Prévision de la demande basée sur l'apprentissage automatique pour la chaîne d'approvisionnement du commerce de détail
Une chaîne de 200 magasins subissait un taux de rupture de stock moyen de 12 % et d'importantes pertes dues aux démarques de fin de saison, en raison de prévisions de la demande inexactes. Ses modèles statistiques existants ne tenaient pas compte des événements locaux, des conditions météorologiques ni des calendriers promotionnels.
Client
Confidential, Retail Chain Client
Chef d'équipe
Sophie Müller
Date
Q1 2024
Défi commercial
Une chaîne de 200 magasins subissait un taux de rupture de stock moyen de 12 % et d'importantes pertes dues aux démarques de fin de saison, en raison de prévisions de la demande inexactes. Ses modèles statistiques existants ne tenaient pas compte des événements locaux, des conditions météorologiques ni des calendriers promotionnels.
Solution et approche
Nous avons conçu une plateforme de prévision d'ensemble combinant Facebook Prophet pour la décomposition des tendances et de la saisonnalité avec LightGBM pour la prédiction détaillée des références et de leur emplacement. Le modèle intègre des signaux externes (météo, événements locaux, promotions des concurrents) et est réentraîné chaque semaine via Airflow.
Capacités fournies
- Prévision de la demande d'ensemble à l'aide de Prophet et LightGBM
- Intégration de signaux externes (météo, événements, promotions)
- Processus de recyclage hebdomadaire au niveau de l'emplacement SKU dans Airflow
- Tableau de bord de recommandation de réapprovisionnement destiné aux acheteurs
- suivi de la précision des prévisions et surveillance des performances du modèle
Résultats commerciaux
Le taux moyen de rupture de stock a diminué de 12 % à 4,3 %, et les pertes liées aux démarques de fin de saison ont baissé de 28 %. La précision des prévisions de l'équipe des achats (mesurée par l'erreur absolue moyenne en pourcentage [MAPE]) s'est améliorée, passant de 31 % à 11 % d'erreur.
4.3%
Taux de rupture de stock (en baisse par rapport à 12 %)
28%
Réduction des pertes liées aux démarques
11%
MAPE prévisionnel (en baisse par rapport à 31 %)
Projets connexes
Plateforme d'évaluation et d'analyse des apprentissages basée sur l'IA pour les technologies éducatives
Le taux de réussite des cours est passé de 38 % à 61 % en un semestre. L'indice NPS de satisfaction des apprenants a augmenté de 31 à 58, et la plateforme a réduit le taux de désabonnement mensuel de 2,8 points de pourcentage.
61%
Taux d'achèvement du cours (en hausse par rapport à 38 %)
58
NPS des apprenants (en hausse par rapport à 31)
Plateforme de numérisation des opérations hospitalières
Le délai de sortie des patients a été réduit de 4,5 heures à 1,8 heure. Le taux d'exhaustivité des dossiers cliniques est passé de 67 % à 96 %, éliminant ainsi les données manquantes qui entraînaient le rejet des demandes de remboursement. La productivité du personnel a progressé de 34 %.
4.5h→1.8h
heure de sortie du patient
96%
exhaustivité de la documentation clinique
Plateforme d'optimisation des itinéraires logistiques du dernier kilomètre
Le respect des délais de livraison est passé de 76 % à 94 %, les coûts de carburant par livraison ont diminué de 18 % et la productivité des chauffeurs a atteint 88 % de leur capacité théorique. Le client s'est étendu à trois nouvelles villes en six mois en utilisant la même plateforme.
94%
Conformité aux SLA de livraison
18%
Réduction du coût du carburant par livraison
Simulation de formation basée sur la réalité augmentée pour les opérations de fabrication
Le temps de formation par opérateur a été réduit de 40 % et les incidents de sécurité liés à la formation ont disparu. Les scores de certification des compétences ont progressé en moyenne de 22 points de pourcentage. Le client étend la plateforme à deux sites supplémentaires.
40%
Réduction du temps de formation
0
Incidents de sécurité liés à la formation
Prévision de la demande basée sur l'apprentissage automatique pour la chaîne d'approvisionnement du commerce de détail
Le taux moyen de rupture de stock a diminué de 12 % à 4,3 %, et les pertes liées aux démarques de fin de saison ont baissé de 28 %. La précision des prévisions de l'équipe des achats (mesurée par l'erreur absolue moyenne en pourcentage [MAPE]) s'est améliorée, passant de 31 % à 11 % d'erreur.
4.3%
Taux de rupture de stock (en baisse par rapport à 12 %)
28%
Réduction des pertes liées aux démarques
Visibilité et tour de contrôle de la chaîne d'approvisionnement de bout en bout
Le délai de réponse aux perturbations de la chaîne d'approvisionnement est passé de 4 jours (délai de détection) à 6 heures. Les ruptures de stock dues à des lacunes dans la visibilité de la chaîne d'approvisionnement ont diminué de 71 %. L'équipe des achats a ainsi économisé 1,8 million de dollars en frais de transport express dès la première année.
4d→6h
Temps de réponse en cas de détection de perturbation
71%
Réduction des ruptures de stock dues à l'écart de visibilité