Prévoir les ventes pour mieux gérer les stocks

Une épicerie, une boulangerie ou une boutique en ligne commande ses produits chaque semaine. Trop, et la marchandise se perd ou dort en stock ; trop peu, et les clients repartent les mains vides.

Les commandes se font au jugé, ou d’après la semaine précédente. Les saisons, les jours fériés et les événements locaux passent à la trappe.

Côté technique. Un modèle de prévision de séries temporelles apprend de votre historique : la tendance, les saisons, les jours de la semaine. Ce n’est pas de l’IA générativeIA générative Famille d’IA qui produit du texte, des images, du son ou de la vidéo à partir d’une consigne ; les assistants conversationnels en sont l’exemple le plus connu. Voir le glossaire, mais de l’apprentissage automatiqueApprentissage automatique (machine learning) Famille de techniques où un modèle apprend à partir d’exemples (un historique chiffré, des images) au lieu de suivre des règles écrites à la main ; l’apprentissage profond en est une branche, fondée sur des réseaux de neurones à nombreuses couches. Voir le glossaire classique, adapté dès qu’il existe des saisonnalités et un historique chiffré propre.

Côté humain. Le modèle propose une quantité. Vous l’ajustez avec ce qu’il ne sait pas (une promotion, des travaux dans la rue, la météo annoncée), puis vous passez la commande.

Ventes par produit et par jour, calendrier, promotions : ce sont des données internes (feu orange), sans donnée personnelle. Nul besoin du fichier clients pour prévoir des quantités.

• RGPDRGPD Règlement général sur la protection des données. Voir le glossaire : un historique agrégé, sans client identifié, ne contient pas de données personnelles. Le RGPD s’appliquerait si vous reliiez les ventes à des personnes, par exemple avec une carte de fidélité.
• RéversibilitéRéversibilité Possibilité de changer d’outil ou de fournisseur sans tout perdre : export des données dans un format ouvert, conditions de sortie, absence de pénalité. Voir le glossaire : gardez vos données dans un format que vous pouvez récupérer, pour pouvoir changer d’outil sans tout perdre.

Pendant deux mois, suivez les pertes (invendus, produits périmés) et les ruptures de stock, avant et après. Comparez aussi chaque semaine la prévision à ce qui s’est vraiment vendu.

• Le modèle ne connaît que le passé. Un événement exceptionnel (travaux, crise, nouveau concurrent) le prend en défaut.
• Pour apprendre une saison, il doit l’avoir vue : un historique trop court donne des prévisions fragiles.
• La prévision éclaire la commande ; elle ne la remplace pas.

• Un outil de prévision, ou la fonction équivalente d’un logiciel de gestion.
• Le temps de rassembler et de nettoyer l’historique, une fois.
• Un suivi régulier des écarts entre prévision et ventes réelles.

• Prévoir des ventes relève de l’apprentissage classique, pas d’un assistant conversationnel.
• La qualité de l’historique fait la qualité de la prévision.
• Le modèle propose ; vous ajustez et vous commandez.