une rupture en rayon ne signifie pas forc\u00e9ment rupture de stock. Difficile dans une grande surface d'assurer le r\u00e9approvisionnement des rayons en temps r\u00e9el. Aligner la cha\u00eene d'approvisionnement sur la demande \u00e0 l'aide d'une technologie capable de relever ces d\u00e9fis \u00e9tait donc une attente forte des distributeurs.<\/p>\n<\/div>
Le Machine Learning au secours de l'humain dans les magasins<\/h2><\/div>C'est d\u00e9sormais chose faite avec le Machine Learning ! Pour construire des mod\u00e8les capables de pr\u00e9dire des ventes sur 4 semaines, il faut prendre en compte un maximum de ph\u00e9nom\u00e8nes susceptibles d'influer sur l'\u00e9volution des ventes en d\u00e9crivant pr\u00e9cis\u00e9ment chaque triplette Jour x Produit x Magasin \u00e0 travers un ensemble d'indicateurs tels que la saisonnalit\u00e9, les tendances ou encore les prix. Pourquoi \u00eatre pr\u00e9cis sur ces trois indicateurs ? Prenons en exemple la saisonnalit\u00e9, si les pr\u00e9dictions ne sont r\u00e9alis\u00e9es que sur la base de la date d'achat, celles-ci risquent d'\u00eatre biais\u00e9es. D'une ann\u00e9e \u00e0 l'autre, une m\u00eame date peut correspondre ou non \u00e0 un jour de week-end, \u00e0 une f\u00eate familiale ou religieuse, \u00e0 un match important de football... sont autant d'\u00e9v\u00e9nements pour lesquels la consommation est en hausse sur certaines cat\u00e9gories de produits. Autre exemple sur les prix, les offres promotionnelles d'un produit peuvent cannibaliser les ventes de produits de la m\u00eame cat\u00e9gorie ou encore brusquement booster l'attractivit\u00e9 d'un magasin. Pour optimiser une strat\u00e9gie promotionnelle, il est n\u00e9cessaire de pouvoir en appr\u00e9cier l'impact. L'ensemble des param\u00e8tres susceptibles d'influer sur les ventes peuvent \u00eatre analys\u00e9s \u00e0 travers des mod\u00e8les bas\u00e9s sur le Machine Learning et des techniques d'Intelligence Artificielle avanc\u00e9es.<\/p>\n<\/div>
Deux applications concr\u00e8tes du Machine Learning sur des probl\u00e9matiques de stock<\/h2><\/div>Si la technologie est disponible, encore faut-il que les distributeurs puissent collecter et analyser l'immense quantit\u00e9 de donn\u00e9es n\u00e9cessaires \u00e0 ces pr\u00e9dictions. Les sources de donn\u00e9es sont multiples, il peut donc \u00eatre complexe d'extraire et de r\u00e9unir les diff\u00e9rents fichiers Excel et PDF o\u00f9 se trouvent les informations concernant les plans m\u00e9dias et autres rapports. S'\u00e9quiper d'outils big data pour r\u00e9unir en un m\u00eame point des donn\u00e9es prot\u00e9iformes est un socle fondamental pour b\u00e2tir, par la suite, des mod\u00e8les capables de r\u00e9soudre les probl\u00e9matiques li\u00e9es aux stocks. En voici deux exemples.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. Cependant, certains peuvent \u00eatre confront\u00e9s \u00e0 des op\u00e9rations promotionnelles ou \u00e0 des \u00e9v\u00e9nements (canicule, organisation d'un \u00e9v\u00e9nement sportif de grande envergure dans une zone proche) sans pr\u00e9c\u00e9dent. Pour pallier ce d\u00e9ficit, il est possible de combiner les donn\u00e9es historiques lacunaires avec celles de distributeurs ou de points de vente aux profils similaires. Ce mod\u00e8le a \u00e9t\u00e9 test\u00e9 et approuv\u00e9 par Artefact sur une plateforme 020 en Chine avec une augmentation de 20% de pr\u00e9cision dans les pr\u00e9visions.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. Dans ce cas pr\u00e9cis, des sets de donn\u00e9es restreints comme les ventes en temps r\u00e9el, les attributs de l'article et les caract\u00e9ristiques des rayonnages suffisent \u00e0 anticiper les ruptures de stocks en rayon. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Les applications de la data et de Machine Learning dans le secteur du Retail sont multiples, et la pr\u00e9vision des ventes n'en repr\u00e9sente qu'une infime partie. Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 de t\u00e2ches trop complexes pour obtenir des r\u00e9sultats fiables ou trop chronophages, peut consacrer plus de temps \u00e0 sa strat\u00e9gie commerciale ou \u00e0 l'am\u00e9lioration de l'exp\u00e9rience client.