Retour
Hadrien Diesbecq Le 16 mars 2022

Améliorer les prévisions de vente grâce à une meilleure granularité des données

Les modèles d’intelligence artificielle n’ont jamais été aussi performants pour réaliser des prévisions de vente fiables. Pourtant, les entreprises peinent à les exploiter pleinement. Une solution consiste à traiter le problème à la source en améliorant la granularité des données.

La prévision de vente est un sujet d’une importance capitale pour les entreprises. Que ce soit pour réaliser les bons investissements ou gérer efficacement les stocks, elle est devenue une vraie composante de la stratégie de toute organisation. Ainsi, dans le secteur de la distribution, sa fiabilité est déterminante dans la négociation de contrats d’approvisionnements auprès de fournisseurs, ceux-ci devant en effet être anticipés sur plusieurs mois alors que les commandes des clients demeurent quotidiennes.

Néanmoins, il s’agit d’un exercice particulièrement complexe puisqu’il exige de modéliser avec précision les comportements et les attentes des clients. L’approche la plus courante pour le résoudre consiste à alimenter des modèles statistiques avec un très grand volume de données d’historiques de ventes. Si les entreprises ont largement investi depuis quelques années dans le développement d’algorithmes de machine learning capables de traiter ces données, elles font aujourd’hui face à un problème majeur qui limitent leur efficacité : la mauvaise qualité des données.

1) Un problème crucial mais difficile à résoudre

Pour une entreprise de produits de grande consommation, disposer de prévisions de vente fiable est aujourd’hui un réel avantage concurrentiel. En plus d’être le signe d’une bonne maîtrise de toute la chaîne d’approvisionnement, il a un fort impact sur la performance commerciale à plusieurs niveaux. En effet, il permet :

– Une gestion optimale des stocks, dont on sait que l’impact financier peut être considérable. D’une part, un produit en rupture de stock entraîne une perte directe de chiffre d’affaires car il n’est pas disponible à la vente au moment souhaité. D’autre part, elle induit des coûts de marketing supplémentaires puisque les clients souhaitant acheter le produit suite à une publicité ne pourront pas le faire et pourront choisir un substitut ou se tourner vers des produits vendus par des concurrents.
Un stock excédentaire signifie des coûts de stockage supplémentaires et une mauvaise gestion des dépenses d’achat. En outre, l’excédent peut être repris par des revendeurs qui peuvent casser les prix et ainsi concurrencer l’entreprise elle-même.

– Le pilotage efficace de la chaîne logistique composée de multiples outils et process servant à planifier la production, calculer les besoins en approvisionnement ou encore prévoir le transport des marchandises. Ici encore, de bonnes prévisions de vente permettent une bonne allocation des coûts et entraînent surtout un gain de pouvoir de négociation sur des contrats avec des fournisseurs. L’évaluation anticipée et précise de la demande permet ainsi de fixer des prix justes et adaptés.

– Une meilleure évaluation des opportunités de croissance. Avant de se lancer dans le développement d’une nouvelle ligne de produits ou dans un nouveau ciblage de clients, les entreprises ont besoin d’évaluer la dynamique du marché, les attentes des consommateurs, les raisons qui ont conduit à un succès à l’étranger ou d’un concurrent, etc. Pour déterminer ces paramètres, il convient d’avoir une vue très précise de l’activité commerciale actuelle : quels types de clients achètent quelle marque ? Quelles campagnes promotionnelles sont et seront les plus efficaces ? etc. Les prévisions de vente peuvent donc être un vrai pivot pour le développement d’une entreprise.

Dans la pratique, disposer de prévisions de vente fiables demeure difficile. C’est un véritable problème mathématique qui nécessite de développer des modèles statistiques sophistiqués. De plus, par nature, une prévision de vente n’est pas une prédiction de l’avenir. Il y aura donc toujours une incertitude qu’il convient de gérer.

