L’IA au service de la prévision en grande distribution : assister la décision humaine sans s’y substituer

Si toutes les industries se doivent de produire la bonne quantité, au bon moment, le secteur de la grande distribution est particulièrement concerné par la question de la gestion des stocks. Pour prévoir les ventes, ces acteurs ne disposaient au mieux que de leur historique sur plusieurs années. Une méthode qui comporte pourtant certains biais. Aujourd’hui, grâce au machine learning, des modèles prédictifs beaucoup plus justes peuvent être construits, tenant compte d’un panel élargi de signaux influant sur la consommation.

Parce qu’il concerne un très grand volume de références produits consommés au quotidien et parfois périssables, la gestion des commandes et des stocks est un véritable défi pour le secteur PGC (Produits de Grande Consommation). Aux États-Unis, les sous et surstocks ainsi que les retours produits coûteraient 1,75 milliards de dollars par an. Jusqu’ici, pour réduire les coûts d’investissement et d’exploitation, l’information sur laquelle reposait les prévisions de leurs ERP (Enterprise Resource Planning) étaient majoritairement l’historique des ventes sur plusieurs années. Cependant, ces méthodes reposant sur la comparaison des ventes d’une année à l’autre sont source d’erreurs.

Tout d’abord parce que pour une même période, de nombreux paramètres peuvent modifier les comportements d’achats. Il peut s’agir de la météo, des tendances de consommation (effet « Global Shoppers » pour les catégories pertinentes pour une clientèle touristique comme le luxe, changement de réglementation), du lancement d’un nouveau produit dans une catégorie rarement renouvelée, d’une crise sanitaire (!), de nouveaux comportements, etc. De plus, ce type de prévision ne tient pas compte de l’évolution des valeurs, c’est-à-dire de leur potentielle intermittence, puisqu’elles « lissent » les ventes comme si elles étaient forcément régulières. Or, une rupture de stock a pu dans le passé entraîner l’arrêt temporaire des ventes d’un produit ou de toute une catégorie. Ces ruptures sont ainsi interprétées comme un signe de désintérêt des consommateurs alors qu’elles peuvent, au contraire, marquer des ventes plus élevées qu’à la normale. Enfin, il faut noter qu’une rupture en rayon ne signifie pas forcément rupture de stock. Difficile dans une grande surface d’assurer le réapprovisionnement des rayons en temps réel. Aligner la chaîne d’approvisionnement sur la demande à l’aide d’une technologie capable de relever ces défis était donc une attente forte des distributeurs.

C’est désormais chose faite avec le Machine Learning ! Pour construire des modèles capables de prédire des ventes sur 4 semaines, il faut prendre en compte un maximum de phénomènes susceptibles d’influer sur l’évolution des ventes en décrivant précisément chaque triplette Jour x Produit x Magasin à travers un ensemble d’indicateurs tels que la saisonnalité, les tendances ou encore les prix. Pourquoi être précis sur ces trois indicateurs ? Prenons en exemple la saisonnalité, si les prédictions ne sont réalisées que sur la base de la date d’achat, celles-ci risquent d’être biaisées. D’une année à l’autre, une même date peut correspondre ou non à un jour de week-end, à une fête familiale ou religieuse, à un match important de football… soient autant d’événements pour lesquels la consommation est en hausse sur certaines catégories de produits. Autre exemple sur les prix, les offres promotionnelles d’un produit peuvent cannibaliser les ventes de produits de la même catégorie ou encore brusquement booster l’attractivité d’un magasin. Pour optimiser une stratégie promotionnelle, il est nécessaire de pouvoir en apprécier l’impact. L’ensemble des paramètres susceptibles d’influer sur les ventes peuvent être analysés à travers des modèles basés sur le Machine Learning et des techniques d’Intelligence Artificielle avancées.

Si la technologie est disponible, encore faut-il que les distributeurs puissent collecter et analyser l’immense quantité de données nécessaires à ces prédictions. Les sources de données sont multiples, il peut donc être complexe d’extraire et de réunir les différents fichiers Excel et PDF où se trouvent les informations concernant les plans médias et autres rapports. S’équiper d’outils big data pour réunir en un même point des données protéiformes est un socle fondamental pour bâtir, par la suite, des modèles capables de résoudre les problématiques liées aux stocks. En voici deux exemples.

La grande majorité des distributeurs détiennent des données de ventes sur plusieurs années. Cependant, certains peuvent être confrontés à des opérations promotionnelles ou à des événements (canicule, organisation d’un événement sportif de grande envergure dans une zone proche) sans précédent. Pour pallier ce déficit, il est possible de combiner les données historiques lacunaires avec celles de distributeurs ou de points de vente aux profils similaires. Ce modèle a été testé et approuvé par Artefact sur une plateforme 020 en Chine avec une augmentation de 20% de précision dans les prévisions.

Autre défi : éviter la rupture en rayon alors que le produit est présent en stock. Il est difficile de demander aux salariés d’une grande surface de vérifier en continu le remplissage des étagères. En outre, l’installation de caméras et de capteurs est très coûteuse. Dans ce cas précis, des sets de données restreints comme les ventes en temps réel, les attributs de l’article et les caractéristiques des rayonnages suffisent à anticiper les ruptures de stocks en rayon. Il s’agit, par exemple, de modéliser la fréquence d’écoulement, c’est-à-dire le temps écoulé entre deux ventes d’un même produit proposé par un magasin. En cas d’anomalie statistique, un vendeur peut être dépêché pour analyser la situation et y remédier.

Les applications de la data et de Machine Learning dans le secteur du Retail sont multiples, et la prévision des ventes n’en représente qu’une infime partie. Outre la hausse du chiffre d’affaires attendue en optimisant la gestion des stocks, l’exploitation de la donnée peut être d’une aide précieuse en amont, sur la supply chain, ou en aval pour aider au merchandising. Un véritable adjuvant pour l’humain qui, ainsi libéré de tâches trop complexes pour obtenir des résultats fiables ou trop chronophages, peut consacrer plus de temps à sa stratégie commerciale ou à l’amélioration de l’expérience client.