COVID-19. Forte inflation. Incertitude du marché.
Les entreprises de biens de consommation continuent de subir des pressions pour conserver un semblant de contrôle sur leur chaîne d’approvisionnement, même après des années de perturbations intenses. Les processus de prévision manuels utilisés par de nombreuses entreprises pour rester centrées sur le chaos ont été poussés au-delà de leurs limites. La demande des consommateurs évolue constamment en fonction des dernières projections économiques sombres, ce qui fait que les entreprises qui s’appuient sur des prévisions basées sur des données de commandes historiques sont incapables de prédire avec précision l’avenir, même le plus proche.
Les entreprises qui cherchent à s’affranchir de l’immense pression exercée par ces perturbations se tournent de plus en plus vers la détection de la demande pour y parvenir. La détection de la demande fait référence à la pratique consistant à intégrer des données internes aux données des points de vente des détaillants et à d’autres sources de données externes afin de créer et d’ajuster les prévisions à court terme. L’inclusion de données externes et l’utilisation de logiciels d’apprentissage automatique aident les entreprises à “sentir” ce qui se passe au niveau de la demande des consommateurs et à apporter des changements en conséquence. Les prévisions élaborées à l’aide de solutions de détection de la demande sont plus précises et plus rapides à ajuster que celles créées à l’aide de processus de prévision traditionnels.
La haute précision et la réduction des coûts obtenues grâce à la détection de la demande arrivent à un moment où les entreprises de biens de consommation ont cruellement besoin de ces deux éléments. Et les avantages vont au-delà des climats économiques incertains. Les entreprises qui cherchent à surmonter les difficultés économiques devraient améliorer les processus de leur chaîne d’approvisionnement grâce à la détection de la demande, une solution qui s’avère rapidement rentable et qui permet aux entreprises d’économiser du temps et de l’argent à l’avenir.
Les solutions de détection de la demande s’appuient sur les données et l’apprentissage automatique pour améliorer la précision et la flexibilité.
L’argument en faveur de l’utilisation d’une solution de prévision basée sur la détection de la demande et l’apprentissage automatique par rapport à la prévision traditionnelle (et souvent plus manuelle) se résume en grande partie aux données, à savoir la capacité à traiter rapidement et avec précision de grandes quantités de données provenant de nombreuses sources.
L’utilisation exclusive de données internes et historiques sur les commandes limite le potentiel de prévision.
Les décideurs et les planificateurs de la chaîne d’approvisionnement ont traditionnellement élaboré des prévisions basées sur les données internes et historiques des commandes. La logique est saine jusqu’à un certain point. Mais la dépendance à l’égard du traitement manuel des données de commandes internes et historiques présente quelques lacunes majeures :
- Les données internes et historiques sur les commandes ne peuvent pas tenir compte des perturbations externes sans précédent qui modifient fondamentalement la demande des consommateurs d’une année sur l’autre. (Par exemple : La demande en avril 2020 était certainement différente de celle d’avril 2019).
- Les données internes et historiques sur les commandes ne peuvent pas détecter les changements dans la demande des consommateurs qui se produisent en quelques jours – changements causés par des événements imprévus comme les tendances des médias sociaux ou les promotions inattendues des détaillants et les changements de prix.
- Les données internes et historiques sur les commandes ne permettent pas d’anticiper les commandes des détaillants qui surviennent après le remplissage initial du pipeline pour des événements planifiés tels que l’introduction et l’arrêt de produits, les changements saisonniers et les changements d’assortiment.
Les entreprises de biens de consommation devraient éviter ces pièges même dans des situations économiques plus favorables, mais ces problèmes sont particulièrement coûteux sur le marché actuel. Les prévisions manuelles exigent des planificateurs qu’ils manipulent des quantités massives de données. De plus, la demande peut changer radicalement en l’espace de quelques jours, ce qui crée une situation où les planificateurs réagissent constamment aux changements sans jamais pouvoir les rattraper. Ces imprécisions dans les prévisions conduisent en fin de compte à des gaspillages, en particulier pour les entreprises qui traitent des produits frais ou d’autres marchandises dont la durée de conservation est extrêmement courte.
Renforcer les prévisions automatiques à l’aide de données externes et de données de vente au détail sur le lieu de vente
La détection de la demande s’appuie plutôt sur des prévisions quotidiennes afin d’améliorer la précision et de réduire les coûts et les déchets. Les données actuelles et pertinentes provenant des détaillants et d’autres sources externes alimentent ces prévisions, qui sont mises à jour automatiquement en fonction des nouvelles informations. Par exemple, une prévision basée sur les commandes du centre de distribution et renforcée par les données granulaires des points de vente reflétera mieux la demande actuelle qu’une prévision basée uniquement sur les commandes du centre de distribution. Les commandes reflètent ce qui s’est passé récemment, alors que les données des points de vente sont plus proches de la façon dont les consommateurs agissent actuellement.
