Prévoir la demande des SKU à rotation rapide sur tous les canaux

# Prévoir la demande des SKU à rotation rapide sur tous les canaux

Une marque de shampooing lance une opération « un acheté, un offert » dans une chaîne nationale de supermarchés. Sa prévision annonçait 100 000 flacons vendus sur la semaine. Elle en a vendu 140 000. Les rayons étaient vides dès le jeudi. Ces 40 % d'erreur de prévision, ce sont des ventes perdues, des partenaires distributeurs mécontents et un affrètement d'urgence à trois fois le coût normal.

C'est le quotidien de la prévision de la demande dans les produits de grande consommation. Quand vos SKU (Stock Keeping Units, les déclinaisons individuelles de produit comme « Shampooing, Antipelliculaire, 400 ml ») tournent vite et se vendent sur de nombreux canaux, de petites erreurs de prévision se cumulent en gros montants.

Voyons comment l'IA change la donne.

Pourquoi la prévision en FMCG est particulièrement difficile

La prévision traditionnelle s'appuie sur l'historique. Si vous avez vendu 100 000 flacons la semaine dernière, vous en vendrez probablement autant cette semaine. Cela fonctionne bien pour des produits stables, à rotation lente.

Les SKU à rotation rapide cassent cette logique pour trois raisons.

Les promotions créent des pics. Une baisse de prix ou une mise en avant peut doubler ou tripler la demande sur une semaine, puis la déprimer ensuite, les acheteurs ayant fait des stocks. L'historique seul ne peut pas prédire un pic qui n'a pas encore eu lieu.

Les canaux ne se comportent pas de la même façon. Le même shampooing se vend en grande distribution, en parapharmacie et en e-commerce. La demande e-commerce réagit aux tendances de recherche et aux annonces payantes. La demande en magasin réagit aux mises en avant en rayon. Une prévision unique pour « shampooing » masque ces différences.

Les facteurs externes comptent. Une canicule tire la demande de déodorants et de boissons fraîches. La pluie déplace les achats en ligne. Un modèle traditionnel qui ignore la météo ne voit pas ces variations.

Résultat : un modèle naïf qui moyenne les ventes passées sera toujours surpris précisément par les événements qui comptent le plus.

Quels signaux l'IA combine

L'idée de fond est simple. Au lieu de n'utiliser que les ventes passées, un modèle d'IA apprend la relation entre la demande et de nombreux signaux à la fois. Voici les principaux en FMCG.

Données POS (Point of Sale). Ce sont les données scannées en caisse, qui montrent ce qui s'est réellement vendu, où et quand. Les distributeurs les partagent souvent via des plateformes ou des pools de données. Le POS est plus précis que les données d'expédition, car les expéditions indiquent ce qui est sorti de l'entrepôt, pas ce que l'acheteur a acheté.

Calendrier promotionnel. Un relevé structuré de chaque baisse de prix, mise en avant, coupon et opération prévus, par SKU, groupe de magasins et semaine. C'est souvent l'input le plus prédictif pour les produits à rotation rapide.

Météo. Températures, précipitations et prévisions. Particulièrement puissante pour les catégories saisonnières ou sensibles à la météo (glaces, crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →ème solaire, soupe).

Prix. Le vôtre et celui des concurrents. La demande est sensible au prix relatif, pas seulement au prix absolu.

Signaux de recherche et de web. En e-commerce, le volume de recherche et le trafic sur le site précèdent les ventes de quelques jours ou semaines.

Événements du calendrier. Jours fériés, dates de paie, périodes scolaires, grands événements sportifs.

Le modèle d'IA repère des schémas du type « quand nous lançons une promo BOGO ET que la température dépasse 30 degrés ET que c'est la semaine avant la paie, les ventes de déodorants bondissent de 55 % ». Aucun humain ne peut garder toutes ces interactions en tête. Un modèle, si.

Comment le modèle fonctionne concrètement

La plupart des systèmes modernes de prévision FMCG utilisent des gradient boosted trees (une méthode de machine learning qui construit de nombreuses petites règles de décision et les combine) ou des modèles de deep learning conçus pour les séries temporelles. Vous n'avez pas besoin de connaître les mathématiques. Vous devez connaître la forme du workflow.

Voici une vue simplifiée de la table de features qui alimente le modèle. Chaque ligne correspond à un SKU dans un magasin (ou un canal) pour une semaine.

# Structure simplifiée des données d'entraînement
features = [
    "sku_id", "channel", "store_cluster", "week",
    "units_sold_last_week", "units_sold_last_year",
    "on_promo",          # 1 si promotion active
    "promo_type",        # BOGO, price_cut, display
    "discount_depth",    # ex. 0.30 = 30 % de remise
    "avg_temp_c",
    "competitor_on_promo",
    "days_to_payday",
    "is_holiday_week"
]

target = "units_sold"   # ce que nous prédisons

Le modèle s'entraîne sur des années de ces lignes et apprend comment la cible réagit à chaque feature. Pour prévoir la semaine suivante, vous renseignez les valeurs futures connues (la promo est planifiée, la météo est prévue, le calendrier est fixé) et le modèle prédit les unités vendues par SKU et par canal.

Pour une introduction plus poussée mais toujours accessible aux techniques sous-jacentes, le Machine Learning Crash Course de Google est gratuit et bien structuré.

