- Gestion et prévision des stocks : les nouveaux usages
- Comment calculer l'assortiment des produits en magasin ?
- Le machine learning au service de la prévision des stocks
- Prévision des stocks et machine learning : les 4 étapes clés
Le bon produit, au bon prix, au bon endroit : cette phrase résume à elle seule les problématiques liées à la gestion des stocks. Quel produit un client achète-t-il ? Quand ? Pourquoi celui-ci et non un autre ? A quelle fréquence ? Verteego vous propose de découvrir comment prévoir et optimiser les stocks grâce au machine learning.
Gestion et prévision des stocks : les nouveaux usages
Gestion des stocks : un enjeu majeur pour les entreprises
La gestion des stocks désigne la gestion des flux de marchandises d’une entreprise, permettant l’approvisionnement des produits afin de satisfaire la demande client. Une gestion optimale de cette dernière peut devenir un avantage concurrentiel certain. De fait, gérer le transport, les emplacements des produits ou encore l'approvisionnement en rayon ou en réserve, va permettre de répondre le plus rapidement et efficacement à la demande client. La gestion des stocks en magasin est influencée par les choix de produits des clients et ces comportements connaissent souvent des changements qui peuvent être brutaux. Ces incertitudes dans la gestion des stocks doivent prendre en compte des nouveaux paramètres de calcul qui rendent la tâche ardue pour un individu. C’est pourquoi de nouveaux modèles de gestion des stocks intègrent le machine learning et mettent à profit sa puissance de traitement des données.
La prévision des stocks limitée par la technique
Concernant la prévision des stocks en point de vente, plusieurs méthodes sont possibles. Nous n’allons pas détailler ici les formules mathématiques mais plutôt faire un état de l’art des différentes techniques pouvant aider à la prévision des stocks.
Pour effectuer ses calculs, on peut bien entendu, utiliser Excel et ses nombreuses fonctions. Cet outil présente l'avantage d'être accessible à tous depuis un ordinateur. Il devient malgré tout rapidement compliqué de traiter et de comprendre les données dès lors qu’elles se multiplient. Un fichier Excel comportant des milliers de lignes et des centaines de colonnes ne sera utile que si les vues sont filtrées, au détriment de sa lisibilité.
Pour les entreprises adeptes des solutions clé-en-main, certains ERP sont spécialisés dans la gestion des stocks, ce qui permet de déléguer une partie de la tâche à un logiciel sur un cloud ou en local. Une nouvelle fois, il suffit que la base de données soit trop importante pour que la solution atteigne ses limites. Une autre problématique majeure est également la difficulté de ces outils à mettre à jour les résultats de prévision en temps réel.
Il existe bien aujourd’hui des logiciels spécialisés dans l’analyse de data mais toutes les entreprises n’ont pas nécessairement besoin de logiciel d’analyse pour améliorer leurs prévisions de vente, et par conséquent leurs stocks. Il est alors préférable de comprendre comment agit la clientèle lorsqu'elle se rend dans un point de vente, comment elle choisit les produits qui composeront son panier d'achat afin de pouvoir anticiper les stocks nécessaires pour satisfaire sa clientèle.
Comment calculer l'assortiment des produits en magasin ?
Comprendre les motivations d’achat de vos clients
Anticiper le comportement des clients via une analyse des données internes de l'entreprise comme, par exemple, les tickets de caisse, est sans nul doute la première étape vers plus de précision dans une gestion des stocks alignée avec les motivations d’achats de ses clients.
Dans le cas d’un hypermarché, par exemple, l’analyse manuelle de millions de tickets de caisses complexifie la restitution de résultats pertinents pour pouvoir prédire des comportements. Même si ces tickets de caisse indiquent quels clients achètent quels produits, pour quel montant, à quelle période, et selon quelles promotions, cela rend le travail des équipes marketing et commerciale très chronophage.
L’analyse des tickets de caisse va permettre de constater des récurrences dans les comportements client. Grâce à celles-ci, il sera possible d’identifier les produits déclencheurs de l’achat, ceux pour lesquels les clients se déplacent en point de vente ou en drive. Dans le cas où ces produits ne seraient pas disponibles, l’acte d’achat n’aurait pas lieu et le reste du panier serait perdu.
L’analyse des tickets de caisse et la qualification du comportement client vont réunir des informations sur les produits les plus populaires, ceux qui génèrent le plus de vente, et la temporalité des achats. Dans l’optimisation de la gestion des stocks, sélectionner les articles à mettre en vente ne suffit pas toujours, il faut donc prioriser les articles. Ceci peut se faire en respectant un nombre restreint d’articles, en choisissant en priorité les articles qui génèrent le plus de vente ou de prioriser en fonction du choix des clients d’un certain type de magasin.
