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

Als alle industrieën op het juiste moment de juiste hoeveelheden moeten produceren, is de sector van de grote distributie bijzonder bezorgd over de kwestie van het beheer van de voorraden. Om de afzet te voorspellen, beschikten deze bedrijven alleen over hun historische gegevens over meerdere jaren. Een methode die echter bepaalde biais met zich meebrengt. Vandaag de dag, dankzij machinaal leren, kunnen veel rechtvaardigere voorspelbare modellen worden opgesteld, rekening houdend met een panel dat de signalen ontvangt die van invloed zijn op het verbruik.

Omdat het gaat om een zeer groot volume aan gerefereerde producten die au quotidien worden geconsumeerd en die soms moeilijk te repareren zijn, is het beheer van commando's en voorraden een echte uitdaging voor de sector PGC (Produits de Grande Consommation). In de Verenigde Staten kostten deous en surstocks en de retours produits 1,75 miljoen dollar per jaar. Tot nu toe was, om de investerings- en exploitatiekosten te verlagen, de informatie waarop de prognoses van hun ERP (Enterprise Resource Planning) werden gebaseerd, voornamelijk historisch gegroeide verkoopcijfers over meerdere jaren. Deze methoden, die gebaseerd zijn op een vergelijking van de omzet in het ene jaar met die in het andere, zijn echter een bron van fouten.

Tout d'abord parce que pour une même période, de nombreux paramètres peuvent modifier les comportements d'achats. Het kan gaan om de meteorologische situatie, consumptietrends (effect van «Global Shoppers» voor categorieën die relevant zijn voor een toeristische clientèle, zoals luxe, verandering van regelgeving), de lancering van een nieuw product in een categorie die zelden wordt vernieuwd, een sanitaire crisis (!), nieuwe gedragingen, enz. 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. Of, une rupture de stock a pu entraîner dans le passé l'arrêt temporaire des ventes d'un produit ou de toute une catégorie. Deze breuken worden dan ook gezien als een teken van ontevredenheid bij de consument, terwijl ze juist kunnen leiden tot hogere verkoopcijfers dan normaal. Enfin, il faut noter qu'une rupture en rayon ne signifie pas forcément rupture de stock. Het is moeilijk om op een grote oppervlakte te zorgen dat de rayons op tijd worden hersteld. Het afstemmen van de leveringsketen op de vraag met behulp van een technologie die deze problemen kan oplossen, was een grote uitdaging voor de distributeurs.

C'est désormais chose faite avec le Machine Learning! Om modellen te construeren die de omzet over 4 semesters kunnen voorspellen, moet rekening worden gehouden met een maximum aan mogelijke fenomenen die van invloed kunnen zijn op de evolutie van de omzet en moet elke triplette Jour x Produit x Magasin nauwkeurig worden beschreven via een ensemble van indicatoren, zoals de seizoensgebondenheid, de tendensen of ook de prijzen. Waarom zou u precies zijn over deze drie indicatoren? 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. Het ene jaar op het andere kan dezelfde datum al dan niet overeenkomen met een weekenddag, met een familiefeest of religieus feest, met een belangrijke voetbalwedstrijd... dit zijn allemaal evenementen waarvoor de consumptie van bepaalde productcategorieën stijgt. Een ander voorbeeld zijn de prijzen: de promotieaanbiedingen van een product kunnen de verkoop van producten uit dezelfde categorie kannibaliseren of de aantrekkelijkheid van een winkel nog verder verhogen. Om een promotiestrategie te optimaliseren, is het noodzakelijk om de impact te kunnen inschatten. 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.

Als de technologie beschikbaar is, is het nog belangrijker dat de distributeurs de enorme hoeveelheid gegevens die nodig is voor deze voorspellingen kunnen verzamelen en analyseren. De gegevensbronnen zijn talrijk, het kan dus ingewikkeld zijn om de verschillende bestanden in Excel en PDF te extraheren en te herenigen, waar de informatie over de mediaplannen en andere rapporten te vinden is. 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. Ziehier twee voorbeelden.

La grande majorité des distributeurs détiennent des données de ventes sur plusieurs années. Sommige distributeurs kunnen echter te maken krijgen met promotionele acties of evenementen (canicule, organisatie van een groot sportief evenement in een nabijgelegen gebied) zonder voorafgaand evenement. Om dit tekort op te lossen, is het mogelijk om de ontbrekende historische gegevens te combineren met die van distributeurs of verkooppunten met vergelijkbare profielen. Dit model is getest en goedgekeurd door Artefact op een plateforme 020 in China met een vergroting van 20% de précision dans les prévisions.

Autre défi : éviter la rupture en rayon alors que le produit est présent en stock. Het is moeilijk om van werknemers met een groot oppervlak te eisen dat ze de remplissage van hun étagères continu controleren. Bovendien is de installatie van caméras en capteurs erg duur. In dit nauwkeurige geval volstaan reeksen gegevens, zoals de verkoop in de werkelijke tijd, de kenmerken van het artikel en de kenmerken van de rayonnages, om te anticiperen op breuken in de voorraden in 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.

De toepassingen van data en Machine Learning in de detailhandel zijn talrijk, en het voorspellen van de omzet vertegenwoordigt slechts een klein deel. Naast het verhogen van de omzet door het optimaliseren van het voorraadbeheer, kan de exploitatie van de gegevens een waardevolle hulp zijn in de buurt, in de toeleveringsketen, of in de buurt om te helpen bij de merchandising. Un véritable adjuvant pour l'humain qui, ainsi libéré des 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.