- MySales génère des prévisions sur six niveaux hiérarchiques, de la chaîne totale jusqu'aux combinaisons individuelles SKU-magasin, traitant des téraoctets de données pour les grands distributeurs.
- Le moteur nettoie automatiquement les ventes historiques, isole les facteurs d'influence (prix, promotions, météo, indicateurs macro), et sélectionne le modèle le plus performant sans intervention manuelle.
- Des algorithmes spécialisés gèrent les nouveaux articles et l'extension de la distribution, garantissant des prévisions précises même lorsque les données historiques sont limitées ou absentes.
- Le calcul intégré du stock de sécurité, les ajustements de prévisions à court terme et la modélisation de la hausse promotionnelle offrent une sortie complète et prête à commander en un seul cycle d'exécution.
Vue d'ensemble
MySales est construit sur un moteur de prévision mathématiquement rigoureux, validé sur des centaines de millions de combinaisons SKU-magasin. Il produit des prévisions de demande stables et de haute qualité pour chaque article dans chaque magasin, entièrement automatisées et à grande échelle.
Le moteur opère sur six niveaux hiérarchiques, progressant de la vue la plus agrégée jusqu'à la plus granulaire :
| Niveau | Portée |
|---|---|
| Catégorie de produit — chaîne entière | Signal de demande le plus large |
| Catégorie de produit — région | Tendances régionales de la catégorie |
| Catégorie de produit — magasin | Schémas de catégorie au niveau du magasin |
| SKU — chaîne entière | Demande de l'article sur toute la chaîne |
| SKU — région | Comportement régional de l'article |
| SKU — magasin | Unité de prévision la plus granulaire |
Cette structure hiérarchique est fondamentale. Lorsque le moteur ne peut pas déterminer une relation fiable à un niveau détaillé (par exemple, l'élasticité-prix pour un seul SKU dans un seul magasin), il s'appuie sur des niveaux supérieurs de la hiérarchie où plus de données sont disponibles. Le résultat est une prévision à la fois granulaire et statistiquement robuste.
Une chaîne avec 100 magasins et 10 000 SKU produit un million de combinaisons SKU-magasin. Multipliez cela par 3 à 4 ans d'historique quotidien, et un seul recalcul de prévision traite des gigaoctets de données pour les petites chaînes et des téraoctets pour les grandes. MySales gère cela grâce à la mise en paquets parallèles des données sur plusieurs threads de traitement.
Étape 1 : Ingestion et préparation des données
Le pipeline de prévision commence par le chargement de toutes les données pertinentes depuis le système de gestion de base de données et depuis le stockage de fichiers MySales (une couche d'optimisation qui réduit la charge de la base de données à des volumes élevés de données).
Les sources de données comprennent :
- Ventes historiques, prix, remises, niveaux de stocks et données de tickets de caisse
- Hiérarchie de produits et données de référence articles
- Hiérarchie géographique et données de référence magasins
- Sources externes : météo, indicateurs macroéconomiques et tarification concurrentielle
Pour les nouveaux magasins ou nouveaux SKU, le système complète l'historique manquant à l'aide de magasins ou d'articles analogues. Il donne toujours la priorité aux données de ventes réelles lorsqu'elles sont disponibles, n'appliquant les données analogues que pour les périodes où aucune information sur la nouvelle entité n'existe.
Une fois chargées, les données sont regroupées en paquets de traitement et distribuées sur plusieurs threads parallèles (généralement 3 à 9) pour un calcul simultané.
Étape 2 : Nettoyage des ventes et extraction de la base de référence
Avant que le moteur puisse calculer la tendance et la saisonnalité, il doit séparer les véritables schémas de demande du bruit introduit par les changements de prix, les remises, les promotions et les ruptures de stock.
Le nettoyage primaire des ventes supprime les effets de ces facteurs d'influence de l'historique. Plutôt que d'abandonner complètement les périodes affectées, MySales isole et quantifie l'impact de chaque facteur. Cela préserve autant d'historique de ventes que possible, ce qui est essentiel dans les environnements de distribution où la rotation fréquente de l'assortiment laisse peu de périodes non affectées.
Les périodes avec des ventes perdues significatives causées par des ruptures de stock ou un inventaire insuffisant sont exclues à chaque étape de l'analyse.
Cette approche de nettoyage permet une estimation fiable de la tendance et de la saisonnalité même lorsque l'historique des ventes est aussi court qu'un an. Lorsque des lacunes subsistent, le moteur les comble en utilisant des données provenant de niveaux de prévision plus élevés dans la hiérarchie.
