Prédiction de la demande pour optimisation des stocks

Optimisez les stocks pour mieux répondre à la demande et réduire les ruptures comme les excédents.

AchatsLogistique

1. Quel était le besoin ?

Notre entreprise de distribution de pièces automobiles avait un taux de rupture de stock de 15% et un surstock de 25% sur certaines références. Les commandes urgentes coûtaient très cher et les invendus pesaient sur la trésorerie.

2. Solutions apportées

Développement d'un modèle de machine learning de prévision de la demande intégrant les historiques de ventes, la saisonnalité, les tendances du marché automobile et les données météo. Dashboard de pilotage avec alertes automatiques.

3. Comment

Collecte et nettoyage de 3 ans d'historique de ventes, enrichissement avec données externes, entraînement de modèles XGBoost et LSTM, sélection du meilleur modèle, intégration dans l'ERP via API, formation des équipes approvisionnement.

Apport de l'IA

Réduction du taux de rupture de 15% à 4%. Diminution du surstock de 25% à 8%. Économie annuelle estimée à 180 000€. Amélioration du taux de service client de 12 points.