Prévision de la demande et optimisation des stocks

Data en GMS : un filon à exploiter

Pour un client d’hypermarché lambda, le ticket de caisse se contente de rappeler le prix de chaque produit, et d’indiquer le montant total dont il doit s’acquitter. Mais, pour le gérant de la structure, ces petits bouts de papier constituent, mis bout à bout, une mine d’or potentielle. Une mine d’or (et de données) dont Data-Prisme s’évertue à creuser et à sécuriser les galeries pour une exploitation optimale.  

Anticiper la demande pour mieux optimiser ses stocks

A La Réunion, les délais d’approvisionnement maritime oscillent entre six et huit semaines. Une durée incompressible qui rend la gestion des stocks souvent sensible car, en cas de rupture de produit, le client risque de se tourner vers la concurrence. Non seulement pour ledit produit, mais au pire pour le chariot tout entier ! Une maîtrise incertaine de ses stocks peut donc s’avérer particulièrement coûteuse pour l’hypermarché : qu’il s’agisse de ne plus disposer du produit demandé (et donc de perdre le client) ou de trop stocker en ayant « peur de manquer » (et donc de dégager des surcoûts de stockage).  

Prendre en compte des contraintes locales

La solution réside dans l’anticipation du besoin client, et par conséquent dans l’anticipation de la demande. Les cycles de vente sont certes très courts à La Réunion, notamment en GMS. Pourtant, ils se répètent d’année en année en fonction de facteurs multiples, dont une grande partie échappe aux radars des logiciels métier déjà sur le marché, rendant les prévisions aléatoires. 

La modélisation prédictive que nous proposons chez Data-Prisme permet d’intégrer une multitude de paramètres « péi » essentiels à une gestion optimisée, afin d’anticiper les tendances de consommation et de fournir des prévisions de vente : 

• effets de saisonnalité
• événements climatiques
• habitudes alimentaires 
• modes de consommation spécifiques
• événements culturels locaux
• etc.

De la sorte, notre modèle prend en compte des contraintes locales, ponctuelles ou non, afin de faire émerger des comportements de consommation pour ainsi dire « géolocalisés ». En intégrant des données récurrentes qui collent au plus près de la réalité de la consommation réunionnaise, notre algorithme offre à la direction de l’hypermarché une vision juste et précise des comportements d’achat à venir. Et lui permet alors d’ajuster, à la hausse ou à la baisse, ses commandes en fonction de cette demande prévisionnelle.  

Une auto-correction en temps réel

En comparant systématiquement ces prévisions à la réalité, notre modèle intègre les écarts éventuellement constatés, et réévalue automatiquement ses projections. Cette « auto-correction » garantit toujours plus de fiabilité et de précision à notre solution. Pour le client, la durée de vie et la disponibilité des produits est maximisée, alors que le gaspillage et la conservation des stocks sont eux minimisés. C’est donc tout bénéfice !

De l’intérêt de l’indicateur Coca-Cola

Certains produits phares (de type Coca-Cola par exemple) passent en caisse à une fréquence régulière et soutenue. Si une rupture est constatée au cœur de cette dynamique, cela n’est probablement pas parce que ce produit subit un soudain boycott de la clientèle… Le problème est ailleurs (manque d’achalandage, organisation inappropriée du rayon, etc.), et peut nécessiter une veille et la mobilisation de moyens humains, voire logistiques, pour rétablir la situation. Pendant ce temps-là, c’est autant d’unités de ce produit phare qui échappent au chiffre d’affaires de la GMS. Grâce au Data Management développé par Data-Prisme, fini ces trous d’air ! Un système d’alerte est intégré au logiciel de caisse, qui permet de signaler en temps réel une diminution des ventes de ce produit de tête. En réponse, une réaction « minute » au niveau des stocks ou du facing produit peut être initiée afin de retrouver au plus vite régularité et stabilité.