![\"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>Als alle industrie\u00ebn 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.<\/p>\n<\/div>
Au-del\u00e0 de l'historique des ventes: le d\u00e9fi de la grande distribution<\/h2><\/div>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.<\/p>\n<\/div>
Meerdere parameters be\u00efnvloeden de staat van de voorraden<\/h2><\/div>Tout d'abord parce que pour une m\u00eame p\u00e9riode, de nombreux param\u00e8tres peuvent modifier les comportements d'achats. Het kan gaan om de meteorologische situatie, consumptietrends (effect van \u00abGlobal Shoppers\u00bb voor categorie\u00ebn die relevant zijn voor een toeristische client\u00e8le, 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 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. Of, une rupture de stock a pu entra\u00eener dans le pass\u00e9 l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. 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 forc\u00e9ment 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.<\/p>\n<\/div>
Machine learning voor de veiligheid van mensen in winkels<\/h2><\/div>C'est d\u00e9sormais 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 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. 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 productcategorie\u00ebn 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 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>
Twee concrete toepassingen van Machine Learning op voorraadproblemen<\/h2><\/div>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'\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. Ziehier twee voorbeelden.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. 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 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. Het is moeilijk om van werknemers met een groot oppervlak te eisen dat ze de remplissage van hun \u00e9tag\u00e8res continu controleren. Bovendien is de installatie van cam\u00e9ras 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 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>
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 v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 des 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":"
Naast het verhogen van de omzet door het optimaliseren van het voorraadbeheer, kan het gebruik van de gegevens een waardevolle hulp zijn in de buurt, in de toeleveringsketen, of in de val om de merchandising te ondersteunen. 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\/nl\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
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.<\/p>\n<\/div>
Meerdere parameters be\u00efnvloeden de staat van de voorraden<\/h2><\/div>Tout d'abord parce que pour une m\u00eame p\u00e9riode, de nombreux param\u00e8tres peuvent modifier les comportements d'achats. Het kan gaan om de meteorologische situatie, consumptietrends (effect van \u00abGlobal Shoppers\u00bb voor categorie\u00ebn die relevant zijn voor een toeristische client\u00e8le, 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 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. Of, une rupture de stock a pu entra\u00eener dans le pass\u00e9 l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. 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 forc\u00e9ment 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.<\/p>\n<\/div>
Machine learning voor de veiligheid van mensen in winkels<\/h2><\/div>C'est d\u00e9sormais 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 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. 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 productcategorie\u00ebn 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 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>
Twee concrete toepassingen van Machine Learning op voorraadproblemen<\/h2><\/div>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'\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. Ziehier twee voorbeelden.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. 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 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. Het is moeilijk om van werknemers met een groot oppervlak te eisen dat ze de remplissage van hun \u00e9tag\u00e8res continu controleren. Bovendien is de installatie van cam\u00e9ras 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 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>
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 v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 des 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":"
Naast het verhogen van de omzet door het optimaliseren van het voorraadbeheer, kan het gebruik van de gegevens een waardevolle hulp zijn in de buurt, in de toeleveringsketen, of in de val om de merchandising te ondersteunen. 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\/nl\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/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. Het kan gaan om de meteorologische situatie, consumptietrends (effect van \u00abGlobal Shoppers\u00bb voor categorie\u00ebn die relevant zijn voor een toeristische client\u00e8le, 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 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. Of, une rupture de stock a pu entra\u00eener dans le pass\u00e9 l'arr\u00eat temporaire des ventes d'un produit ou de toute une cat\u00e9gorie. 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 forc\u00e9ment 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.<\/p>\n<\/div>
Machine learning voor de veiligheid van mensen in winkels<\/h2><\/div>C'est d\u00e9sormais 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 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. 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 productcategorie\u00ebn 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 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>
Twee concrete toepassingen van Machine Learning op voorraadproblemen<\/h2><\/div>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'\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. Ziehier twee voorbeelden.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. 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 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. Het is moeilijk om van werknemers met een groot oppervlak te eisen dat ze de remplissage van hun \u00e9tag\u00e8res continu controleren. Bovendien is de installatie van cam\u00e9ras 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 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>
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 v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 des 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":"
Naast het verhogen van de omzet door het optimaliseren van het voorraadbeheer, kan het gebruik van de gegevens een waardevolle hulp zijn in de buurt, in de toeleveringsketen, of in de val om de merchandising te ondersteunen. 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\/nl\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/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! 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 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. 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 productcategorie\u00ebn 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 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>
Twee concrete toepassingen van Machine Learning op voorraadproblemen<\/h2><\/div>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'\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. Ziehier twee voorbeelden.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. 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 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. Het is moeilijk om van werknemers met een groot oppervlak te eisen dat ze de remplissage van hun \u00e9tag\u00e8res continu controleren. Bovendien is de installatie van cam\u00e9ras 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 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>
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 v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 des 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":"
Naast het verhogen van de omzet door het optimaliseren van het voorraadbeheer, kan het gebruik van de gegevens een waardevolle hulp zijn in de buurt, in de toeleveringsketen, of in de val om de merchandising te ondersteunen. 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\/nl\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
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'\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. Ziehier twee voorbeelden.<\/p>\n<\/div>
La grande majorit\u00e9 des distributeurs d\u00e9tiennent des donn\u00e9es de ventes sur plusieurs ann\u00e9es. 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 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. Het is moeilijk om van werknemers met een groot oppervlak te eisen dat ze de remplissage van hun \u00e9tag\u00e8res continu controleren. Bovendien is de installatie van cam\u00e9ras 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 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>
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 v\u00e9ritable adjuvant pour l'humain qui, ainsi lib\u00e9r\u00e9 des 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":"
Naast het verhogen van de omzet door het optimaliseren van het voorraadbeheer, kan het gebruik van de gegevens een waardevolle hulp zijn in de buurt, in de toeleveringsketen, of in de val om de merchandising te ondersteunen. 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\/nl\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}