Publié le 24 février 2021
Bretagne Supply Chain et See-d, société de conseil et de réalisations en Data Science et Intelligence artificielle (Vannes), vous proposent une série d’articles au long cours pour dresser l’étendue des possibilités apportées par l’intelligence artificielle (IA) dans la supply chain. Ce mois-ci : comment conforter la connaissance de son client et fiabiliser ses prévisions.
Connaître son client : un prérequis
Pour la supply chain, il s’agit toujours et avant tout de connaitre et de comprendre son client. Garantir la disponibilité du bon produit, au bon moment et au bon endroit est un challenge toujours plus difficile qui nécessite la prise en compte d’un nombre de facteurs quasi infini pouvant influencer la demande client : réseaux sociaux, nouveautés, concurrence, médias, événements politiques, évolutions de taux de change…
Aujourd’hui, les chatbots, devenus une interface au même titre que les sites et les applications et formés par des conseillers clients, permettent d’humaniser et de personnaliser la relation client. L’IA assure une meilleure analyse des data et à fortiori une meilleure compréhension des besoins et proposition d’offres.
Par l’intermédiaire des technologies du Big Data et d’une analyse fine des comportements des consommateurs grâce aux réseaux sociaux, sources internet ou forums, l’intelligence artificielle est en capacité de prévoir et d’anticiper les potentielles fluctuations d’offre et de demande sur un marché. Elle peut ainsi allouer au mieux ses investissements en connaissant plus en profondeur les réelles intentions d’achat des consommateurs et ainsi limiter les ruptures de stock et le sur-stockage.
Prévoir, toujours prévoir
Un des cas d’usages classiques de l’IA en supply chain est la prévision des ventes : il est aujourd’hui possible de mieux aligner la demande sur une projection. Les modèles classiques de prévision (souvent fondés sur des moyennes historiques) sont dépassés en termes de précision par de nouveaux modèles incorporant des algorithmes de machine learning. Ces nouveaux modèles permettent d’une part d’améliorer la précision des prévisions grâce à des algorithmes plus agiles et auto apprenants, mais aussi de traiter un volume de données plus important qu’avec les méthodes traditionnelles.
Le machine learning permet en effet d’analyser les données liées aux opérations commerciales révolues, en déterminant celles qui ont été les plus profitables et en identifiant pourquoi elles l’ont été grâce à la prise en compte d’un certain nombre de facteurs, que ce soient des critères liés au passé (historiques, tendances, pré-lancements) mais également des critères plus contextuels (météo, pénurie de matières premières…).
L’apprentissage automatique a l’avantage de prendre en compte des facteurs de causalité qui influent sur la demande et que les méthodes existantes, de l’analyse statistique à la modélisation complexe de simulation, ne permettent pas de suivre ni de quantifier.
Pour des clients dans le retail, See-d a réalisé plusieurs missions autour de la prévision de la demande. Il est par exemple possible de définir des clusters de magasins et d’acheteurs afin d’anticiper la demande des clients. Si nous prenons l’exemple d’une chaine de prêt à porter, il est possible de s’appuyer sur les données internes : fréquentation des magasins, historique des comportements d’achats, chiffres de ventes par produits et par catégories de produits, mesure de la fréquentation des pages du ou des sites internet, etc. et sur des donnés externes telles que la zone de localisation des magasins, la composition démographiques de la population qui y résident, une analyse des sites web et des réseaux sociaux pour identifier des tendances (style vestimentaire, couleurs, préférences et informations sur les consommateurs, etc.). Ceci permet de définir une stratégie marketing en conséquence et même une politique de réapprovisionnement et d’achat de nouvelles collections. En travaillant sur la prévision des ventes (ou de la demande) au travers de l’analyse de données historiques internes et des données externes liées à l’environnement de la société, cette action permet de piloter la production, d’anticiper les ruptures, de gérer de façon plus optimisée les stocks…. En conclusion : d’influencer la demande.
La preuve par l’exemple… par See-d
Tous les mois, See-d illustre les thématiques abordées par un retour d’expérience client. Ce mois-ci: la prévision de la demande.
Nous avons choisi de l’illustrer à travers un client dans un modèle B2B. Le client est une société qui fabrique et vend de l’alimentation spécifique dans toute l’Europe. Structurante et stratégique, la mission a nécessité plusieurs semaines de travail. Après avoir précisément défini les objectifs de la mission avec les équipes du client, nous les avons accompagnés pour constituer et consolider un Data Set à partir duquel nous avons appuyé nos travaux. Nous avons ensuite testé les premières versions de l’outil aux conditions réelles et présenté les résultats aux métiers pour affiner et améliorer les résultats.
A partir des cours des matières premières, de connaissances métiers, des historiques de demande et d’intégration de éléments du terrain de la part des commerciaux, l’objectif de la mission était de créer une IA qui apprend à prévoir le niveau de la demande pour des groupes de clients. L’IA doit permettre de créer des groupes homogènes de clients (« Cluster ») selon différents critères. Cette segmentation a permis de regrouper les clients donneurs d’ordre par profil et par routine de commande.
Suite à cet apprentissage, la demande est alors prévue à divers niveaux d’agrégation :
- ensemble des clients / ensemble des produits : au mois sur les 4 mois à venir
- ensemble des clients / ensemble des produits : à la semaine sur les 2 mois à venir
- ensemble des clients / chaque produit : au mois sur les 4 mois à venir
- groupe de clients livrés dans la même tournée / chaque produit : au mois sur les 4 mois à venir
Afin d’optimiser les tournées de manière à maximiser la marge, nous avons réalisé une deuxième Intelligence artificielle qui a formé un second clustering : les groupes de clients livrés dans la même tournée. Il s’agit ici d’une optimisation sous contraintes, ici celle de la marge, sous la contrainte de flexibilité de l’organisation du transport à partir des historiques de livraison.
A la fin de la mission, nous avons équipé le client d’un outil de pilotage autoapprenant totalement intégré dans son système d’information. Cet outil intelligent utilise les données au quotidien pour ajuster les recommandations. Il aide les opérateurs à anticiper les demandes des clients et à programmer les tournées de livraisons. Il a permis d’avoir une meilleure organisation plus efficace et plus rentable.
En deux mot l’outil permet une meilleure :
- Anticipation de la demande pour mieux organiser la production et la livraison,
- Réduction des coûts et des délais de livraison,
- Satisfaction des clients : plus de réactivité, moins de ruptures de produits, un meilleur suivi des commandes…
Le mois prochain : IA & supply chain #3 : mieux approvisionner et produire grâce à l’IA
Bretagne Supply Chain lancera un travail collectif autour du déploiement de l’IA dans la supply chain. Intéressés? Laissez-nous vos coordonnées!
