Optimisation de stock, lancement d’un nouveau produit
Comment prédire le besoin en stock pour lancer un nouveau produit ?
01
Problématique
Un distributeur disposant d’entrepôts dans plusieurs pays propose de nombreux nouveaux produits chaque année. Chaque lancement est préparé par les équipes marketing, qui prévoient la demande pour le démarrage, et par les logisticiens qui configurent les besoins de stocks dans chacun des entrepôts.
Malgré cela, en pratique, près d’un lancement de produit sur deux finit soit en rupture de stock soit en sur-stock, avant de rétablir progressivement la situation dans la phase stabilisée.
02
« Les lancements de produits sont mieux anticipés et les tensions sur la Supply Chain sont fortement réduites. »
Démarche
La démarche a consisté à regrouper les produits par clusters ayant des comportements de lancement similaires, sur la base de 10 – 20 paramètres principaux. Ces clusters ont d’ailleurs démontré des rapprochements non-triviaux entre produits de gammes pourtant lointaines.
Nous avons défini un petit nombre de KPIs précis que l’on a cherché à optimiser, notamment le nombre de produits en stock et le coût du stock.
Le modèle de machine learning a ensuite utilisé un historique de 3 ans de lancement de produit pour construire des prédictions sur le comportement des lancements. Ces prédictions ont été testées sur une partie de l’historique qui n’avait pas été utilisée dans l’apprentissage.
Le meilleur modèle a ainsi été sélectionné et utilisé en aide à la décision pour les approvisionneurs.
3
ans d'historique
3000
produits analysés
10
entrepôts
Résultat
03
Résultat
Le modèle est capable de prédire avec une bonne probabilité la tendance du lancement au bout d’une dizaine de jours seulement. Auparavant, cette analyse ne pouvait réellement être faite qu’après plus d’un mois.
Le temps ainsi gagné permet de gérer des réapprovisionnements ou réallocations de certains entrepôts en cas de risque de rupture de stocks, et de lancer des opérations commerciales en cas de lancement inférieur aux attentes marketing.
De plus, le modèle permet de faire des préconisations d’allocation optimale de stocks et d’alerter en cas de probabilité forte de rupture de stock dans un ou plusieurs entrepôts.