Innovation

Samuel Demont, directeur et Bertrand Allard, partner chez Argon & Co

Le machine learning comme aide à la prévision

Option Finance - 20 Mars 2020 - Parole d'expert

Prévoir : voilà une tâche délicate et difficile dans un monde de plus en plus complexe et incertain. Il est impossible de prévoir certains événements ou chocs ; pour autant, les entreprises ont besoin d’élaborer des prévisions fiables, ne serait-ce que pour mieux gérer la demande et optimiser l’utilisation des moyens. Une démarche dans le cadre de laquelle le machine learning peut les accompagner. Samuel Demont (en haut), directeur, et Bertrand Allard, partner chez Argon & Co, partagent des cas d’application concrets du machine learning dans la prévision.

Etude de cas dans le secteur de la restauration, hôtellerie, santé

Tout l’enjeu pour une centrale d’achat consiste à démarcher les clients potentiels, afin que ces derniers lui confient la gestion de leurs dépenses d’achats courants et s’appuient sur son catalogue de fournisseurs référencés. Pour être pertinents et cibler les prospects et catégories d’achat à forte opportunité, les commerciaux ont besoin d’avoir une estimation des dépenses achats. Si les dépenses d’investissement sont difficiles à prédire à la maille d’un seul établissement et à confier à une centrale d’achat, ce n’est pas le cas des dépenses d’exploitation récurrentes. Le machine learning et l’exploitation de données exogènes permettent alors, dans le cadre de cette démarche, d’obtenir un degré élevé de fiabilité des prédictions.

Quelle a été l’approche d’Argon & Co ?

Concrètement, nous nous sommes appuyés sur les données comptables historiques des établissements qui utilisent déjà la centrale d’achat. Après une qualification des données, enrichies avec des données externes, nos data scientists ont identifié une trentaine de critères clés. Ils traduisent des indicateurs macroscopiques de performance de l’établissement, des données sur la marque et la localisation, ainsi que des critères publics sur les services et agréments. Nos ingénieurs ont également développé une série d’algorithmes adaptés par sous-famille d’achats, qu’ils ont testés afin d’obtenir un bon taux de fiabilité de l’estimation de la dépense à la maille établissement.

Par exemple, la dépense trimestrielle de restauration peut être estimée à 2 % près par sous-famille à la maille d’une marque ou d’un pays et à 10 % près pour un client donné.A partir de ces éléments, les commerciaux de la centrale d’achat peuvent désormais prédire les dépenses et engager une discussion commerciale plus fournie, factuelle et argumentée avec les prospects qu’ils souhaitent faire adhérer à la centrale d’achat.

Etude de cas dans le secteur de la grande distribution

L’activité drive des enseignes de la grande distribution, en forte croissance en France, fait cependant face à une variabilité d’activité à la journée très importante, due à différents facteurs (promotions, concurrence, météo, vacances scolaires, etc.). Réaliser une prévision fiable de l’activité à court terme de chaque drive est donc essentiel pour garantir un taux de service élevé et accompagner la croissance de la demande. D’autant plus que plus de 60 % des commandes sont passées pour un retrait quelques heures plus tard le jour même. Il est alors trop tard pour adapter les ressources en magasin.

Quelle a été l’approche d’Argon & Co ?

Pour accompagner dans cette démarche de prédiction l’un de nos clients qui opère plusieurs centaines de drives, six à sept jours par semaine, nos équipes data ont développé un modèle prédictif qui utilise des algorithmes de machine learning. Il prédit pour chaque jour, sur les 14 prochains jours, le volume d’activité drive en chiffre d’affaires, en nombre de commandes et en nombre d’articles à préparer.

Cette modélisation utilise les données historiques de chaque drive, ainsi que des données marketing et externes. L’utilisation du machine learning dans cette problématique permet de modéliser avec succès plusieurs facteurs complexes : saisonnalité de l’activité sur l’année et à la semaine, indicateurs de tendance sur chaque site… Par exemple, une croissance de 15 % d’activité sur une journée ne sera pas interprétée de la même manière pour les prévisions futures d’un drive A et d’un drive B. Face à des centaines de drives, seule une approche autoapprenante peut être pertinente pour analyser et classifier ces situations chaque jour.

Cette prédictibilité d’activité permet au directeur de magasin d’adapter au mieux ses ressources et ses stocks. Il pilote également en temps réel les créneaux de retrait ouverts à la vente afin de maximiser son chiffre d’affaires sans prendre le risque de ne pas pouvoir servir les commandes.

De manière plus générale, les consultants et data scientists d’Argon & Co accompagnent les dirigeants dans leurs projets de transformation digitale et data. Nous combinons notre expertise métier reconnue et notre maîtrise de la data science au service de la performance d’entreprise, dans les domaines des opérations (supply chain, logistique, achat) et des fonctions support (finance, RH).