2) Un paradoxe criant : des modèles perfectionnés mais largement sous-exploités

Pourtant, il y a un paradoxe. Les algorithmes d’apprentissage machine (machine learning) sont parfaitement adaptés pour solutionner ce type de problèmes d’optimisation. A partir d’un grand nombre de variables : location des sites de vente, profils des clients, périodes de l’année, actions promotionnelles, … le but est de minimiser l’écart entre la réalité anticipée (ce que l’on pense que le client va acheter) et la vraie réalité (ce que le client achète dans les faits). En se basant sur des historiques de vente, servant de données d’entrainement, les modèles sont alors en capacité de déterminer avec précision à combien va se vendre un nouveau produit. Connectés à des outils d’informatique décisionnelle (business intelligence) et de reporting, ils permettent ensuite la génération d’indicateurs de pilotage (écarts de prévisions, projection de chiffre d’affaire, évaluation des stocks) qui permettent de mieux anticiper des événements inattendus (pics de demande, retards de livraison, …) et d’assurer une bonne gouvernance au sein de l’organisation.

Néanmoins, selon l’entreprise de conseil américaine Gartner, 90% des entreprises de vente en B2B se basent sur des critères intuitifs, très peu fiables, au lieu de modèles d’analyse avancés pour réaliser des prévisions de vente.

Pourquoi ce décalage ? Le problème réside justement sur ces données d’entraînement qui sont souvent très peu fiables et à un niveau de granularité trop faible.

Ainsi, un point central que les entreprises peinent encore à résoudre aujourd’hui concerne la qualité de ces données de produits (voir également notre article sur le sujet ici). La raison est simple, ces données sont extrêmement hétérogènes. Pourquoi cela ? Parce qu’en réalité, de nombreux opérateurs humains interviennent sur toute la chaîne de valeur. Pas toujours bien équipés ou formés dans la maîtrise d’outils informatiques et ne communiquant pas entre eux, ils se retrouvent à rentrer des données manuellement dans des tableurs selon leurs propres conventions. Concrètement, comment cela fonctionne ?

– Les distributeurs (moyennes et grandes surfaces) s’approvisionnent auprès de centrales d’achat qui regroupent des produits venant de différents industriels.

– Des clients sélectionnés par des panélistes (Ifop, Kantar, Novatest, etc.) achètent les produits en grande surface et déclarent leurs achats dans des bases de données.

– Les industriels achètent les données consolidées auprès de panélistes, ou dans le cas du e-commerce, directement auprès des marketplaces (Amazon, CDiscount, La Redoute, …).

613233bf39bbf058b79e92d9_Previsions_de_vente

Les données sur les ventes passent donc par de nombreux intermédiaires très différents. A la fin, l’entreprise souhaitant effectuer des analyses sur ses ventes se retrouve à devoir manipuler des tableurs, souvent sous Excel, de mauvaise qualité et difficiles à traiter.

– La manière dont ils sont construits peut énormément varier suivant le fournisseur. Les produits peuvent être classés dans des catégories différentes, avec des attributs type marque, prix, packaging présentés dans un ordre différent.

– Ils contiennent des erreurs textuelles : fautes de frappe, d’orthographe, de traduction. Par exemple, « démaquillant » sera écrit « dmqln », « demaquillan » ou « remover ».

– La taxonomie de produits utilisée est souvent loin d’être uniformisée (une barre Mars ou Snickers pourra être désignée par « barre chocolatée », « barre glacée » ou encore « snack »).

Ces confusions et cette hétérogénéité des données produites dégradent largement la qualité des modèles de prévision des ventes. Les industriels se retrouvent avec des résultats qui portent uniquement sur des catégories vastes de produits qui ne sont pas toujours pertinentes. Comment alors dimensionner convenablement la campagne marketing d’un nouveau rouge à lèvres mat orangé si les données de vente ne concernent que la catégorie « rouge à lèvres » sans distinction entre les différentes gammes ou couleurs ?

613233be717923457b73e17a_Mauvaise_qualite_donnees_previsions_de_vente

3) Une solution : parvenir à traiter la donnée de manière très granulaire

Pour les entreprises, l’enjeu est donc d’améliorer toute la phase de préparation des données qui vont servir à alimenter les modèles de prévisions de vente. Cela passe alors par une meilleure granularité des données, c’est-à-dire avoir des informations très précises sur l’achat de chaque produit suivant ses caractéristiques propres (couleur, packaging, label, etc.), son prix, le lieu où il est vendu, la période, le type de clientèle et d’autres facteurs démographiques, géographiques ou économiques.

