Automatiser la gestion des stocks avec le machine learning
L’optimisation de la gestion des stocks se joue à différents niveaux : diminution des temps de prévision par les équipes opérationnelles, réduction des coûts logistiques de transports et de stockage, limitation des ruptures de stocks ou de surstockages. Les solutions classiques manuelles ou statistiques ne peuvent prendre en compte toutes ces dimensions.
Les systèmes autoapprenants s’imposent aujourd’hui comme une solution alternative, complète et ergonomique aux processus de prévision manuels ou statistiques. Capables de prendre en entrée des volumétries de données conséquentes, ces technologies issues de l’intelligence artificielle permettent d’englober des modélisations complètes de vos enjeux business. Industrialisables, scalables (reproductibles) et interopérables, ils s’insèrent au sein de votre infrastructure technique en apportant des informations en temps réel au sujet des besoins vos stocks via des interfaces ergonomiques et faciles d’utilisation.
Comment la data science vous assure une disponibilité de vos produits au sein de vos différents magasins ? Comment anticiper les ruptures de stock ou éviter le surstockage ? Nous revenons ici sur les différences de précision entre les solutions de prédiction au service de la gestion de stocks basées sur le machine learning et les méthodes classiques de type statistique, ERP ou Excel.
Les limites des méthodes classiques de gestion des stocks
Les processus utilisés historiquement pour planifier la gestion des stocks oscillent entre méthodes statistiques et analyses manuelles reposant sur l’utilisation de tableaux Excel notamment. Ces démarches présentent différents inconvénients et limites :
- un fonctionnement chronophage ne permettant pas d’analyser continuellement les données de l’entreprise. L’étude de la data se fait donc périodiquement et non en temps réel (une fois par mois par exemple) ;
- les prévisions générées par ces méthodes manquent de précision ce qui implique un niveau de fiabilité faible et des risques de surstockage (avec perte de denrées périssables par exemple) ou au contraire de sous-stockage conduisant à la non-satisfaction des besoins client ;
- le traitement de l’information étant fastidieux, la possibilité de prendre en compte les spécificités de chaque point de vente ne peut se faire. Il en résulte une génération de prédictions génériques à tous vos magasins virtuels ou physiques. Les équipes de travail tentent de pondérer ces données généralistes via des coefficients multiplicateurs prenant en compte les caractéristiques du lieu de vente, mais cela reste imprécis ;
- ces processus de travail constituent un ensemble de tâches pénibles pour les équipes opérationnelles chargées de la gestion des stocks.
La taille des données à prendre en compte (tickets de caisse, prix des articles, promotions, points de vente, référentiel marketing, objectifs business, affluence et comportement des clients) devient ingérable à l’échelle humaine. La multidimensionnalité de la problématique de la gestion des réserves de produits ou de matières premières est difficilement couverte par les analyses sous Excel ou des ERP classiques. De nouveaux systèmes de fonctionnement doivent émerger pour combler les lacunes des techniques manuelles ou statistiques. Ces nouveaux outils doivent également dépasser la barrière chronologique des données historiques et réussir à ajuster les valeurs des prédictions en temps réel.
Le cadre idéal pour établir des calculs de stocks et de ventes précis
Le but derrière la remise en question des méthodologies statistiques et manuelles est d’imaginer un nouveau cadre de génération de prédictions liées aux achats, à la gestion des stocks et à la vente des articles et produits. Les critères qui guident la création du nouveau paradigme de calcul des stocks doivent prendre en compte différents objectifs.
Le premier objectif est de limiter les ventes perdues (sous-stockage), les ruptures de stock (surstockage) et d’optimiser le taux de revente. Cela implique une prise en compte à la fois des contraintes logistiques liées aux fournisseurs, du comportement client au niveau de chaque point de vente, des spécificités géographiques du commerce concerné ainsi que des données exogènes ayant un impact sur le fonctionnement de votre entreprise. Une méthode de prédiction efficace devrait donc répondre à cet impératif en générant des prédictions suggérant les assortiments de produits en adéquation avec les besoins de la clientèle de chaque point de vente.
Le deuxième élément à considérer est le choix de métriques à proposer aux équipes de vente (en magasin physique ou électronique) afin de leur permettre d’anticiper les besoins de leurs clients. Ces métriques serviraient de guidage quant aux promotions à mettre en place ainsi que les commandes à effectuer en fonction des besoins calculés par l’outil prédictif.
