Articles dont la demande est difficile à prévoir : comment l’IA résout (en partie) la question

La difficulté ne vient pas tant de la nature de l’article, mais davantage du contexte de consommation qui peut profondément brouiller les pistes.

Dr Sébastien Herry, R&D Data Science and Machine Learning Director chez Symphony RetailAI France

Dr Sébastien Herry, R&D Data Science and Machine Learning Director chez Symphony RetailAI France

Existe-t-il un classement des articles dont la demande est la plus difficile à prévoir ? Quelles sont les produits qui remportent la palme de la complexité en matière de prévision des ventes ? Ces questions n’ont pas de réponse absolue, parce que c’est rarement la nature d’un produit qui rend intrinsèquement sa demande difficile à anticiper. Passons quelques exemples en revue afin d’illustrer ce point essentiel.

Exemple #1 : les produits frais

Commençons par un classique : les produits frais. L’une de leurs particularités réside dans la variabilité quotidienne de leurs prix. Comme dans le monde de la bourse, il faut suivre chaque jour les cours et les cotations des produits frais. Or l’évolution du cours des prix ne tient pas uniquement à des facteurs objectifs et rationnels. Il y a certes l’influence de la météo sur les récoltes, mais aussi une foule de facteurs – plus ou moins objectifs – liés au comportement des consommateurs. Et ces comportements peuvent eux-mêmes être influencés par des éléments externes parfois complexes à mesurer. Par exemple : à quel point une campagne activiste végan « choc » peut-elle peser ponctuellement sur la consommation de viande ?

Sans vouloir faire une trop forte analogie entre le retail et le monde de la bourse, nous pouvons toutefois rapprocher le rôle incontournable que joue l’IA dans les deux cas. La variabilité des prix étant d’une part quotidienne, et d’autre part influencée par une immense quantité de facteurs externes (dont certains peuvent être particulièrement irrationnels), il est essentiel de pouvoir calculer et recalculer en permanence avec des algorithmes de pointe. Une tâche qui est aujourd’hui difficile de mener à bien sans IA.

Exemple #2 : le sel de déneigement

Autre produit de saison, mais dans un autre registre. On pourrait penser que les ventes de sel de déneigement ne sont influencées que par un seul facteur : la météo. C’est à la fois vrai et incomplet. Bien évidemment, des chutes ne neige annoncées vont faire grimper la demande. Cependant, d’autres facteurs peuvent jouer, notamment l’expérience des années passées. Si un hiver rigoureux a été

précédé d’un hiver doux et sans neige, il y a de fortes chances que les achats de sel de déneigement se fassent cette année à la dernière minute. Inversement, un hiver précédent particulièrement rigoureux aura laissé un souvenir bien ancré dans les esprits, et il y a fort à parier que les consommateurs anticiperont cette année et stockeront du sel de déneigement bien avant le cœur de la saison hivernale. Quitte à ne pas avoir à s’en servir.

Ce lien entre l’expérience passée et la rationalité des comportements de consommation présents est un aspect fondamental. Bien sûr, il n’y a pas que ça. La variation de la demande sera également influencée par les écarts entre la météo prévue, la météo réelle et les améliorations (ou dégradations) annoncées chaque jour. Les pics (ou creux) de consommation peuvent donc être à la fois très forts et très soudains.

Là aussi, l’IA saura faire ce que les modèles statistiques classiques ne savent pas bien faire : prendre en compte les bonnes données et faire les corrélations qui permettront de prévoir au plus juste la demande.

Exemple #3 : les meubles

Les meubles pourraient ressembler à un contrexemple, tant c’est un univers de « classiques » qui se vendent et se vendront toujours, année après année. Canapés, bibliothèques, literie, bureaux, … sont des incontournables dont la demande demeure relativement facile à prévoir. Mais l’inattendu se glisse parfois dans certains détails. Des enseignes se sont notamment rendu compte que le catalogue peut avoir une influence inopinée, et que la demande pour un produit peut être accentuée ou bridée selon sa position sur la page. Le principe cardinal des ventes additionnelles et des ventes croisées se retrouvera également dans le catalogue : des cintres proposés sur la page des dressings, des assiettes sur la page des tables de salle à manger, des boites de rangement sur celle des étagères, etc.

Une nouvelle fois, il s’agit de données externes (ou semi-externes, en l’occurrence) qui viennent s’ajouter aux données classiquement utilisées dans la prévision des ventes, et qui montrent à quel point la demande est influencée par une multitude de facteurs plus ou moins visibles et évidents.

La prévision dans le retail : un univers de cas particuliers

Ces trois exemples, que nous aurions pu facilement multiplier, montrent pourquoi l’IA permet de faire un saut qualitatif sans précédent dans la prévision de la demande. L’IA nous donne la liberté d’aller chercher des données contextuelles très facilement, et de faire les corrélations adéquates – en montrant notamment celles qui sont valides et celles qui sont invalides. Du coup, le rythme « essais/erreurs » dans les calculs de prévision va beaucoup plus vite, et donc les progrès vont beaucoup plus vite.

Et ceci sans parler de la prochaine étape, celle qui permettra à l’IA d’aller chercher elle-même ses informations, de manière autonome.