Pourquoi la moyenne est un très mauvais proxy d’estimation des ventes de produits ultra frais ?

Dans le secteur de la distribution alimentaire, la précision des prévisions de demande est primordiale : une surestimation provoque un gaspillage alimentaire, tandis qu’une sous-estimation génère une perte de revenus.Étant donné que les commandes sont principalement effectuées manuellement, les responsables de rayon se basent sur l’historique des ventes pour évaluer les quantités à prévoir et, ainsi, déterminer ce qu’ils doivent commander.

Si je dois commander une référence pour jeudi, j’examine les ventes réalisées les deux jeudis précédents, je prends en compte mon stock actuel, puis je commande approximativement la quantité qui me manque.

Responsable de rayon d’un client avant Ida

En pratique, cela revient à résoudre le calcul suivant, pour plusieurs centaines de références tous les jours :

Pour le simplifier, on serait tenté de poser mathématiquement des formules simples, comme une moyenne glissante :

Ventes estimées = ventes (J-7)*0,6 + ventes (J-14)*0,4

Et de déduire la commande comme ces ventes estimées + un seuil minimal de présentation (aussi appelé SMP, stock tampon ou stock de sécurité).

Pourquoi est-ce une erreur ?

La demande des produits ultra-frais est extrêmement irrégulière d’une semaine sur l’autre et varie en fonction de centaines de facteurs externes :

• Contrairement aux produits “libre-service”, les clients n’achètent pas une marque, mais une qualité-fraîcheur, une image prix
• De nombreuses références se cannibalisent entre elles, une promotion sur la tomate ronde peut affecter les ventes de tomates cerises
• La météo, des évènements locaux, les variations de prix des concurrents
• etc.

Les résultats de Fresh Guardian, notre modèle propriétaire chez Ida

Examinons maintenant les performances de notre algorithme propriétaire machine learning sur la même période.

Grâce au deep learning, nous pouvons réellement intégrer des millions de points de données et identifier des relations de cause à effet entre des variables externes et les ventes.

FreshGuardian intègre non seulement les données de ventes passées, mais aussi tout ce qui touche aux prévisions météorologiques, aux audiences prédites d’événements sportifs, aux événements locaux, aux dates de vacances scolaires, aux conditions du marché, aux données démographiques locales, aux promotions de produits, et bien plus encore.

La notion de quantile et d’optimisation pour garantir une commande sans stock de sécurité

Afin de convertir ces bonnes prédictions de ventes en prédictions de commandes, il est nécessaire de modéliser l’incertitude liée à cette prévision, afin de quantifier le risque associé :

• À une éventuelle rupture d’approvisionnement (sous prédire les ventes)
• À un éventuel surstock (sur-prédire les ventes)

C’est pour cela que nos préconisations font intervenir un quantile afin d’être 9 fois sur 10 au-dessus de la demande réelle.

Ce quantile se modifie automatiquement en fonction des objectifs de l’enseigne, du coût de chaque article, et sera l’objet d’un nouvel article à venir.

Prêt à faire un pas vers l'avenir de l'approvisionnement en produits frais ? N’hésitez pas à demander une démo !