Prévision de la demande et réapprovisionnement avec l'IA

# Prévision de la demande et réapprovisionnement avec l'IA

C'est le vendredi qui précède un week-end prolongé. Une chaîne de supermarchés régionale a prévu une demande normale pour l'eau en bouteille, le charbon de bois et les pains à burger. Puis une canicule s'installe, un festival local attire 40 000 visiteurs supplémentaires, et le samedi après-midi les rayons sont vides. Les clients repartent et font tout leur panier chez un concurrent.

C'est un stockout : le produit que le client veut n'est pas en rayon. Cela coûte la vente immédiate, et souvent aussi les quelques visites suivantes du client. Le problème inverse, le surstock, immobilise de la trésorerie et entraîne démarques et pertes. La prévision de la demande se situe entre ces deux échecs, et l'IA l'a rendue nettement plus précise.

Pourquoi la prévision est difficile dans le retail

Une chaîne de supermarchés de taille moyenne peut référencer 40 000 SKU (Stock Keeping Units, les identifiants de produit et de variante) dans des centaines de magasins. Cela fait des millions de combinaisons SKU-magasin, chacune nécessitant sa propre prévision quotidienne.

Les méthodes traditionnelles s'appuyaient sur de simples moyennes ou des règles saisonnières basiques. Elles s'écroulent parce que la demande est portée par de nombreux signaux qui se chevauchent :

• Saisonnalité : la glace en été, la soupe en hiver, un pic hebdomadaire le week-end.
• Promotions : un « un acheté, un offert » peut tripler les volumes, puis provoquer un creux ensuite, les placards étant pleins.
• Météo : une canicule fait monter l'eau et la glace ; la pluie réduit le trafic.
• Événements locaux : festivals, matchs, calendrier scolaire.
• Cannibalisation : promouvoir une marque de cola prend des ventes à une autre.
• Élasticité prix : de combien la demande bouge quand le prix bouge.

Aucun planificateur humain ne peut pondérer tout cela sur des millions de combinaisons chaque nuit. Le machine learning, si.

Comment le machine learning prévoit la demande

À la base, un modèle de demande apprend des schémas à partir de l'historique des ventes et des conditions qui les entourent. Vous l'alimentez avec des années de données : unités vendues par SKU, par magasin, par jour, plus le contexte (prix, indicateur de promotion, météo, calendrier des jours fériés). Le modèle apprend les relations, puis prédit la demande future compte tenu des conditions futures attendues.

Les ingrédients : les features

Les « features » sont les variables d'entrée utilisées par le modèle. Un modèle grocery opérationnel combine :

• Features de lag : ventes de la semaine dernière, du mois dernier, de la même semaine l'an passé.
• Features calendaires : jour de la semaine, mois, jours fériés, jours de paie.
• Features promotionnelles : profondeur de remise, type de mise en avant, présence d'une promo concurrente.
• Features externes : prévision météo, indicateurs d'événements locaux.

Les retailers modernes utilisent souvent des modèles d'arbres à gradient boosting (une technique qui combine de nombreux arbres de décision simples, popularisée par des librairies comme XGBoost et LightGBM) parce qu'ils gèrent bien ces signaux hétérogènes et s'entraînent vite. Les modèles de deep learning sont utilisés par les acteurs plus grands pour des horizons longs ou des catégories très saisonnières.

Un exemple concret

Prenons un seul SKU : le pack de 24 bouteilles d'eau de source au magasin 118.

Date        Units  DayOfWeek  Promo  TempF  LocalEvent
2025-07-01    38    Tuesday     0     78        0
2025-07-04   210    Friday      1     94        1
2025-07-05   240    Saturday    1     97        1

Le modèle apprend qu'une promo plus une température élevée plus un événement local poussent ce SKU très au-dessus de sa base du mardi, autour de 38 unités. Quand il voit un schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → similaire prévu pour le week-end suivant, il prédit un pic, pas un week-end normal.

Ce seul insight, appliqué à chaque SKU et chaque magasin, est ce qui évite le stockout du week-end férié de la scène d'ouverture.

De la prévision au réapprovisionnement

Une prévision n'est utile que si elle déclenche une action. Le réapprovisionnement est le processus de commande de stock pour remplir les rayons et les entrepôts. Le réapprovisionnement piloté par l'IA convertit la prévision de demande en commande, automatiquement.

Le concept clé est le stock de sécurité : un stock supplémentaire détenu pour absorber l'incertitude. Plus la demande est variable et plus le lead time fournisseur est long (les jours entre la passation de commande et la réception), plus il faut de stock de sécurité.

L'IA améliore le réapprovisionnement de deux façons :

1. Une meilleure prévision de base : moins d'approximation, donc moins de gaspillage.

2. Un stock de sécurité plus intelligent : le modèle estime non seulement la demande attendue mais la *plage* de demande probable. Une prévision plus serrée et plus fiable permet de détenir moins de stock de sécurité tout en gardant les rayons pleins.

Une règle de commande simple

Une fois la prévision établie, la quantité à commander suit souvent une règle de ce type :

order = forecast_demand_over_lead_time
        + safety_stock
        - current_on_hand
        - already_on_order

Pour notre SKU d'eau, si la prévision des trois prochains jours est de 600 unités, le stock de sécurité de 120, le stock actuel de 90 et 200 unités déjà en transit, le système commande 430 unités de plus. Aucun planificateur n'intervient, sauf si quelque chose paraît inhabituel.