Quelle quantité de stocks prévoir pour chaque article ?
Si l’analyse des comportements clients permet d’identifier les articles pour lesquels le consommateur se déplace, une question reste tout de même sans réponse : quelle quantité prévoir pour chaque article proposé à la vente sur le point de vente ? Comment optimiser l'assortiment en rayon ? Pour y répondre, l’analyse classique des tickets de caisse ne suffit pas, il s’agit en effet également de prendre en compte les facteurs internes et externes. Par exemple, un changement dans le montant du salaire moyen impactera directement le pouvoir d’achat des ménages, ce qui modifierait alors leurs habitudes d’achat. Toutes ces informations représentent une quantité immense de données qui ne peuvent être analysées par un individu. Il s’agit alors de faire appel à l’intelligence et également au machine learning.
Le machine learning au service de la prévision des stocks
L'attention portée à la clientèle et à son comportement nous apprend l'importance de la disponibilité des produits en rayon. Si la demande est trop faible, le point de vente aura un surplus de stock, qui représente un manque à gagner en terme de chiffre d'affaires. Si, au contraire, la demande est trop importante par rapport à la disponibilité du produit, l'article sera en rupture de stock, réduisant alors le nombre d'articles dans le panier final du client et créant, de ce fait, une expérience client désastreuse.
Optimiser la prévision des stocks grâce au machine learning présente de nombreux avantages :
- Augmentation considérable de l’efficacité des ventes grâce à une meilleure disponibilité du produit
- Amélioration du safety stock (stock de sûreté) grâce à des prévisions plus fines des réapprovisionnements sur les références à faible rotation.
- Meilleure compréhension des “patterns” permettant de corréler des données qui n’apparaissent pas liées entre elles grâce à une vitesse de calcul démultipliée.
Prévision des stocks et machine learning : les 4 étapes clés
Voici les quatre étapes pour mettre en place une solution de machine learning permettant d’optimiser la prévision de stocks :
1 - Récolter des données internes et externes
Afin d’entraîner les modèles de prédictions, ces derniers ont besoin de données à analyser. Il s’agit alors de récolter des données internes et externes. Un hypermarché va par exemple récolter des données sur les produits, les types de point de vente, les prix ou encore les promotions. Ces données peuvent ensuite être complétées par des informations sur la météo, la saisonnalité, des facteurs économiques ou encore des renseignements sur la concurrence.
2 - Définir son objectif business
Ces informations sont utilisées pour répondre à un objectif précis, défini par le point de vente. Celui-ci peut être l’optimisation des stocks mais peut être la réponse à la demande de ses clients. Chaque objectif business est traduit en modèle mathématique. Chez Verteego, nous avons construit plusieurs modèles personnalisables afin de répondre précisément à l’objectif initial.
3 - Entraîner les modèles
Par la suite, il s’agira d’entraîner les modèles. Pour cela, les jeux de données sont intégrés aux algorithmes de machine learning pour leur permettre d’amorcer la phase d’apprentissage automatique. Ce sont ces mêmes modèles que nous pourrons interroger par la suite pour générer les prédictions concernant les comportements clients et, donc, la gestion des stocks.
4 - Analyser les résultats
Afin de visualiser l’analyse des résultats, plusieurs outils de data visualisation sont utilisables. On peut citer Google Data Studio ou encore la plateforme Verteego, qui permet une mise en forme claire et précise des données. Enfin, chaque prédiction fait l'objet d’un retraitement automatique selon les problématiques opérationnelles métier. À titre d’exemple : lors d’une prédiction d’approvisionnement de 3 quantités sur un SKU packagé par 4, si l’objectif business est de diminuer au maximum les risques de stockage, la prédiction recommandera de stocker 2 quantités. En revanche, si l’objectif business est d’augmenter le chiffre d’affaires au maximum, cette dernière recommandera alors de stocker 4 quantités.
Pour conclure, le machine learning facilite la gestion de données complexes et exponentielles. Grâce à une connaissance approfondie des informations produit et des habitudes consommateurs, la prévision des stocks est optimisée beaucoup plus finement. Les points de vente qui utilisent le machine learning parviennent à réduire les coûts d’inventaire, les coûts de transport ainsi que le gaspillage, tout en augmentant la productivité des équipes.
Vous souhaitez optimisez vos stocks grâce au machine learning ? Demandez dès maintenant une démo de notre plateforme Verteego.