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Tout d'abord parce que pour une m\u00eame p\u00e9riode, de nombreux param\u00e8tres peuvent modifier les comportements d'achats. Il peut s'agir de la m\u00e9t\u00e9o, des tendances de consommation (effet \u00ab Global Shoppers \u00bb pour les cat\u00e9gories pertinentes pour une client\u00e8le touristique comme le luxe, changement de r\u00e9glementation), du lancement d'un nouveau produit dans une cat\u00e9gorie rarement renouvel\u00e9e, d'une crise sanitaire ( !), de nouveaux comportements, etc. De plus, ce type de pr\u00e9vision ne tient pas compte de l'\u00e9volution des valeurs, c'est-\u00e0-dire de leur potentielle intermittence, puisqu'elles \u00ab lissent \u00bb les ventes comme si elles \u00e9taient forc\u00e9ment r\u00e9guli\u00e8res. Or, une rupture de stock a pu dans le pass\u00e9 entra\u00eener l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. Ces ruptures sont ainsi interpr\u00e9t\u00e9es comme un signe de d\u00e9sint\u00e9r\u00eat des consommateurs alors qu'elles peuvent, au contraire, marquer des ventes plus \u00e9lev\u00e9es qu'\u00e0 la normale. Enfin, il faut noter qu'une rupture en rayon ne signifie pas forc\u00e9ment rupture de stock. Difficile dans une grande surface d'assurer le r\u00e9approvisionnement des rayons en temps r\u00e9el. Aligner la cha\u00eene d'approvisionnement sur la demande \u00e0 l'aide d'une technologie capable de relever ces d\u00e9fis \u00e9tait donc une attente forte des distributeurs.<\/p>\n<\/div>
Le Machine Learning au secours de l'humain dans les magasins<\/h2><\/div>C'est d\u00e9sormais chose faite avec le Machine Learning ! Pour construire des mod\u00e8les capables de pr\u00e9dire des ventes sur 4 semaines, il faut prendre en compte un maximum de ph\u00e9nom\u00e8nes susceptibles d'influer sur l'\u00e9volution des ventes en d\u00e9crivant pr\u00e9cis\u00e9ment chaque triplette Jour x Produit x Magasin \u00e0 travers un ensemble d'indicateurs tels que la saisonnalit\u00e9, les tendances ou encore les prix. Pourquoi \u00eatre pr\u00e9cis sur ces trois indicateurs ? Prenons en exemple la saisonnalit\u00e9, si les pr\u00e9dictions ne sont r\u00e9alis\u00e9es que sur la base de la date d'achat, celles-ci risquent d'\u00eatre biais\u00e9es. D'une ann\u00e9e \u00e0 l'autre, une m\u00eame date peut correspondre ou non \u00e0 un jour de week-end, \u00e0 une f\u00eate familiale ou religieuse, \u00e0 un match important de football... sont autant d'\u00e9v\u00e9nements pour lesquels la consommation est en hausse sur certaines cat\u00e9gories de produits. Autre exemple sur les prix, les offres promotionnelles d'un produit peuvent cannibaliser les ventes de produits de la m\u00eame cat\u00e9gorie ou encore brusquement booster l'attractivit\u00e9 d'un magasin. Pour optimiser une strat\u00e9gie promotionnelle, il est n\u00e9cessaire de pouvoir en appr\u00e9cier l'impact. L'ensemble des param\u00e8tres susceptibles d'influer sur les ventes peuvent \u00eatre analys\u00e9s \u00e0 travers des mod\u00e8les bas\u00e9s sur le Machine Learning et des techniques d'Intelligence Artificielle avanc\u00e9es.<\/p>\n<\/div>
Deux applications concr\u00e8tes du Machine Learning sur des probl\u00e9matiques de stock<\/h2><\/div>Si la technologie est disponible, encore faut-il que les distributeurs puissent collecter et analyser l'immense quantit\u00e9 de donn\u00e9es n\u00e9cessaires \u00e0 ces pr\u00e9dictions. Les sources de donn\u00e9es sont multiples, il peut donc \u00eatre complexe d'extraire et de r\u00e9unir les diff\u00e9rents fichiers Excel et PDF o\u00f9 se trouvent les informations concernant les plans m\u00e9dias et autres rapports. S'\u00e9quiper d'outils big data pour r\u00e9unir en un m\u00eame point des donn\u00e9es prot\u00e9iformes est un socle fondamental pour b\u00e2tir, par la suite, des mod\u00e8les capables de r\u00e9soudre les probl\u00e9matiques li\u00e9es aux stocks. En voici deux exemples.