Pourquoi vous devriez revoir vos outils de prévision de la demande ?

 

Des enjeux de taille, liés à une demande de plus en plus fragmentée, complexe et volatile

L’anticipation de la demande est un sujet éminemment stratégique pour tous les secteurs d’activité. Ceci est d’autant plus vrai pour les secteurs où les volumes de produits et l’étendue des réseaux de distribution sont tels que chaque variation peut avoir un impact significatif sur la rentabilité.

La demande devient de plus en plus diversifiée, fragmentée, complexe et volatile, et cela se produit au moment même où les entreprises sont confrontées à de nouvelles pressions économiques, techniques et réglementaires. Par conséquent, la prévision de la demande permettrait d’aligner les objectifs de performance opérationnelle et financière avec les plans de ventes et de générer des gains mesurables sur différents niveaux :

• Amélioration des relations avec les fournisseurs et des conditions d’achat : La prévision de la demande pilote le processus de planification des achats. Des prévisions précises permettraient aux responsables achats de communiquer aux fournisseurs le plan d’achat avec plus de visibilité et de transparence et ce dans les délais impartis ;
• Meilleure utilisation des capacités de production : Une planification efficace de la production prend en compte les niveaux de stock actuels, la disponibilité des matières premières ainsi que les commandes attendues des clients. Cela conduit alors à une affectation optimale des ressources couplée à un pilotage précis des capacités ;
• Optimisation des niveaux de stock : La prévision de la demande fournit des informations vitales permettant d’optimiser les niveaux de stocks et d’éviter les situations de ruptures de stocks ou de sur-approvisionnement ;
• Amélioration de la planification de la distribution et de la logistique : La prévision de la demande donne la possibilité d’équilibrer leurs stocks sur le réseau et de mieux planifier les opérations de transport ;
• Augmentation des niveaux des services clients : Grâce à une meilleure compréhension de la demande des clients et des comportements des détaillants, les entreprises peuvent déployer leurs stocks de telle manière à avoir des taux d’exécution des commandes plus élevés et une réactivité élevée.

 

Machine Learning, une nouveauté qui change la donne 

L’analyse prédictive devient nettement plus puissante grâce au Machine Learning. Les outils classiques de prévision de demande se basent généralement sur une analyse statistique de l’historique des ventes. Cette analyse, qui est souvent agrégée et statique, ne s’adapte pas aux évolutions des conditions du marché et des comportements du consommateur et nécessite une forte intervention humaine (retraitement, actualisation, ajustements…).

Les algorithmes du Machine Learning sont la nouvelle base pour les modèles de prévision de la demande et se distingue par sa capacité à identifier et explorer des particularités jusque-là indétectables et inconnues. A titre d’exemple, le Machine Learning permet de faire des prévisions de la demande en prenant l’historique des ventes et les autres paramètres impactant la demande comme : climat, événements, concurrence, disponibilité… Ces prévisions deviennent plus précises avec le temps et s’adaptent aux changements conjoncturels ou structurels de l’activité.

 

Pas de “One size fits all”

Les algorithmes et les architectures de Machine Learning sont nombreux, qu’ils soient Shallow Learning ou Deep Learning. Les données de chaque entreprise sont différentes (type de données, profondeur des données, qualité des données…) et les besoins de chaque entreprise sont différents. Ainsi, l’approche d’adoption du ML doit être personnalisée.

Pour simplifier, la démarche est la suivante : Sur la base d’une compréhension précise du business et des données disponibles ou à collecter, les entreprises doivent :

• Développer et Entrainer plusieurs modèles de Machine Learning pour choisir le modèle le plus performant ;
• Intégrer le modèle dans les processus de l’entreprise ;
• Mettre en place la Data pipeline permettant au modèle de s’améliorer avec les données futures.

Dans une approche agile, ce Process est itératif. L’entreprise doit commencer par un Proof-Of-Concept pour valider l’intérêt et garantir l’adhésion des parties prenantes.

Pour conclure

En basant les décisions S&OP sur une approche Data-Driven et en minimisant le biais humain, les entreprises peuvent entreprendre avec plus de sérénité des schémas logistiques plus complexes et des Business Models plus innovants.

Le Machine Learning constitue un tremplin vers une Supply Chain plus flexible et plus performante à condition de bien gérer son adoption.

 

Auteur :

Khalid Iben Yaich

Senior Manager chez Valyans