Machine learning et analyse prédictive : Les piliers de la solution Vekia.
Deux termes et deux procédés qui sont aujourd’hui au centre de l’activité de Vekia et de sa solution.
Comment ces deux termes sont-ils liés et quels bénéfices peuvent-ils apporter au monde de la logistique et la supply chain ?
L’anticipation, et donc la capacité de prédire le futur sont des sujets, qui, à l’ère du déploiement de l’intelligence artificielle et du machine learning sont en développement dans la totalité des secteurs d’activités.
Cette capacité de vision sur les possibles évènements et probabilités futures et d’autant plus essentielle dans le secteur de la supply chain, où les réapprovisionnements, la gestion des stocks et les commandes futures sont impératifs pour assurer la pérénité du commerce mondial.
Cette anticipation passe aujourd’hui par différents procédés et concepts que nous allons ici développer.
Analyse prédictive et prévision.
Des pratiques devenues indispensables pour les entreprises.
L’analyse prédictive représente une branche importante de l’optimisation des réapprovisionnements. La fragilité des supply chain a été illustré le 24 mars dernier, quand le porte conteneur Ever Given bloquait le Canal de Suez, paralysant le commerce international et engendrant des millions de dollars de pertes en seulement quelques jours.
C’est pourquoi de plus en plus d’entreprises optent pour une meilleure visibilité sur leur stock et se dotent d’outils capable de les aider dans leur gestion, via notamment des propositions de commandes.
Qu’est ce qu’une bonne prévision ?
Les prévisions probabilistes.
Traditionnellement, les prévisions sont réalisées à partir d’indicateurs mathématiques. Cependant, ceux-ci ne sont pas toujours adaptés aux réalités de votre activité (activité saisonnière ou impactée par la crise sanitaire, par exemple). Ils répondent à un objectif inadapté : savoir ce qu’il “va” se passer. Or, l’intérêt est plutôt de savoir ce qu’il “peut” se passer. C’est pour cette raison que nous utilisons chez Vekia des prévisions probabilistes.
Le principe est simple : une bonne prévision prend en compte la probabilité que celle-ci arrive. Nos solutions permettent de mettre en lumière plusieurs scénarios afin de choisir le plus probable et celui qui répond au mieux aux objectifs business de l’entreprise.
Afin de tester notre solution, nous avons réalisé une expérimentation dans le cadre d’une campagne promotionnelle dans la grande distribution. Lors de ce test, nous avons réalisé, avec la prévision probabiliste, une augmentation de 26% du chiffre d’affaires et une diminution de 42% du stock résiduel.
La transformation digitale des entreprises.
Chez Vekia, nous sommes persuadés que la data a un rôle primordial dans l’amélioration des prévisions.
En utilisant un très grand nombre de données et en les mettant à jour régulièrement, il est possible d’optimiser considérablement la performance de sa supply chain.
Grâce à notre partenariat avec la société Silverprod Group, nous pouvons intégrer notre solution de supply chain dans un processus global de transformation digitale.
Cela permet de choisir des solutions logicielles adaptées à la gestion des stocks, de définir un processus collaboratif d’anticipation des ventes et de mettre en place un projet de conduite du changement.
Le machine learning, fondement de l’analyse prédictive.
L’analyse prédictive et la mise en place de propositions de commandes est réalisable grâce au machine learning, sur lequel celle ci repose.
En nourrissant les algorithmes avec des données de ventes antérieures ou des données d’entraînements, ceux ci sont capables d’apprendre et donc de faire des prédictions et des propositions sur les ventes futures.
La donnée pour prédire le futur.
Réaliser une analyse prédictive commence d’abord par une première étape : la collecte de données. Celles ci sont dans la plupart du temps déjà existantes et peuvent être extraites des logiciels utilisés par les entreprises (ERP par exemple).
Plus les données sont importantes en terme quantitatif et plus les résultats des prévisions seront pertinent et précis. Elles peuvent être aussi bien quantitatives que qualitatives ou ordinales.
Une fois ces données collectées, celles-ci sont identifiées, filtrées si besoin et serviront ensuite à l’élaboration d’un modèle prédictif. Celui-ci sera établi par rapport à l’objectif fixé initialement.
Ce modèle prédictif est donc mathématique et permettra à terme de prévoir et d’anticiper (grâce à ce qu’il a apprit et retenu auparavant) une action future. Il existe alors différents type d’algorithmes de machine learning différents : la régression linéaire et non linéaire, les réseaux de neurones, les machines à vecteurs de support ou encore les arbres de décision.
Les applications sont ici multiples : anticiper le comportement client et mieux le cibler, prédire le besoin de passer une commande auprès de ses fournisseurs pour une pièces ou référence particulière, mais également dans le domaine de la finance, de la santé, de l’automobile (véhicules autonomes) etc..