Accueil Applications Stocks fantômes : pourquoi l’IA ne voit pas toujours la réalité des...

Stocks fantômes : pourquoi l’IA ne voit pas toujours la réalité des magasins

© Scandit

Les distributeurs investissent dans l’intelligence artificielle pour prévoir les ventes, optimiser les stocks et automatiser le réapprovisionnement, mais leurs systèmes informatiques peinent encore à décrire ce qui se trouve réellement dans les rayons. Selon une étude de Scandit, les salariés français interrogés estiment que les données de stock correspondent à la réalité dans moins de la moitié des cas. Lyndal Moeller, Senior Industry Solution Manager Retail chez Scandit, revient sur ces écarts qui fragilisent les décisions automatisées.

Des logiciels qui enregistrent les mouvements sans voir les produits

Dans un magasin alimentaire étudié par Scandit, plus de la moitié des ruptures détectées chaque jour concernaient des produits que le système informatique indiquait pourtant comme disponibles. Une anomalie qui tient notamment aux limites des logiciels de gestion traditionnels : capables d’enregistrer les livraisons, les ventes et les mouvements déclarés, ils ne suivent pas nécessairement ce qui se passe entre ces opérations. Un article peut être volé, endommagé, déplacé dans un mauvais rayon ou oublié en réserve sans que l’information soit actualisée. « Ces petites erreurs sont rarement corrigées à la source. Elles s’accumulent donc progressivement et les données finissent par ne plus refléter la réalité du magasin », explique Lyndal Moeller, Senior Industry Solution Manager Retail chez Scandit.

L’étude menée pour l’entreprise auprès de 2 200 salariés de magasins dans sept pays révèle l’ampleur de cette défiance. En France, les répondants estiment que les données correspondent à la réalité des rayons dans seulement 47 % des cas. Cette appréciation déclarative, qui ne constitue pas une mesure indépendante de la précision des inventaires, interroge d’autant plus que les investissements technologiques ne semblent pas suffire à résorber les écarts. À l’échelle internationale, même dans les magasins équipés de quatre ou cinq des technologies étudiées, les salariés évaluent encore la fiabilité des informations autour de 50 %.

Le magasin parallèle des salariés

Ces approximations imposent aux équipes des vérifications permanentes comme rechercher un produit mal localisé, recompter les articles disponibles ou parcourir les rayons pour répondre à un client. En France, les salariés interrogés estiment qu’ils pourraient récupérer 3,2 heures de travail par semaine si les informations étaient toujours exactes. Un temps consacré à compenser les insuffisances des systèmes, rarement intégré aux calculs de productivité qui accompagnent les investissements numériques.

Pour continuer à travailler, les collaborateurs ont développé leurs propres circuits d’information. Notes manuscrites, photographies, conversations entre collègues ou applications personnelles permettent de résoudre les difficultés immédiates, sans nécessairement corriger l’inventaire officiel. Dans l’enquête internationale, 42 % de ceux qui interviennent après avoir constaté une erreur déclarent ne pas passer par le système prévu pour la signaler ou la corriger. « Chacune de ces solutions permet à un employé de résoudre ponctuellement un problème pendant son service. Mais les données officielles restent erronées. Le collègue suivant, la prochaine opération de réapprovisionnement et les prévisions continuent donc de s’appuyer sur la même information incorrecte », observe Lyndal Moeller.

Ces pratiques, parfois transmises aux nouveaux salariés par leurs collègues, ne traduisent pas nécessairement une résistance aux outils numériques. Elles témoignent plutôt de la manière dont les équipes s’adaptent à leurs limites, jusqu’à constituer une mémoire parallèle du magasin que les systèmes d’information ne savent pas toujours exploiter.

Quand l’IA hérite des erreurs du système

L’automatisation peut donner une nouvelle portée à ces anomalies. Lorsqu’un modèle de prévision ou de réapprovisionnement considère comme disponible un produit qui ne l’est plus, ses calculs peuvent orienter les commandes ou les promotions sur la base d’informations inexactes. « Aussi sophistiqué soit-il, un modèle ne peut pas corriger une erreur qu’il n’est pas en mesure de détecter », souligne Lyndal Moeller.

La vision par ordinateur peut améliorer la collecte des données en identifiant les produits présents ou les emplacements vides, sans pour autant reconstituer à elle seule l’état des stocks. « Une caméra observe généralement les rayons, et non les réserves. Elle peut donc détecter un emplacement vide, mais pas déterminer si le produit se trouve en réserve, s’il est en cours de livraison ou s’il a définitivement disparu. » Une distinction essentielle pour éviter de solliciter inutilement les équipes lorsque la marchandise n’est plus disponible dans le magasin.

Scandit privilégie une collecte associant plusieurs équipements, notamment des caméras pour observer les rayons et des terminaux mobiles pour suivre les marchandises en réserve. Leur intégration aux systèmes existants suppose toutefois de pouvoir accéder aux informations nécessaires, y compris aux catalogues produits des distributeurs, dont l’exploitation constitue parfois une difficulté technique. Dans un magasin alimentaire étudié par l’entreprise, environ un tiers des ruptures constatées en rayon ne pouvaient pas être résolues par un réapprovisionnement depuis la réserve.

Le fournisseur revendique des déploiements ayant permis de dépasser 95 % de disponibilité des produits en rayon, avec des hausses de chiffre d’affaires pouvant atteindre 3 %. Ces résultats restent difficiles à apprécier sans connaître les magasins concernés, les périodes de mesure et les situations initiales. Surtout, la disponibilité en rayon ne doit pas être confondue avec l’exactitude des inventaires : améliorer la première ne démontre pas nécessairement que les systèmes disposent d’une représentation plus fidèle de l’ensemble des stocks.