Amélioration de la Supply Chain
Besoin Métier
L’approvisionnement en pierres et matériaux précieux nécessite une anticipation importante.
Il est ainsi primordial pour les équipes d’approvisionnement de disposer de prévisions des ventes pertinentes afin de pouvoir commander les matériaux nécessaires à la fabrication des produits de joaillerie.
Le projet s’articule autour de deux enjeux principaux :
- Améliorer les prévisions des experts, en leur fournissant des modèles puissants capables d’exploiter des signaux faibles
- Fournir des prévisions sur les articles très peu vendus, pour lesquels les méthodes de prévisions habituelles ne fonctionnent pas
La Solution
La solution développée s’articule autour de quatre composants :
2
Estimation statistique « traditionnelle »
Utilisation de méthodes de forecasts statistiques « traditionnelles », basées sur la saisonnalité, et la tendance générale de vente chaque produit.
3
Estimation ML au produit
Utilisation de méthodes de prévisions basées sur du machine learning, capables d’extrapoler les tendances futures en fonction des tendances passées et des caractéristiques de chaque produit.
2
Estimation ML par marché
Estimation des tendances de vente à plus grosse maille, à l’échelle d’un marché et/ou d’un canal de vente (plus robuste, mais prévisions moins fines).
3
Consolidation
Consolidation des prévisions issues des trois méthodes précédentes, pour avoir des estimations les plus précises possible à l’échelle d’un produit et d’un marché.
Les Difficultés
- Hétérogénéité des produits et des marchés : les prix des produits ainsi que les volumes de vente varient du simple au centuple. Les comportements d’achats en fonction des marchés (européen, chinois, américain…) et des canaux de distribution (retail, wholesale, franchises…) sont très disparates, compliquant la tâche d’extraction de tendances.
- Prévisions intrinsèquement difficiles : certains produits ne sont vendus que quelques fois dans l’année. Extraire des tendances pertinentes à partir de volumes aussi faibles est difficile.
Stack et choix techniques
Stack technique :
- Python
- Google Big Query pour le stockage et le requêtage des données
- Dataiku pour l’exploration et le nettoyage des données (imposé par l’architecture du projet)
- PowerBI pour la mise à disposition des visualisations et des indicateurs de performance aux équipes métier
Modélisation statistiques :
- Méthode Holt-Winters pour l’estimation des saisonnalités et des tendances statistiques
- Méthodes de boosting comme LightGBM pour la modélisation machine learning
R
O
I
O
I
TEMPS - ARGENT
- Amélioration des prévisions de 10% par rapport aux prévisions des experts métiers, mesurés par la métrique WAPE.
- Gain de temps pour les experts logistiques liés à l’automatisation de l’estimation.
- In fine, meilleure anticipation des commandes de matériaux précieux, conduisant à des économies (chiffrage en cours d’évaluation).