En disposant de telles données, les résultats délivrés par ces modèles gagnent en précision. Ils sont capables de prendre en compte l’impact sur les ventes, produit par produit, d’événements à la fois globaux (promotions nationales, ruptures de stocks, …) et locaux (campagnes promotionnelles spécifiques, retard de livraison chez un distributeur, …). À la clef, une capacité d’ajuster l’offre par rapport à la demande en temps réel, une meilleure visibilité sur les résultats commerciaux, et surtout une confiance beaucoup plus marquée de la part de toutes les parties prenantes (fournisseurs, investisseurs, clients, …).

Par ailleurs, une erreur consisterait à croire que les codes-barres (appelés aussi codes EAN) seraient une solution en identifiant de manière unique de produit. Ce n’est en réalité pas le cas pour la simple raison qu’il n’existe pas de référentiel unique qui attribue à un produit donné un code EAN permanent. Dès lors, certains codes sont réutilisés et changés régulièrement, entraînant beaucoup de confusions (pour mieux comprendre, consulter notre article à paraître sur le sujet).

Pour y parvenir, Gartner recommande plutôt aux entreprises d’investir dans des solutions de data intelligence qui permettent de gérer des données en provenance de diverses sources de vente et suivant des lignes de produits très précises et personnalisables par l’utilisateur. Le but est d’éviter au maximum le phénomène d’human-educated guessing (devinette humaine) qui consiste à essayer d’intuiter des résultats prévisionnels sans prendre en compte toute la complexité des comportements des consommateurs et leur caractère parfois contre-intuitif voire irrationnel.

613233bd7f0f77696d527f39_Bonne_qualite_donnees_previsions_de_vente

Ce que nous proposons chez YZR répond ainsi à cette problématique en permettant aux opérationnels métiers de préparer automatiquement leurs données à un niveau très fin de granularité.

En effet, nous développons un outil de préparation automatisée des données. Délivré sous la forme d’une interface et d’une API, notre outil est conçu pour améliorer la qualité des données de produits. Grâce à ses fonctionnalités de standardisation, de labellisation et de fuzzy matching, notre solution vous permettra de disposer de données très granulaires pour alimenter vos modèles de prévision de vente.

YZR est une plateforme d’intelligence artificielle no-code 100% dédiée à la normalisation de données textuelles, phase primordiale dans la préparation de vos données. Sous la forme d’un outil plug&play, elle s’adresse aux opérationnels métiers (responsables produits, acheteurs, etc.) et tous ceux qui comprennent parfaitement le contexte business dans lequel s’inscrit la donnée. Parce que notre conviction est que leurs compétences seraient bien mieux utilisées à exploiter les données plutôt qu’à perdre beaucoup de temps à les préparer manuellement.

Notre outil SaaS est ainsi spécialement conçu pour résoudre vos problématiques liées à :

– La multiplicité de vos sources de données

– L’absence de conventions de nommage

– La correction manuelle de données

– La gouvernance et le partage des données

Il s’intègre également parfaitement à vos différents outils (Product Information Management, Master Data Management, Data Science – Machine Learning, Business Intelligence), pour vous permettre d’atteindre entre autres :

– Une meilleure connaissance client

Desprévisions de ventes optimisées

Une digitalisation accélérée de votre offre.

Autrement dit, avec YZR, vous exploitez le plein potentiel de vos données.

Envie d’en savoir plus ? Vous souhaitez obtenir une démonstration de notre produit ? N’hésitez pas à nous contacter directement sur notre site ou à l’adresse hadrien@yzr.ai

Pour aller plus loin

Vous souhaitez approfondir le sujet et mieux comprendre pourquoi la qualité des données constitue un vecteur de croissance majeur pour les entreprises, n’hésitez pas à télécharger notre livre blanc disponible ici !

Sources :

– Gartner ; Adnan Zijadic, Alastair Woolcock, Tad Travis ; Improve Revenue Forecast Accuracy With Emerging Forms of Sales Forecasting Technology ; 8 avril 2020.
– Jean-Michel Huet, Julien Dutreuil ; La prévision des ventes : un art délicat ; dans L’Expansion Management Review 2010/3 (N° 138) ; pages 46 à 53.

Contenusliés