Surveiller les signaux réels

Les meilleurs systèmes ingèrent directement des flux de données externes. Services météo, calendriers d'événements et même données de trafic local alimentent le modèle quotidiennement. Si une canicule apparaît dans les prévisions le mercredi, la commande d'eau pour le week-end s'ajuste automatiquement le mercredi soir, pas après que les rayons se sont vidés le samedi.

C'est la différence pratique que fait l'IA : elle réagit aux conditions changeantes avant que les humains ne les remarquent, à une échelle que les humains ne peuvent pas couvrir.

🎬 [VIDEO: "How Retailers Use Machine Learning for Demand Forecasting" - youtube.com - un panorama accessible des pipelines de prévision et de la logique de réapprovisionnement]

Pièges fréquents

La prévision par IA est puissante, mais elle échoue de manière prévisible. Connaissez ces cas avant de faire confiance aux chiffres.

Les nouveaux produits n'ont pas d'historique. Un SKU tout neuf n'a pas de données de ventes à apprendre. Les équipes traitent cela avec des méthodes de « cold start » : emprunter des schémas à des produits similaires, ou utiliser les premières ventes pour mettre à jour rapidement.

Les promotions déforment l'historique. Si la moitié des ventes de l'an dernier a eu lieu en forte remise, le modèle doit le savoir, sinon il surestimera la demande à plein prix. Taguez toujours les périodes promotionnelles dans les données.

Les stockouts masquent la demande réelle. Si un rayon était vide, les ventes enregistrées sont à zéro alors que la demande réelle était plus élevée. Entraîner le modèle sur ces données brutes lui apprend à sous-estimer. On parle de demande censurée, et les systèmes matures la corrigent en estimant ce qui se serait vendu.

Des données de stock pourries. Si le système croit qu'il y a 90 unités en stock alors que le vrai chiffre est 40 (vol, casse, erreurs de comptage), la commande sera fausse quelle que soit la qualité de la prévision. Précision de la prévision et précision des stocks vont de pair.

Mesurer le succès

On ne pilote pas ce qu'on ne mesure pas. Les métriques courantes dans le retail :

• Précision de la prévision, souvent suivie via le MAPE (Mean Absolute Percentage Error) : l'ampleur moyenne de l'écart de prévision en pourcentage. Plus c'est bas, mieux c'est.
• Taux de disponibilité (in-stock rate) : le pourcentage de jours-SKU-magasin où le produit était disponible.
• Rotation des stocks : combien de fois vous écoulez et renouvelez le stock sur une période. Une rotation plus élevée signifie moins de trésorerie immobilisée.
• Taux de casse et de démarque : particulièrement critique pour le frais et les périssables.

L'objectif n'est pas une prévision parfaite. C'est le bon équilibre entre le coût d'un stockout et celui d'un surstock, qui diffère selon la catégorie. Une vente manquée sur du papier toilette est agaçante ; une vente manquée sur un gâteau de mariage est une crise, et du poisson frais invendu est une perte totale.

Frais, mode, et les limites de l'automatisation

Les catégories ne se règlent pas de la même façon.

Le frais a une durée de vie courte, donc le surstock signifie des pertes. Les prévisions tournent quotidiennement et penchent vers des commandes plus serrées, en acceptant un peu plus de risque de stockout pour réduire le gaspillage.

La mode et l'habillement sont le cas le plus difficile. Les articles sont saisonniers, à durée de vie courte, et souvent vendus une seule fois (pas de réassort). Ici la prévision se mêle à la planification des courbes de tailles et à un timing agressif des démarques plutôt qu'à un réapprovisionnement régulier.

Les produits de fond de rayon (conserves, produits d'entretien) sont les plus simples : demande stable, longue durée de vie, donc l'automatisation peut tourner avec très peu de supervision humaine.

Un retailer bien géré fixe les niveaux d'automatisation par catégorie. Les staples tournent sans intervention. Le frais et la mode gardent un planificateur humain qui traite les exceptions. Cette approche « human in the loop » attrape les cas atypiques que le modèle n'a jamais vus, comme une tendance virale sur les réseaux sociaux ou une rupture d'approvisionnement.

Points clés à retenir

• La prévision par IA combine de nombreux signaux (saisonnalité, promotions, météo, événements locaux) sur des millions de combinaisons SKU-magasin, ce qu'aucun processus manuel ne peut égaler.
• Une prévision ne rapporte que lorsqu'elle déclenche un réapprovisionnement automatisé. Des prévisions plus serrées et plus fiables permettent de détenir moins de stock de sécurité tout en gardant les rayons pleins.
• La qualité des données est le socle. Corrigez la demande censurée par les stockouts, taguez les promotions et maintenez des stocks justes, sinon même le meilleur modèle produira de mauvaises commandes.
• Réglez l'automatisation par catégorie. Laissez les staples tourner seuls, mais gardez un humain sur les exceptions du frais et de la mode.
• Mesurez l'arbitrage, pas la perfection. Équilibrez le coût des stockouts contre le surstock et le gaspillage avec des métriques comme le taux de disponibilité, la précision de la prévision et la rotation des stocks.