Le calcul de la saisonnalité utilise simultanément les deux méthodes :
| Méthode | Quand elle s'applique |
|---|---|
| Saisonnalité multiplicative (indice saisonnier) | La volatilité saisonnière s'adapte à la tendance globale |
| Saisonnalité additive | La variation saisonnière reste constante quelle que soit la tendance |
Le système sélectionne automatiquement la méthode qui convient le mieux à chaque combinaison. Au niveau du groupe de produits, il calcule également la saisonnalité du prix moyen du groupe, capturant la tendance des pics de demande saisonniers à coïncider avec des prix moyens plus élevés.
Le calcul de la tendance suit. Après suppression des effets du prix, de la remise, de la promotion et de la saisonnalité, le moteur calcule la tendance globale de croissance ou de déclin des ventes, ainsi que les ventes moyennes et médianes à partir des données nettoyées.
Étape 3 : Analyse des facteurs d'influence et sélection du modèle
Avec une base de référence propre établie, le moteur se tourne vers la quantification de l'influence de chaque facteur externe sur la demande.
L'analyse des dépendances évalue la relation entre les ventes et chaque facteur d'influence : prix, remise, météo, indicateurs macroéconomiques (tels que les taux de change), effets de cannibalisation et autres. Lors de l'évaluation de chaque facteur, le système supprime sélectivement l'impact des facteurs plus dominants (par exemple, les promotions et la saisonnalité) pour isoler le véritable effet.
Lors de l'analyse de la dépendance au prix, le système évalue également les tendances d'inflation ou de déflation pour nettoyer les prix historiques des distorsions nominales.
Plusieurs facteurs sont analysés séparément pour les basses, moyennes et hautes saisons. Par exemple, l'élasticité-prix des glaces diffère substantiellement entre l'hiver et l'été. Le moteur capture ces distinctions automatiquement, produisant des coefficients spécifiques à chaque saison plutôt que des moyennes annuelles mixtes.
Le moteur remplit ensuite deux matrices :
- Matrice de prédicteurs historiques -- les valeurs observées de tous les facteurs d'influence sur la période historique, y compris les métriques dérivées telles que le ratio entre le prix de la période actuelle et le prix moyen sur les périodes précédentes.
- Matrice de prédicteurs futurs -- les valeurs projetées pour chaque facteur, utilisant une approche différenciée : moyennes simples ou médianes pour certains facteurs, valeurs prévisionnelles pour d'autres, et données saisies par l'utilisateur (plans d'assortiment, prix futurs, calendriers promotionnels) lorsqu'elles sont disponibles.
Des coefficients de corrélation sont calculés à partir de ces matrices, et le moteur forme automatiquement des modèles de prévision candidats à partir des facteurs qui démontrent une influence significative sur les ventes.
Les tests et la sélection du modèle suivent. Le moteur évalue à la fois les modèles générés automatiquement et les modèles préconfigurés par rapport à la précision historique des ventes. Pendant l'évaluation, les périodes d'inventaire insuffisant et les promotions à fort impact sont exclues. Le modèle avec la meilleure précision historique est sélectionné.
Étape 4 : Génération et affinement des prévisions
Une fois le meilleur modèle sélectionné, le moteur génère la prévision pour les périodes futures. Une série de procédures d'affinement garantit ensuite la stabilité et la fiabilité.
Les affinements post-génération comprennent :
- Calcul des valeurs minimales de ventes pour éviter les prévisions irréalistement basses
- Analyse d'autocorrélation de l'erreur du modèle, utilisée pour ajuster la prévision pour les semaines à venir
- Calcul du prédicteur AutoMult, qui (selon la configuration) ajuste la prévision pour les 6 prochaines semaines en fonction du ratio entre la prévision moyenne et les ventes réelles moyennes au cours des 3 dernières semaines
La hausse promotionnelle est calculée ensuite. Le moteur applique des coefficients de hausse générés par un ensemble de réseaux de neurones, ou utilise des données de promotions historiques comparables lorsqu'elles sont identifiées. Les hausses sont adaptées aux caractéristiques individuelles de chaque combinaison SKU-magasin, avec des limites minimales et maximales appliquées pour garantir des résultats stables pour les articles avec un historique promotionnel limité.
Après le calcul de la hausse promotionnelle, le moteur effectue un rééquilibrage du modèle sur tous les facteurs d'influence. Cette étape est nécessaire car les effets du prix et de la promotion sont souvent fortement corrélés, et le rééquilibrage garantit que la prévision promotionnelle combinée reste cohérente en interne.
