Pr\u00e9voir\u00a0: voil\u00e0 une t\u00e2che d\u00e9licate et difficile dans un monde de plus en plus complexe et incertain. Il est impossible de pr\u00e9voir certains \u00e9v\u00e9nements ou chocs\u00a0; pour autant, les entreprises ont besoin d\u2019\u00e9laborer des pr\u00e9visions fiables, ne serait-ce que pour mieux g\u00e9rer la demande et optimiser l\u2019utilisation des moyens. Une d\u00e9marche dans le cadre de laquelle le machine learning peut les accompagner. Samuel Demont, Directeur, et Bertrand Allard, Partner chez Argon\u00a0&\u00a0Co, partagent des cas d\u2019application concrets du machine learning dans la pr\u00e9vision.<\/strong><\/span><\/p>\n Tout l\u2019enjeu pour une centrale d\u2019achat consiste \u00e0 d\u00e9marcher les clients potentiels, afin que ces derniers lui confient la gestion de leurs d\u00e9penses d\u2019achats courants et s\u2019appuient sur son catalogue de fournisseurs r\u00e9f\u00e9renc\u00e9s. Pour \u00eatre pertinents et cibler les prospects et cat\u00e9gories d\u2019achat \u00e0 forte opportunit\u00e9, les commerciaux ont besoin d\u2019avoir une estimation des d\u00e9penses achats. Si les d\u00e9penses d\u2019investissement sont difficiles \u00e0 pr\u00e9dire \u00e0 la maille d\u2019un seul \u00e9tablissement et \u00e0 confier \u00e0 une centrale d\u2019achat, ce n\u2019est pas le cas des d\u00e9penses d\u2019exploitation r\u00e9currentes. Le machine learning et l\u2019exploitation de donn\u00e9es exog\u00e8nes permettent alors, dans le cadre de cette d\u00e9marche, d\u2019obtenir un degr\u00e9 \u00e9lev\u00e9 de fiabilit\u00e9 des pr\u00e9dictions.<\/p>\n Concr\u00e8tement, nous nous sommes appuy\u00e9s sur les donn\u00e9es comptables historiques des \u00e9tablissements qui utilisent d\u00e9j\u00e0 la centrale d\u2019achat. Apr\u00e8s une qualification des donn\u00e9es, enrichies avec des donn\u00e9es externes, nos data scientists ont identifi\u00e9 une trentaine de crit\u00e8res cl\u00e9s. Ils traduisent des indicateurs macroscopiques de performance de l\u2019\u00e9tablissement, des donn\u00e9es sur la marque et la localisation, ainsi que des crit\u00e8res publics sur les services et agr\u00e9ments. Nos ing\u00e9nieurs ont \u00e9galement d\u00e9velopp\u00e9 une s\u00e9rie d\u2019algorithmes adapt\u00e9s par sous-famille d\u2019achats, qu\u2019ils ont test\u00e9s afin d\u2019obtenir un bon taux de fiabilit\u00e9 de l\u2019estimation de la d\u00e9pense \u00e0 la maille \u00e9tablissement.<\/p>\n Par exemple, la d\u00e9pense trimestrielle de restauration peut \u00eatre estim\u00e9e \u00e0 2 % pr\u00e8s par sous-famille \u00e0 la maille d\u2019une marque ou d\u2019un pays et \u00e0 10 % pr\u00e8s pour un client donn\u00e9. A partir de ces \u00e9l\u00e9ments, les commerciaux de la centrale d\u2019achat peuvent d\u00e9sormais pr\u00e9dire les d\u00e9penses et engager une discussion commerciale plus fournie, factuelle et argument\u00e9e avec les prospects qu\u2019ils souhaitent faire adh\u00e9rer \u00e0 la centrale d\u2019achat.<\/p>\n L\u2019activit\u00e9 drive des enseignes de la grande distribution, en forte croissance en France, fait cependant face \u00e0 une variabilit\u00e9 d\u2019activit\u00e9 \u00e0 la journ\u00e9e tr\u00e8s importante, due \u00e0 diff\u00e9rents facteurs (promotions, concurrence, m\u00e9t\u00e9o, vacances scolaires, etc.). R\u00e9aliser une pr\u00e9vision fiable de l\u2019activit\u00e9 \u00e0 court terme de chaque drive est donc essentiel pour garantir un taux de service \u00e9lev\u00e9 et accompagner la croissance de la demande. D\u2019autant plus que plus de 60 % des commandes sont pass\u00e9es pour un retrait quelques heures plus tard le jour m\u00eame. Il est alors trop tard pour adapter les ressources en magasin.<\/p>\n Pour accompagner dans cette d\u00e9marche de pr\u00e9diction l\u2019un de nos clients qui op\u00e8re plusieurs centaines de drives, six \u00e0 sept jours par semaine, nos \u00e9quipes data ont d\u00e9velopp\u00e9 un mod\u00e8le pr\u00e9dictif qui utilise des algorithmes de machine learning. Il pr\u00e9dit pour chaque jour, sur les 14 prochains jours, le volume d\u2019activit\u00e9 drive en chiffre d\u2019affaires, en nombre de commandes et en nombre d\u2019articles \u00e0 pr\u00e9parer.<\/p>\n Cette mod\u00e9lisation utilise les donn\u00e9es historiques de chaque drive, ainsi que des donn\u00e9es marketing et externes. L\u2019utilisation du machine learning dans cette probl\u00e9matique permet de mod\u00e9liser avec succ\u00e8s plusieurs facteurs complexes : saisonnalit\u00e9 de l\u2019activit\u00e9 sur l\u2019ann\u00e9e et \u00e0 la semaine, indicateurs de tendance sur chaque site\u2026 Par exemple, une croissance de 15 % d\u2019activit\u00e9 sur une journ\u00e9e ne sera pas interpr\u00e9t\u00e9e de la m\u00eame mani\u00e8re pour les pr\u00e9visions futures d\u2019un drive A et d\u2019un drive B. Face \u00e0 des centaines de drives, seule une approche autoapprenante peut \u00eatre pertinente pour analyser et classifier ces situations chaque jour.<\/p>\n Cette pr\u00e9dictibilit\u00e9 d\u2019activit\u00e9 permet au directeur de magasin d\u2019adapter au mieux ses ressources et ses stocks. Il pilote \u00e9galement en temps r\u00e9el les cr\u00e9neaux de retrait ouverts \u00e0 la vente afin de maximiser son chiffre d\u2019affaires sans prendre le risque de ne pas pouvoir servir les commandes.<\/p>\n De mani\u00e8re plus g\u00e9n\u00e9rale, les consultants et data scientists d\u2019Argon & Co accompagnent les dirigeants dans leurs projets de transformation digitale et data. Nous combinons notre expertise m\u00e9tier reconnue et notre ma\u00eetrise de la data science au service de la performance d\u2019entreprise, dans les domaines des op\u00e9rations (supply chain, logistique, achat) et des fonctions support (finance, RH).<\/p>\n Lire tout l’article sur le site optionfinance.fr<\/a><\/p>\nEtude de cas dans le secteur de la restauration, h\u00f4tellerie, sant\u00e9<\/h3>\n
Quelle a \u00e9t\u00e9 l\u2019approche d\u2019Argon & Co ?<\/strong><\/h3>\n
Etude de cas dans le secteur de la grande distribution<\/h3>\n
Quelle a \u00e9t\u00e9 l\u2019approche d\u2019Argon & Co ?<\/strong><\/h3>\n