Accueil Logistique Prévision des ventes : l’enseigne Kiabi passe du tableau Excel au machine...

Prévision des ventes : l’enseigne Kiabi passe du tableau Excel au machine learning

Kiabi
Magasin Kiabi

L’enseigne de prêt-à-porter française Kiabi a amélioré son taux de disponibilité produit en ayant recours à un logiciel de prévision fondé sur l’analyse prédictive et le machine learning.

Dans le cadre de son développement international et du programme de transformation pluriannuel Link Supply & Demand (LS&D) lancé en 2014, l’enseigne de vêtements Kiabi s’est donné pour objectif d’améliorer l’expression des besoins des équipes collections (Demand) et la réponse opérationnelle des équipes Supply. Il s’agit de couvrir les besoins en stocks en optimisant le plan d’approvisionnement et le besoin en fonds de roulement, et donc de mieux cadencer les achats aux fournisseurs, tout en réduisant les ruptures en magasin.

Jusqu’il y a peu, Kiabi utilisait un outil maison couplé à Excel pour gérer deux collections par an. Le passage, dans un monde du prêt-à-porter qui s’accélère, à six collections par an, a nécessité un outil de prévision de demande plus fin. Une adaptation nécessaire pour Kiabi qui vend 300 millions de pièces par an. Chaque semestre, ce sont 200 000 unités de gestion de stock (UGS ou SKU en anglais= 1 modèle d’une taille et d’un coloris particuliers) qui sont gérées. 55 stylistes en interne réalisent le design d’environ 6 000 nouveaux modèles par semestre.

En janvier 2015, l’enseigne qui appartient à la famille Mulliez, propriétaire d’Auchan, choisit Predictix, société américaine qui est acquise par un autre américain, l’éditeur Infor en 2016 pour s’intégrer à Infor Retail Demand Management). Celle-ci développe des solutions en mode SaaS fondées sur l’analyse prédictive et le machine learning.

Des prévisions fines pour remplir 3 objectifs

Le développement d’une solution répondant aux besoins de Kiabi est lancé. Le projet va durer deux ans avant qu’un premier module ne soit opérationnel début 2017. Le projet s’étend en cherchant, dans l’ordre, à remplir les trois objectifs suivants, en allant vers plus en plus de finesse dans l’analyse des données :

– vision macro (Merchandise and Financial Planning, MFP) : établir des prévisions pour aligner les budgets des collections et des pays (exploitation). Les pays sont plus au fait de la réalité du terrain (ouverture de magasins, évolution de la concurrence, tendances du marché local…). Ce qui permet aussi à la Supply Chain de s’aligner.

– fournir des prévisions de ventes fiables par UGS afin de calculer le plan d’approvisionnement, en allant jusqu’au calcul des stocks par entrepôt, en cohérence avec le MFP. L’outil permet de gérer des mises à jour (en particulier des prévisions de ventes et donc de besoins en stock) pour animer le processus S&OP.

– dans une phase encore en cours, offrir des prévisions au niveau du magasin, avec un calcul de stock objectif par magasin.

Le logiciel reçoit de façon hebdomadaire les données de stocks et de ventes par magasin pour chaque UGS. L’historique de données se met à jour chaque semaine, et l’intelligence artificielle apprend progressivement à rendre plus fiables ses prévisions. Pour les effectuer, le logiciel s’appuie sur les données du produit mais prend également en compte les données portant sur des produits comparables.

Le périmètre du projet a porté sur les produits permanents (commercialisés pendant plusieurs saisons). Toutes les prévisions sont réalisées à la maille semaine, aussi bien les budgets, les prévisions entrepôts et le stock objectif magasin). La prévision de vente est réalisée au niveau le plus fin : modèle/coloris/taille/magasin/semaine. Des produits saisonniers basiques seront intégrés à partir d’avril 2018, mais comme il n’y aura pas d’historique produit, il faudra se fonder sur des produits comparables.

Olivier Fruy
Olivier Fruy, directeur des études IT Supply Chain. Crédit : Christine Calais

L’outil traduit le plan d’approvisionnement en commandes fournisseurs, en prenant en compte les contraintes fournisseurs, comme la quantité minimum par commande le délai minimum entre deux commandes. Dans le textile, la majorité des fournisseurs sont asiatiques, ce qui nécessite de commander les produits 20 semaines avant leur réception. Une quarantaine d’utilisateurs a été formée à l’outil. Olivier Fruy, directeur des études IT Supply Chain, explique : « Nous l’utilisons d’abord pour ventiler les quantités par zone, pays, période. Les prévisions de vente sont fiabilisées, la couverture de stocks est améliorée, limitant donc les ruptures et améliorant ainsi le taux de disponibilité produit en magasin, passé de 90 à 97% sur le périmètre des produits permanents. L’outil est un assistant qui simplifie le travail des gestionnaires de stocks qui l’utilisent. Mais le potentiel, avec l’intelligence artificielle, est plus étendu. Il serait possible de pousser encore la démarche, en utilisant plus de critères de référencement des produits. »

 

 

Auteur : Christine Calais