Une fonctionnalité optionnelle contrôle la distribution des prévisions promotionnelles entre les magasins. Si la prévision promotionnelle d'un magasin dévie de plus de +/-30 % (configurable) par rapport à la moyenne du groupe, le système la ramène dans la fourchette. Cela prévient les prévisions peu fiables pour les magasins avec un historique limité où l'élasticité-prix et d'autres dépendances n'ont pas pu être déterminées avec confiance.
Étape 5 : Stock de sécurité, ajustements à court terme et sorties finales
Le cœur de la prévision étant complet, le moteur calcule les sorties opérationnelles requises pour le réapprovisionnement.
Le stock de sécurité est calculé comme l'écart type de l'erreur de prévision par rapport aux ventes historiques. Pour capturer la variation saisonnière de la volatilité de la demande, la prévision est divisée en trois plages (haute, moyenne et basse saison), et le stock de sécurité est calculé séparément pour chacune.
L'ajustement de prévision à court terme affine les 2 prochaines semaines (configurable) en utilisant les ventes quotidiennes moyennes des 7 à 14 derniers jours de périodes en stock. Le système charge les 28 derniers jours de données de ventes, identifie les jours où l'article était disponible, et calcule les ventes quotidiennes moyennes séparément pour les périodes promotionnelles et non promotionnelles. Les pics saisonniers sont exclus, et les moyennes sont ajustées en fonction de la saisonnalité, du prix, de la météo et d'autres facteurs. Le résultat apparaît sous la forme du prédicteur Ajustement quotidien.
Sorties finales supplémentaires :
| Sortie | Objectif |
|---|---|
| Ajustement de la prévision principale | Intègre les remplacements manuels saisis par l'utilisateur |
| Recommandations de prix | Détermine les points de prix optimaux pour le chiffre d'affaires ou la marge |
| Estimation de l'effet économique historique | Quantifie les gains potentiels d'une augmentation des ventes, identifie les ventes perdues dues à des facteurs inconnus et estime les réductions potentielles des stocks |
Algorithmes spéciaux
MySales inclut des algorithmes spécialement conçus pour deux scénarios où les approches de prévision standard atteignent leurs limites.
Nouveaux articles sans analogues assignés. Lorsqu'un nouvel article entre dans l'assortiment et qu'aucun analogue n'a été assigné, le moteur utilise les ventes d'un article moyen dans le groupe de produits. Il ajuste cette base de référence pour l'élasticité-prix du groupe en utilisant le prix spécifique du nouvel article, et applique des contraintes supplémentaires pour garantir des résultats stables et précis.
Extension de la distribution. Lorsqu'un article s'étend d'un sous-ensemble de magasins à un périmètre plus large, le moteur génère des prévisions pour les magasins sans historique de ventes antérieur.
Considérons un article précédemment vendu dans 10 des 30 magasins d'une région. Sur la base de bonnes performances, un responsable de catégorie le référence dans les 30 magasins. Pour les 20 nouveaux magasins, le moteur s'appuie sur les dynamiques de ventes au niveau SKU-région, groupe de produits-région et groupe de produits-magasin pour produire une prévision là où aucun historique au niveau du magasin n'existe.
L'ensemble complet des facteurs d'influence utilisés par le système est défini par l'utilisateur et peut être personnalisé pour correspondre à l'environnement de données spécifique et aux exigences commerciales de chaque distributeur.
Ce que cela signifie pour votre activité
Le moteur de prévision MySales est conçu pour éliminer l'effort manuel et les approximations qui caractérisent la planification traditionnelle de la demande. Chaque étape du pipeline, du nettoyage des données à la sélection du modèle jusqu'au calcul de la hausse promotionnelle, s'exécute automatiquement et s'adapte aux caractéristiques spécifiques de chaque combinaison SKU-magasin.
Pour les distributeurs de grande taille, cela offre trois résultats concrets. Premièrement, la précision des prévisions s'améliore car le moteur évalue chaque facteur de demande significatif et sélectionne le meilleur modèle parmi des centaines de candidats — ce qu'aucune équipe d'analystes ne peut reproduire manuellement à grande échelle. Deuxièmement, l'efficacité opérationnelle augmente car l'ensemble du pipeline, y compris le stock de sécurité et les ajustements à court terme, s'exécute de bout en bout sans intervention humaine. Troisièmement, les cas particuliers sont traités systématiquement : les lancements de nouveaux produits, l'extension de la distribution et les articles avec un historique limité reçoivent tous un traitement algorithmique spécialement conçu plutôt que des solutions ad hoc.
Le résultat est une base de prévision qui évolue avec votre activité, de quelques centaines de SKU à plusieurs centaines de milliers, sans augmentations proportionnelles des effectifs de planification ou de la complexité.