L’intelligence artificielle au service de la
prévision et de la planification de la demande
Défi
Les prévisions automatiques générées par l’ERP exigeaient encore des ajustements manuels de la part de l’équipe opérationnelle, fondés sur l’intuition.
Ces processus de prévision et de gestion des stocks, à la fois complexes et sujets aux erreurs, provoquaient des surstocks et des ruptures de stock qui se répercutaient sur les ventes.
Les prévisions de la demande de l’ERP ne tenaient pas compte des entrepôts multiples, des données aberrantes telles que celles liées à la pandémie mondiale, des groupes de clients ou de la saisonnalité.
Solution
Nettoyage des données à l’aide de processus ETL et d’ingénierie des données afin de s’assurer que les données sont dans le bon format pour la modélisation.
Création d’un modèle d’IA dans lequel les produits et les groupes de clients constituent des séries distinctes pour des prévisions plus granulaires.
Élaboration de modèles de séries temporelles ARIMA et à lissage exponentiel et recours au RMSE pour comparer leurs performances.
Détermination du modèle le plus précis en comparant les prévisions à la réalité.
Optimisation des performances du modèle – réduction du traitement de 6 jours à 11 heures.
Résultats
Économies prévues de 10 % sur les frais d’inventaire.
Disparité mensuelle moyenne entre les prévisions et la réalité a été réduite de -28,1 % à -5,3 %.
Après une année de production, l’écart entre la prévision par IA et la réalité est plus faible que pour la prévision non ajustée de l’ERP et la prévision ajustée manuellement de l’ERP.
Les équipes opérationnelles disposent de plus de temps pour examiner les prévisions et prendre des décisions plus proactives.
Rapidité d’exécution du modèle a permis une prise de décision plus rapide.
Meilleure gestion des stocks, des achats et de la planification globale de l’entreprise a permis de réduire les coûts et d’augmenter la rentabilité.