Prévoir canal par canal

La marque de shampooing n'a pas besoin d'une prévision. Elle a besoin d'une prévision par canal, parce que chacun se comporte différemment et a des délais différents.

Grande distribution et parapharmacie (retail). Demande portée par les promotions et la présence en rayon. Les délais sont plus longs, donc les prévisions alimentent les commandes de réapprovisionnement plusieurs semaines à l'avance. Les erreurs se traduisent ici par des rayons vides ou du surstock qui immobilise du cash.

E-commerce (site propre et marketplaces). Demande portée par la recherche, les annonces et les promesses de livraison. Réaction plus rapide, délais plus courts, mais aussi plus de volatilité. Un seul post d'influenceur peut faire exploser la demande du jour au lendemain.

Quick commerce (applications de livraison rapide). Durée de vie très courte des décisions. La demande est hyperlocale et sensible à l'heure de la journée.

Une bonne pratique est le hierarchical forecasting : prédire au niveau fin (SKU par magasin par jour) et à des niveaux agrégés (SKU par région par semaine), puis réconcilier pour que les chiffres s'additionnent. Cela évite l'écueil classique où la somme des prévisions par magasin donne un total très éloigné du plan national.

Le problème du pic promotionnel, résolu

Revenons à notre marque de shampooing. L'écart de 40 % vient du fait que l'ancien modèle traitait une semaine BOGO comme une semaine normale.

Avec un modèle d'IA qui intègre le calendrier promotionnel et le type de promo comme features, le modèle a appris de dizaines d'opérations BOGO passées que cette promo précise, sur ce SKU précis, dans ces magasins, augmente la demande d'environ 45 %. Il a aussi appris l'effet de pantry loading : les deux semaines suivant une promo passent sous la baseline parce que les acheteurs ont déjà constitué leurs stocks.

Le gain pratique n'est pas une précision parfaite. C'est le resserrement de la marge d'erreur et, surtout, la quantification de l'incertitude. Les bons modèles ne sortent pas seulement « 140 000 unités » mais une fourchette du type « 120 000 à 160 000 avec 80 % de confiance ». Les équipes supply chain utilisent cette fourchette pour calibrer intelligemment le stock de sécurité plutôt que de deviner.

Pièges fréquents au déploiement

Données promo de mauvaise qualité. Le calendrier promotionnel est souvent tenu dans des tableurs par les équipes commerciales, truffé d'erreurs et de changements de dernière minute. Si le calendrier indique qu'il n'y a pas de promo alors qu'un magasin en a lancé une, le modèle apprend la mauvaise leçon. Nettoyer les données promo est le levier le plus rentable dans la plupart des projets de prévision FMCG.

Ignorer le cold-start. Les lancements de nouveaux produits n'ont pas d'historique. L'IA ne peut pas apprendre de données qui n'existent pas. Pour les nouveaux SKU, utilisez des analogues (prévision basée sur des lancements passés similaires) et intégrez du jugement humain.

Faire trop confiance au modèle lors d'événements rares. Une pandémie, un choc d'approvisionnement ou un moment viral sortent des données d'entraînement. Gardez des humains dans la boucle pour les anomalies. Le modèle est un copilote, pas un pilote automatique.

Prévoir la mauvaise métrique. Optimiser l'erreur moyenne la plus basse peut masquer de gros écarts sur vos SKU les plus importants et les plus margés. Pondérez vos mesures de précision par la valeur, pas seulement par le volume.

Mesurer si cela a fonctionné

Deux métriques dominent la prévision FMCG.

MAPE (Mean Absolute Percentage Error) : la taille moyenne de vos erreurs en pourcentage. Plus c'est bas, mieux c'est. Les produits à rotation rapide fortement promotionnés se situent souvent entre 20 % et 40 % pour des prévisions hebdomadaires SKU-magasin, même avec de bons modèles : le contexte compte.

Biais : sur-prévoyez-vous ou sous-prévoyez-vous systématiquement ? Le biais est souvent plus dommageable que l'erreur aléatoire, car il draine mécaniquement du cash vers du stock excédentaire ou vide les rayons.

Suivez ces indicateurs par canal et séparément pour les semaines avec et sans promo. Un MAPE global qui paraît correct peut masquer une performance désastreuse en semaine de promo, précisément là où se joue l'argent.

Points clés à retenir

• Les SKU à rotation rapide mettent en échec la prévision basée sur le seul historique, car les promotions, les canaux et la météo provoquent les variations qui comptent le plus.
• Les modèles d'IA crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éent de la valeur en combinant données POS, calendrier promotionnel, météo, prix et signaux de recherche pour apprendre des interactions qu'aucun humain ne peut suivre manuellement.
• Prévoyez chaque canal séparément (retail, e-commerce, quick commerce) et réconciliez à travers une hiérarchie pour que les chiffres par magasin s'additionnent au plan national.
• Des données promotionnelles propres sont généralement le premier facteur de précision en FMCG ; corrigez le tableur avant d'accuser le modèle.
• Jugez la précision avec le MAPE et le biais, séparez semaines avec et sans promo, et pondérez par la valeur produit pour que vos SKU clés reçoivent l'attention qu'ils méritent.