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. Cependant, certains peuvent \u00eatre confront\u00e9s \u00e0 des op\u00e9rations promotionnelles ou \u00e0 des \u00e9v\u00e9nements (canicule, organisation d'un \u00e9v\u00e9nement sportif de grande envergure dans une zone proche) sans pr\u00e9c\u00e9dent. Pour pallier ce d\u00e9ficit, il est possible de combiner les donn\u00e9es historiques lacunaires avec celles de distributeurs ou de points de vente aux profils similaires. Ce mod\u00e8le a \u00e9t\u00e9 test\u00e9 et approuv\u00e9 par Artefact sur une plateforme 020 en Chine avec une augmentation de 20% de pr\u00e9cision dans les pr\u00e9visions.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. Dans ce cas pr\u00e9cis, des sets de donn\u00e9es restreints comme les ventes en temps r\u00e9el, les attributs de l'article et les caract\u00e9ristiques des rayonnages suffisent \u00e0 anticiper les ruptures de stocks en rayon. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Les applications de la data et de Machine Learning dans le secteur du Retail sont multiples, et la pr\u00e9vision des ventes n'en repr\u00e9sente qu'une infime partie. Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 de t\u00e2ches trop complexes pour obtenir des r\u00e9sultats fiables ou trop chronophages, peut consacrer plus de temps \u00e0 sa strat\u00e9gie commerciale ou \u00e0 l'am\u00e9lioration de l'exp\u00e9rience client.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
C'est d\u00e9sormais chose faite avec le Machine Learning ! Pour construire des mod\u00e8les capables de pr\u00e9dire des ventes sur 4 semaines, il faut prendre en compte un maximum de ph\u00e9nom\u00e8nes susceptibles d'influer sur l'\u00e9volution des ventes en d\u00e9crivant pr\u00e9cis\u00e9ment chaque triplette Jour x Produit x Magasin \u00e0 travers un ensemble d'indicateurs tels que la saisonnalit\u00e9, les tendances ou encore les prix. Pourquoi \u00eatre pr\u00e9cis sur ces trois indicateurs ? Prenons en exemple la saisonnalit\u00e9, si les pr\u00e9dictions ne sont r\u00e9alis\u00e9es que sur la base de la date d'achat, celles-ci risquent d'\u00eatre biais\u00e9es. D'une ann\u00e9e \u00e0 l'autre, une m\u00eame date peut correspondre ou non \u00e0 un jour de week-end, \u00e0 une f\u00eate familiale ou religieuse, \u00e0 un match important de football... sont autant d'\u00e9v\u00e9nements pour lesquels la consommation est en hausse sur certaines cat\u00e9gories de produits. Autre exemple sur les prix, les offres promotionnelles d'un produit peuvent cannibaliser les ventes de produits de la m\u00eame cat\u00e9gorie ou encore brusquement booster l'attractivit\u00e9 d'un magasin. Pour optimiser une strat\u00e9gie promotionnelle, il est n\u00e9cessaire de pouvoir en appr\u00e9cier l'impact. L'ensemble des param\u00e8tres susceptibles d'influer sur les ventes peuvent \u00eatre analys\u00e9s \u00e0 travers des mod\u00e8les bas\u00e9s sur le Machine Learning et des techniques d'Intelligence Artificielle avanc\u00e9es.<\/p>\n<\/div>
Deux applications concr\u00e8tes du Machine Learning sur des probl\u00e9matiques de stock<\/h2><\/div>Si la technologie est disponible, encore faut-il que les distributeurs puissent collecter et analyser l'immense quantit\u00e9 de donn\u00e9es n\u00e9cessaires \u00e0 ces pr\u00e9dictions. Les sources de donn\u00e9es sont multiples, il peut donc \u00eatre complexe d'extraire et de r\u00e9unir les diff\u00e9rents fichiers Excel et PDF o\u00f9 se trouvent les informations concernant les plans m\u00e9dias et autres rapports. S'\u00e9quiper d'outils big data pour r\u00e9unir en un m\u00eame point des donn\u00e9es prot\u00e9iformes est un socle fondamental pour b\u00e2tir, par la suite, des mod\u00e8les capables de r\u00e9soudre les probl\u00e9matiques li\u00e9es aux stocks. En voici deux exemples.