Mieux gérer l'incertitude dans le retail avec la prévision hybride de la demande

La crise du Covid-19 nous montre à quel point l'imprévisible est un défi pour les chaines d'approvisionnement. Plus que jamais, la performance des marques et des distributeurs dépend étroitement de leur capacité à gérer la complexité et l'incertitude.

Au cours de la dernière décennie, la digitalisation du commerce a bouleversé les supply chains et engagé les retailers dans une transformation profonde de leur stratégie, de leurs process et de leurs outils. Les exigences des consommateurs, les changements incessants dans les tendances d’achat et la croissance exponentielle des données à gérer sont autant de facteurs devenus déterminants. La performance des marques et des enseignes dépend aujourd’hui étroitement de leur capacité à gérer efficacement la complexité et l’incertitude qui découlent de ces évolutions.

La crise que nous vivons actuellement à l’échelle mondiale, si exceptionnelle qu’elle soit, nous montre à quel point l’incertain et l’imprévisible sont un défi pour les chaines d’approvisionnement. Et à quel point la résilience des supply chains est vitale. Être prêt à répondre à ce qui n’était pas prévu – qu’il s’agisse d’un simple pic de demande ou d’une crise majeure – est évidemment une question de réactivité et d’agilité. Mais pour réagir rapidement et efficacement, il faut d’abord savoir identifier les tendances sur le (très) court terme et interpréter l’impact qu’elles vont avoir sur la demande.

La demande est impossible à prévoir de manière parfaite, car elle est influencée par une infinité de variables connues et inconnues. Selon une étude de KPMG, seules 22% des prévisions des entreprises atteignent un taux de précision de 95%. En moyenne, elles ont un taux de précision de 87%, ce qui a évidemment un impact important sur les performances de vente. Beaucoup de prévisionnistes utilisent des méthodes classiques basées sur les moyennes pondérées et les historiques de vente. Si elles sont confortables et faciles à mettre en œuvre, ces méthodes sont toutefois insuffisantes dans la mesure où elles ne prennent pas en compte les données online et les données exogènes. Or ce sont ces données qui peuvent fournir une vue quasi-temps réel de la demande et de ce qui l’influence.

Pour saisir et comprendre la demande réelle, il est aujourd’hui nécessaire de mettre en place des systèmes intelligent et auto-apprenant, capables de prévoir la demande des consommateurs avec un niveau de précision plus élevé. Il s’agit de systèmes hybrides qui utilisent différentes techniques de prévision et un plus large éventail de données – notamment les données exogènes.

Réagir plus rapidement aux variations de la demande

L’un des grands avantages d’une telle approche hybride est pouvoir intégrer immédiatement les tendances de très court terme dans les prévisions. Au lieu d’utilise les mêmes prévisions à 60 ou 90 jours, les planificateurs peuvent s’appuyer sur de nouvelles données actualisées en permanence pour affiner les prévisions en continu. La capacité à réagir à la demande plus vite et plus fréquemment permet d’augmenter les performances commerciales (plus de conversions, moins de ruptures de stocks, …) tout en diminuant les surstocks.

Voici les principaux bénéfices d’une approche hybride de la prévision de la demande :

Rationalisation du planning en amont
Meilleure efficacité de la planification de production
Ajustement continu des stocks en amont
Réduction du différentiel flux entrants / flux sortants
Des prévisions saisonnières plus précises
Le juste stock pour les nouveaux produits
Amélioration des performances des promotions

Mettre en place un modèle de prévision de la demande hybride

Détecter la demande réelle est complexe et chaque nouvelle donnée peut améliorer la réactivité et les performances commerciales. Trois éléments clés sont à prendre en compte :

Prévisions à court terme avec les données de vente aux distributeurs : Le moyen le plus simple pour les entreprises de mieux détecter la demande est d'utiliser les données historiques les plus fines disponibles. Cela implique généralement d'analyser les données quotidiennes de vente/expédition sur des périodes courtes et d'ajuster les prévisions en conséquence. Ce type de détection de la demande tient compte de l'historique des expéditions, qui est facilement disponible dans la plupart des systèmes de planification de la supply chain et/ou des systèmes ERP. Certains outils de planification comprennent des prévisions statistiques à court terme afin d'améliorer la réactivité des prévisions aux changements de la demande en cours.
Intégration des données de vente aux clients finaux : Lorsque l'on évalue la demande, il est important de réfléchir à toutes les sources de données possibles et utiles qui pourraient améliorer les prévisions. Les données sur les ventes en aval (clients, points de vente ou canaux web, par exemple) peuvent aider à identifier les tendances de la demande, à donner rapidement des alertes sur les problèmes et à combler l'écart entre le plan et ce qui se passe réellement dans la chaîne d'approvisionnement.
Ajouter des données externes : La détection de la demande peut et doit également intégrer des variables corrélées à la demande pour produire des prévisions fiables et adaptables à un large éventail d'événements futurs, du prévisible à l’imprévisible. Il s'agit notamment des fluctuations boursières, des promotions des concurrents, des tendances sur les réseaux sociaux, du lancement de nouveaux produits ou encore des conditions météorologiques. Lorsque ces trois éléments sont réunis, il est possible d’obtenir une vue plus complète de la demande.

Une supply chain hyper réactive

Il existe d'innombrables variables internes et externes qui ont un impact sur la variabilité de la demande, et celles-ci ne feront qu'augmenter avec le temps – qui plus est avec la période de bouleversements économiques majeurs déclenchée par la crise du Covid-19.

Le meilleur outil dont nous disposons pour gérer la variabilité et garantir un service élevé est le stock. La détection de la demande aide les entreprises à utiliser les stocks de manière optimale. Elle extrait les signaux importants du flux incessant de données pour affiner la précision des prévisions, améliorer la visibilité de la demande à court terme et minimiser les stocks – tout en améliorant le service aux clients. Les entreprises qui investissent aujourd'hui dans les outils, les processus et les compétences nécessaires pour renforcer leurs capacités de détection de la demande peuvent vraiment être prêtes pour tout ce que demain pourrait réserver.