Les mises à jour constantes des données et les ajustements automatisés empêchent une adhésion stricte aux prévisions datées, et la fonction d’apprentissage automatique favorise l’amélioration continue des performances. Les logiciels de détection de la demande prennent également en compte des facteurs tels que les tendances actuelles, les décisions des détaillants, les conditions du marché et même des événements extérieurs comme les intempéries, afin de présenter aux entreprises les prévisions les plus précises.
Lire la suite : Prévision de la demande pour le commerce de détail et les biens de consommation : Le guide complet
3 façons dont la détection de la demande réduit les coûts grâce à de meilleures prévisions et réponses
Les logiciels de détection de la demande alimentés par l’IA et l’apprentissage automatique peuvent sembler un vœu pieux pour les entreprises attachées à leurs systèmes de chaîne d’approvisionnement basés sur des feuilles de calcul. Pourtant, un nombre croissant d’entreprises utilisent déjà de tels outils pour optimiser leurs processus de planification de la chaîne d’approvisionnement.
Les entreprises qui réfléchissent encore à l’adoption d’un logiciel de détection de la demande devraient prendre en compte les trois principales façons dont la détection de la demande influe positivement sur le chiffre d’affaires :
Détecte les changements immédiats dans la demande et le comportement des consommateurs
Les solutions de détection de la demande traitent des flux de données externes actuelles au lieu de s’appuyer uniquement sur les tendances historiques. Cela permet aux entreprises de biens de consommation de voir les changements de la demande au fur et à mesure qu’ils se produisent plutôt que de faire des hypothèses basées sur les années précédentes.
Les entreprises combinent trois sources de données pour établir et ajuster les prévisions de perception de la demande :
- Données internes à l’entreprise. Cette catégorie comprend les changements de prix, les plans d’assortiment, l’introduction et la suppression de produits, les promotions proposées aux clients du commerce de détail et de gros, ainsi que toute autre donnée générée au sein de l’entreprise.
- Données des détaillants. Ces sources comprennent les données des points de vente, les incitations tarifaires, les promotions des détaillants, les décisions en matière d’assortiment, les campagnes de marketing, les niveaux de stocks actuels et prévus dans les magasins et le réseau des centres de distribution, les commandes en cours et toutes les autres données créées par les détaillants.
- Données externes. Les solutions complètes de détection de la demande prennent également en compte les actions des concurrents, les conditions météorologiques, les événements sportifs ou de divertissement, ainsi que d’autres événements complexes ou aléatoires susceptibles d’avoir un impact sur la demande des consommateurs.
Lire la suite : L’apprentissage automatique dans les prévisions de la demande de produits de grande consommation : La prise en compte des données du commerce de détail permet d’obtenir des résultats
Un logiciel puissant doté de capacités d’apprentissage automatique analyse ce volume massif de données pour déterminer l’évolution quotidienne de la demande. La détection immédiate des variations de la demande présente trois avantages majeurs en termes de réduction des coûts :
- Moins de ventes perdues grâce à une meilleure disponibilité
- Une offre de produits plus précise par rapport à la demande réelle lors des changements d’étapes dans les promotions
- Réduction des déchets et de la détérioration, en particulier pour les produits frais à courte durée de conservation
Automatisation des ajustements des prévisions
Les solutions robustes de détection de la demande minimisent la quantité de travail manuel nécessaire pour créer et ajuster les prévisions. Les programmes capables d’IA et d’apprentissage automatique peuvent détecter les tendances et les changements de la demande plus rapidement que n’importe quelle équipe humaine, ce qui réduit considérablement le délai entre la détection des tendances et l’ajustement des prévisions. Ce temps de réaction rapide comme l’éclair permet de limiter les surstocks et les sous-stocks coûteux.
L’apprentissage automatique l’emporte également sur les prévisions manuelles sur un autre point important : la capacité à saisir et à exploiter les informations. Une analyse manuelle demande du temps et des efforts aux travailleurs, et ce travail doit être répété à chaque fois qu’une prévision est créée. Une solution d’apprentissage automatique conserve automatiquement les informations tirées de ces analyses et tire des enseignements de chaque événement, ce qui évite aux planificateurs de répéter continuellement le travail.
L’automatisation permet aux planificateurs en chair et en os des entreprises de biens de consommation de se concentrer sur des tâches à forte valeur ajoutée qui ne relèvent pas des capacités de la solution, à savoir l’évaluation des exceptions. Une solution de détection de la demande identifie les prévisions aberrantes et les porte à l’attention du planificateur qui, à son tour, détermine si la prévision est valable ou non. La machine utilise des sources de données externes pour donner à ces exceptions un contexte et aider le planificateur à porter un jugement correct sur l’exactitude des prévisions.