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. Cependant, certains peuvent \u00eatre confront\u00e9s \u00e0 des op\u00e9rations promotionnelles ou \u00e0 des \u00e9v\u00e9nements (canicule, organisation d'un \u00e9v\u00e9nement sportif de grande envergure dans une zone proche) sans pr\u00e9c\u00e9dent. Pour pallier ce d\u00e9ficit, il est possible de combiner les donn\u00e9es historiques lacunaires avec celles de distributeurs ou de points de vente aux profils similaires. Ce mod\u00e8le a \u00e9t\u00e9 test\u00e9 et approuv\u00e9 par Artefact sur une plateforme 020 en Chine avec une augmentation de 20% de pr\u00e9cision dans les pr\u00e9visions.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. Dans ce cas pr\u00e9cis, des sets de donn\u00e9es restreints comme les ventes en temps r\u00e9el, les attributs de l'article et les caract\u00e9ristiques des rayonnages suffisent \u00e0 anticiper les ruptures de stocks en rayon. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Les applications de la data et de Machine Learning dans le secteur du Retail sont multiples, et la pr\u00e9vision des ventes n'en repr\u00e9sente qu'une infime partie. Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 de t\u00e2ches trop complexes pour obtenir des r\u00e9sultats fiables ou trop chronophages, peut consacrer plus de temps \u00e0 sa strat\u00e9gie commerciale ou \u00e0 l'am\u00e9lioration de l'exp\u00e9rience client.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Si la technologie est disponible, encore faut-il que les distributeurs puissent collecter et analyser l'immense quantit\u00e9 de donn\u00e9es n\u00e9cessaires \u00e0 ces pr\u00e9dictions. Les sources de donn\u00e9es sont multiples, il peut donc \u00eatre complexe d'extraire et de r\u00e9unir les diff\u00e9rents fichiers Excel et PDF o\u00f9 se trouvent les informations concernant les plans m\u00e9dias et autres rapports. S'\u00e9quiper d'outils big data pour r\u00e9unir en un m\u00eame point des donn\u00e9es prot\u00e9iformes est un socle fondamental pour b\u00e2tir, par la suite, des mod\u00e8les capables de r\u00e9soudre les probl\u00e9matiques li\u00e9es aux stocks. En voici deux exemples.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. Cependant, certains peuvent \u00eatre confront\u00e9s \u00e0 des op\u00e9rations promotionnelles ou \u00e0 des \u00e9v\u00e9nements (canicule, organisation d'un \u00e9v\u00e9nement sportif de grande envergure dans une zone proche) sans pr\u00e9c\u00e9dent. Pour pallier ce d\u00e9ficit, il est possible de combiner les donn\u00e9es historiques lacunaires avec celles de distributeurs ou de points de vente aux profils similaires. Ce mod\u00e8le a \u00e9t\u00e9 test\u00e9 et approuv\u00e9 par Artefact sur une plateforme 020 en Chine avec une augmentation de 20% de pr\u00e9cision dans les pr\u00e9visions.<\/p>\n<\/div>
Autre d\u00e9fi : \u00e9viter la rupture en rayon alors que le produit est pr\u00e9sent en stock. Il est difficile de demander aux salari\u00e9s d'une grande surface de v\u00e9rifier en continu le remplissage des \u00e9tag\u00e8res. En outre, l'installation de cam\u00e9ras et de capteurs est tr\u00e8s co\u00fbteuse. Dans ce cas pr\u00e9cis, des sets de donn\u00e9es restreints comme les ventes en temps r\u00e9el, les attributs de l'article et les caract\u00e9ristiques des rayonnages suffisent \u00e0 anticiper les ruptures de stocks en rayon. Il s'agit, par exemple, de mod\u00e9liser la fr\u00e9quence d'\u00e9coulement, c'est-\u00e0-dire le temps \u00e9coul\u00e9 entre deux ventes d'un m\u00eame produit propos\u00e9 par un magasin. En cas d'anomalie statistique, un vendeur peut \u00eatre d\u00e9p\u00each\u00e9 pour analyser la situation et y rem\u00e9dier.<\/p>\n<\/div>
Les applications de la data et de Machine Learning dans le secteur du Retail sont multiples, et la pr\u00e9vision des ventes n'en repr\u00e9sente qu'une infime partie. Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 de t\u00e2ches trop complexes pour obtenir des r\u00e9sultats fiables ou trop chronophages, peut consacrer plus de temps \u00e0 sa strat\u00e9gie commerciale ou \u00e0 l'am\u00e9lioration de l'exp\u00e9rience client.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Outre la hausse du chiffre d'affaires attendue en optimisant la gestion des stocks, l'exploitation de la donn\u00e9e peut \u00eatre d'une aide pr\u00e9cieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}