Dans l'industrie de la vente au détail de produits ultra frais, l'optimisation des stocks a le potentiel de générer le plus grand impact sur les bénéfices tout en économisant de précieuses ressources.

Une entreprise belge a découvert qu'en moyenne, 6 % de leurs produits finaux n'étaient pas vendus assez rapidement et devaient être jetés. Cela a entraîné des pertes de centaines de milliers d'euros chaque année.

Le plus grand défi auquel notre client a été confronté était l'inefficacité dans la prédiction précise de leur demande. Ils se fiaient à des méthodes manuelles, qui prenaient du temps et étaient sujettes à des erreurs.

Notre objectif était de automatiser et améliorer les prévisions de demande pour notre client en utilisant l'intelligence artificielle. Surtout, nous devions réduire les stocks excédentaires tout en évitant les ruptures de stocks.

Contexte & objectifs

Un acteur belge du secteur constatait que plus de 5% de ses produits ultra-frais restaient invendus et finissaient jetés, entraînant des pertes annuelles de plusieurs centaines de milliers d’euros. Ces produits, dont la durée de conservation ne dépassait pas trois jours en magasin, posaient un défi logistique majeur.

L’entreprise faisait face à des difficultés de prévision en raison :

• d’une grande variété de produits à fort volume de ventes,

• de changements fréquents dans son catalogue,

• et d’une forte substituabilité entre les produits, ce qui rendait les données de vente incohérentes dans le temps.

Le principal obstacle résidait dans l’inefficacité des méthodes manuelles de prédiction de la demande, longues et sujettes aux erreurs. Notre objectif ? Automatiser et améliorer ces prévisions grâce à l’IA, en ciblant deux opportunités clés pour optimiser les stocks.

• Réduire le surstock : le client avait besoin de flexibilité dans sa production et d'une capacité à embaucher rapidement pour s’adapter aux fluctuations de la demande.

• Limiter les ruptures de stock : pour minimiser le gaspillage, le client maintenait des niveaux de stock bas, ce qui risquait cependant de générer des ventes perdues en cas de demande supérieure à l’offre.

En développant un algorithme prédictif, nous visions des prévisions précises, intégrant les données historiques de vente, la météo et les événements marketing.

Démarche

Notre solution a débuté par une analyse approfondie du contexte et une collaboration étroite avec le client pour aligner nos actions sur ses attentes et maximiser l’impact du projet. Nous avons accompagné un interlocuteur clé sur le terrain pour :

• identifier les zones à fort enjeu ;

• comprendre ses défis opérationnels ;

• et instaurer une relation de confiance dans les résultats finaux.

3 niveaux de prédiction

1. Prévision de la demande par produit sur plusieurs jours, via un modèle global. Grâce à l’abondance des données de vente, nous avons construit ce modèle en distinguant les jours « normaux » des jours « exceptionnels » (fêtes, événements), ces derniers étant plus difficiles à anticiper.

   
   

2. Optimisation des commandes de production en appliquant des règles métiers clés. Les quantités produites étaient calculées en fonction du stock prévu le lendemain et de la demande prédite.

   
   

3. Prévision de la demande par produit et par magasin à J+1, en utilisant la médiane mobile des ventes pour chaque référence.

Architecture du modèle

Pour prédire la demande avec précision, nous avons structuré notre solution en deux parties :

Architecture du modèle

1. Un modèle de base

Non basé sur l’IA, mais calculé comme la médiane mobile des ventes sur les 4 dernières semaines pour chaque produit. Ce modèle simple et robuste servait de référence, normalisant les données pour faciliter l’intégration d’un modèle IA.

2. Un multiplicateur

Modèle entraîné par IA, sous la forme d’un algorithme global de prévision, nourri par 14 mois de données historiques. Ce multiplicateur ajustait le modèle de base pour obtenir la demande finale prédite.

Ce modèle permettait d’intégrer des facteurs externes influençant la demande :

• météo,

• détails des produits,

• jours fériés (nationaux et scolaires),

• différences entre week-ends et jours de semaine.

Un défi de taille était à prendre en compte : comme le client renouvelait régulièrement son assortiment, la quantité de données disponibles pour certains produits était limitée.

Autre indicateur clé de succès : l’estimation des pertes liées aux ruptures de stock. Beaucoup de distributeurs peinent à mesurer cet impact, les ruptures étant difficiles à détecter et source de ventes perdues. Nous avons développé une méthode unique pour identifier les produits manquants en magasin et calculer le volume de ventes non réalisées.

Résultats

Les résultats obtenus lors de la phase de test ont été particulièrement prometteurs, avec l’un des meilleurs mois enregistrés par le client en termes de surstock et de ruptures.

Avant et après l'introduction du modèle : impact sur la rupture de stock et le surstock

Les économies réalisées sur le surstock et les ruptures, convertibles en valeur monétaire, ont permis au client d’observer une amélioration tangible de ses marges.

La segmentation des données entre jours « normaux » et « exceptionnels » a quant à elle optimisé la production : les produits avec suffisamment de données historiques dans le segment « normal » affichaient une confiance de prédiction élevée, avec une erreur moyenne inférieure à 20 %.

Le client a enregistré des résultats positifs sur tous les objectifs clés. La solution est même devenue centrale dans sa planification logistique : lorsqu’il contournait les prévisions de l’algorithme, les performances chutaient.

Conclusion

Tout au long du développement de ce projet, nous étions déterminés à livrer une solution avec laquelle notre client pouvait travailler immédiatement, plutôt qu'une simple preuve de concept théorique.

Pour ce faire, nous devions développer une solution à la fois robuste et simple. Cela nécessitait de travailler très étroitement avec le client afin que nous puissions itérer et améliorer rapidement notre modèle.

Cette approche nous a permis de développer rapidement une solution fonctionnelle. Nous l'avons directement adaptée aux points de douleur que le client rencontrait, conduisant à une solution qui a livré l'impact le plus élevé possible.