Fournit une image complète des besoins de la demande
La dépendance à l’égard d’une seule source de données nuit à la précision des prévisions et contraint les entreprises à des prévisions rigides. Une prévision basée exclusivement sur les points de vente et les facteurs de demande des consommateurs, tels que les promotions, pourrait conduire à un inventaire qui ne correspondrait pas aux besoins réels des clients du commerce de détail en matière de commandes.
Ce problème se pose plus particulièrement dans le cas de nouveaux articles livrés en paquets relativement importants. La création d’une prévision basée uniquement sur les données des points de vente peut conduire le fournisseur à constituer trop rapidement un stock important. Les entreprises stockent alors des articles dont elles n’auront besoin que plusieurs semaines, voire plusieurs mois plus tard, ce qui crée des problèmes d’obsolescence pour les articles dont le cycle de vie est plus court ou la durée de conservation limitée.
Une entreprise peut au contraire combiner les données des points de vente des détaillants avec les données historiques des commandes pour ajuster rapidement les plans de stock, de distribution, de production, d’achat et de vente grâce à des prévisions actualisées. Les entreprises doivent également tenir compte des stocks tampons, des délais de livraison, des calendriers de livraison et de la taille des lots de commandes à chaque étape de la chaîne d’approvisionnement afin de déterminer avec précision les besoins futurs de la chaîne d’approvisionnement.
Cette consolidation de données actualisées provenant de sources multiples permet également aux entreprises de mieux planifier la distribution et les stocks, en particulier dans les scénarios où le flux de marchandises n’est pas stable. Prenons l’exemple d’une entreprise qui établit des prévisions de base avant de lancer une campagne promotionnelle. La moindre inexactitude dans les prévisions peut entraîner des ruptures de stock coûteuses. Le logiciel de détection de la demande, quant à lui, effectue des mises à jour quotidiennes et suit la réalisation des prévisions en temps réel, ce qui permet aux entreprises de prendre des mesures immédiates si les unités se déplacent plus rapidement ou plus lentement que prévu.
La détection de la demande permet également d’éclairer d’autres situations impliquant un flux instable de marchandises :
- Lancement de nouveaux produits
- Réduction progressive des produits
- Campagnes de marketing et promotions
- Produits saisonniers
- Fluctuations liées aux vacances
Gagner en certitude sur un marché incertain grâce à une solution robuste de détection de la demande
Les facteurs qui alimentent les frustrations actuelles de la chaîne d’approvisionnement ne dureront pas éternellement, mais de nouvelles complications sont susceptibles d’apparaître à mesure que la complexité de la chaîne d’approvisionnement mondiale s’accroît avec la demande des consommateurs. L’investissement dans une solution de détection de la demande nouvelle ou améliorée aide les entreprises à mieux résister aux problèmes actuels et futurs. Les logiciels de détection de la demande peuvent réduire les ventes perdues en augmentant la disponibilité, en réduisant les stocks et en optimisant les processus pour réaliser des économies à long terme.
Prenons l’exemple d’Atria, un client de RELEX et l’un des principaux fournisseurs de produits alimentaires en Europe du Nord, avec un chiffre d’affaires net de 1,5 milliard d’euros en 2021. L’entreprise avait besoin d’améliorer la précision de ses prévisions pour les produits hautement saisonniers et les produits à base de viande dont la durée de conservation est exceptionnellement courte. Atria a utilisé les capacités de détection de la demande de RELEX pour atteindre une précision de prévision hebdomadaire incroyable de 98,1 %, tout en réduisant de 13 % les modifications manuelles des prévisions.
Depuis plus de dix ans, RELEX aide les entreprises de biens de consommation à améliorer leurs prévisions et à aligner leurs décisions. Notre solution peut être adaptée sur mesure pour résoudre vos problèmes spécifiques et optimiser les chaînes d’approvisionnement les plus complexes. En outre, notre longue expérience de collaboration avec des détaillants du monde entier signifie que personne au monde ne sait mieux que nous ce que les détaillants achètent aux entreprises de biens de consommation et comment ils l’achètent.
Ne vous accrochez pas à des systèmes manuels obsolètes lors de la prochaine grande perturbation. Tirez parti de la détection de la demande RELEX et reprenez le contrôle de votre chaîne d’approvisionnement.
Cet article est le deuxième d’une série de quatre visant à aider les entreprises de biens de consommation à naviguer dans les changements de marché que nous observons actuellement dans le monde entier. Le premier article détaille les principes fondamentaux permettant de garder le contrôle de la chaîne d’approvisionnement des produits de grande consommation, et les deux articles qui suivront fourniront un aperçu approfondi de la formation de la demande et de la collaboration au sein de la chaîne d’approvisionnement.