Le troisième volet à prendre en compte est de contenir les biais humains et business dans la prédiction des commandes à faire. En effet, les prévisions en lien avec la supply chain nécessitant une forte implication humaine peuvent entrer en conflit avec les tendances d’évolution de certains magasins et chercher à se calquer sur les objectifs business et commerciaux en niant les réalités du terrain. Ces facteurs expliquent en partie les sources de surstockage et à terme l’augmentation des coûts de transport et de stockage.
Enfin, la dernière dimension à diagnostiquer est la libération des équipes de vente et en interne des tâches répétitives et pénibles afin de les orienter vers les processus à plus forte valeur ajoutée. Cet aspect de la problématique de l’automatisation de la gestion des stocks relève d’une conséquence des deux objectifs décrits ci-dessus.
Le machine learning au service de la gestion des stocks
Le machine learning permet de créer un ensemble de solutions prédictives permettant à la fois d’automatiser les tâches complexes décrites auparavant et de s’abstraire des biais humains. En assistant les équipes opérationnelles dans ces processus, l’intelligence artificielle participe à la génération de prévisions facilitant la gestion des commandes de produits, mais également aux modalités d’écoulement des stocks. En effet, les technologies prédictives basées sur les outils de data science offrent la possibilité de générer des propositions de :
- scénarios promotionnels participant à l’achat de certains produits et de maximiser leur vente auprès de la clientèle d’un magasin ou d’un espace de vente web ou mobile donné ;
- assortiments d’articles optimaux via l’analyse précise et complète des comportements de clients, des tickets de caisse et de la typologie de saisonnalité des magasins concernés ;
- anticipation des évolutions de la consommation en temps réel et non périodique comme dans le cas des méthodes manuelles ou statistiques ;
- recommandations aux équipes opérationnelles conjuguant caractéristiques des points de vente (mobiles, web ou physiques) et l’ensemble des unités de gestion stocks (références de produits et d’articles) sur des périodes allant de 6 à 9 mois.
Le maillage des données pris en compte par les algorithmes de machine learning lors de leur apprentissage assure une vision globale (échelle macro) de la marque ou du business tout en adaptant les prédictions aux zones de vente et les SKU qu’elles gèrent (échelle micro). L’intelligence artificielle ne se cantonne donc pas à la prévision des demandes ou des ventes, mais elle englobe également les modalités de vente des unités marchandes (articles, produits, vêtements, etc.). Enfin, les durées des prédictions générées pouvant s’étaler sur un semestre ou plus font du machine learning un outil non seulement prédictif, mais aussi d’anticipation et d’analyse de tendances également.
Les avantages de l’automatisation de la gestion des stocks via le machine learning
Le recours à l’intelligence artificielle pour l’automatisation de la gestion des stocks apporte en premier lieu un gain de précision en produisant des prédictions liées à chaque point de vente séparément. Cela est possible grâce aux volumes et flux de data continus que peuvent ingérer ces outils de data science. En effet, les algorithmes de machine learning, durant leur phase d’apprentissage, prennent en entrée à la fois les références (articles, marchandises) spécifiques à chaque magasin, mais également des données exogènes (données météorologiques, économiques, régionales, calendrier de vacances et de fêtes, épidémiques, etc.).
Le recueil des données qui nourrissent les modèles de machine learning est non seulement automatisé, mais peut être étendu facilement sans altérer les coûts de gestion de celui-ci (scalabilité). La granularité des données prises en entrée permet d’englober les comportements de la clientèle en magasin, les comportements d’achat des clients, les effets de cannibalisation entre produits, la saisonnalité de consommation par point de vente.
Enfin, le recours à une solution d’automatisation basée sur le machine learning telle que Verteego assure une industrialisation prenant en compte la scalabilité et l’interopérabilité avec les SI de votre entreprise ainsi que ceux liés à votre supply chain. Les lignes de prédictions créées peuvent être exploitées au sein de vos outils BI, vos CMS dédiés, vos tableaux de bord analytiques ou interfaces web à destination des équipes opérationnelles.
Pour conclure, le recours à l’intelligence artificielle via les techniques d’apprentissage automatisé dans la gestion des stocks des entreprises remplit l’objectif de réduction des stocks résiduels tout en garantissant l’évitement du sous-stockage (perte de ventes). Les conséquences directes de l’automatisation de la planification de la gestion des stocks englobent la réduction des coûts de transport, de stockage, de pertes de ventes et de produits. Elles concernent également les ressources humaines en réduisant le temps alloué aux tâches pénibles et à faible valeur ajoutée. Enfin, les précisions des prédictions générées par ces systèmes autoapprenants se font par type de magasin, de rayons, d’articles et de saisons.