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 %...