Quand le machine learning bouleverse les schémas classiques des réseaux de distribution

La prévision de la demande et l’optimisation des approvisionnements font partie des grands challenges actuels pour les marques et les enseignes. Et, selon le rapport Gartner, la précision des prévisions et la variabilité de la demande sont les obstacles les plus fréquemment cités par les retailers pour atteindre leurs objectifs et assurer un niveau de service optimal.
 

Les 3 fondamentaux de la planification de la demande
Le rapport précise également que la planification de la demande doit intégrer trois éléments essentiels :
. la capacité à prévoir la demande hors contraintes. En fonction des historiques de vente, quel volume d’articles peut être vendu sur différents canaux au cours d’une période définie ?
. la capacité à déterminer la demande en tenant compte des cntraintes liées au réseau de points de vente : Comment, quand et où livrer les magasins et optimiser les stocks au
plus proche de la demande ?
 . la capacité à déterminer la demande en tenant compte des contraintes liées au réseau de fournisseurs : Comment gérer et cadencer les commandes de manière optimale ?

Vers l'essor du machine learning
Dans un environnement devenu extrêmement complexe et concurrentiel, la capacité des retailers à mettre à profit toutes ces données est aujourd’hui un axe stratégique plus déterminant que jamais. « L’utilisation du machine learning par les éditeurs est une tendance qui est en train d’émerger sur le marché car il permet de créer des prévisions de la demande beaucoup plus précise, explique Mike Griswold, vice-président en charge du département « recherche » chez Gartner et auteur du rapport. Ce qui le rend unique par rapport aux méthodes classiques, est qu’il n’a pas besoin d’instructions pour effectuer ses calculs. Il apprend de manière continue et autonome à partir des nouvelles données et en analysant les performances passées dans le but d’affiner et de faire évoluer la solution. Les modèles de machine learning surpassent les capacités humaines grâce à leurs capacités à traiter de très grands volumes de données (big data), à identifier les relations cachées entre les différents facteurs de supply chain et à comprendre les corrélations qui influencent les comportements spécifiques ». 

Les recommandations de Gartner
Alors que les retailers sont de plus en plus nombreux à s’intéresser au potentiel du machine learning, Gartner recommande de se pencher sur les points suivants pour évaluer les solutions :
 . la capacité à traiter de très grands volumes de données structurées et non structurées,

. la faible intervention humaine nécessaire pour la maintenance,

. la capacité à identifier les interdépendances au sein des ensembles de données,

. la capacité des outils à évoluer à partir des nouvelles données, à améliorer la précision des prévisions et à affiner les méthodes prédictives de manière continue, 

. la capacité à générer des recommandations en temps réel ou des changements dynamiques pour les plans de réapprovisionnement.

Vekia, à l'affût avec ProOrder et ProVisia

Les solutions Vekia (ProOrder et ProVisia) offrent justement une couverture fonctionnelle complète pour l’ensemble des processus de prévision de la demande et de réapprovisionnement, et ce pour tous les canaux de distribution. Elles permettent notamment de piloter la répartition optimale des stocks en fonction des prévisions des besoins et des différents types de contraintes, de piloter dynamiquement les plans d’assortiment, et de gérer les commandes et les achats en fonction des calculs de prévision de la demande. « Le rapport et les conclusions menés par Gartner sont très importants pour Vekia car ils mettent en avant les forces du machine learning et ses capacités d’aide à la décision uniques, explique Manuel Davy, président de Vekia. Or, les algorithmes présents au cœur du développement de nos solutions sont issus du machine learning et ont pour but premier de générer des stocks optimaux sur une base prévisionnelle avec une vitesse et une précision inédites, et de prédire les comportements d’achat à partir d’immenses volumes de données. Tous nos clients bénéficient déjà de ces technologies de nouvelle génération ».