Détection de la demande hybride : donner aux chaînes d'approvisionnement les moyens de prospérer dans l'incertitude

Les chaînes d'approvisionnement d'aujourd'hui sont confrontées à la prolifération des gammes de produits, au raccourcissement des cycles de vie des produits, à une complexité accrue, et à des quantités massives de données. Pour ajouter à cette liste, les clients deviennent plus exigeants et imprévisibles ; les tendances alimentées par internet changent sur un dixième de seconde, et les promotions et ventes sont soumises à la météo, aux lancements de nouveaux produits et à l'économie.

Pour être prêt à ce que demain pourrait apporter, les entreprises doivent comprendre comment les changements dans les chaînes d'approvisionnement affectent la demande. Ce n'est qu'alors qu'elles peuvent s'assurer que les produits que les clients veulent sont disponibles au bon moment.

La détection de la demande, comme son nom l'implique, est essentiellement l'art et la science de capter les tendances à court terme immédiatement, afin de mieux prédire ce que les consommateurs voudront. La demande est impossible à prédire parfaitement car elle est affectée par un nombre infini de variables connues et inconnues. Selon une étude de KPMG et de l'Economist Intelligence Unit, seulement 22 % des prévisions des entreprises étaient précises dans une marge de cinq points de pourcentage. En moyenne, les prévisions étaient erronées de 13 %, causant un effet significatif sur le cours de l'action.

Il y a beaucoup de puristes qui s'en tiennent aux approches de prévision utilisant des moyennes pondérées et d'autres méthodes traditionnelles faciles à comprendre. Cette approche peut sembler confortable et accessible, mais elle ne peut produire que des prédictions basées sur des modèles de demande historiques. Elle manque les données en ligne et externes cruciales qui peuvent fournir une vue en temps quasi réel de la demande et de ce qui l'influence.

Aujourd'hui, il y a une meilleure façon. Comme pour la prévision météorologique, il est possible d'entraîner des systèmes intelligents de détection de la demande à prédire le chaos apparent de la demande des consommateurs avec un haut degré de précision. Ces systèmes hybrides de détection de la demande appliquent de multiples techniques de prévision et types de données.

La détection de la demande hybride est plus robuste, fiable et durable que les alternatives de prévision simples. Elle bénéficie non seulement de l'application de différentes approches de planification, mais devient aussi plus forte et plus réactive à mesure que l'intelligence humaine et des ensembles de données supplémentaires sont pris en compte.

Un énorme avantage de la détection de la demande est qu'elle incorpore immédiatement les tendances à court terme dans la prévision. Au lieu d'avoir à utiliser la même prévision dans une fenêtre de 60 ou 90 jours, les planificateurs gagnent des insights qui les habilitent à affiner continuellement les prévisions en utilisant les dernières données de vente. Cette capacité à réagir plus vite et plus fréquemment aux changements de demande conduit à des profits et niveaux de service plus élevés, et moins de gaspillage.

Exemples de la détection de la demande transformant les insights en actions rentables :

• Rationaliser la planification en amont en extrayant directement les données PdV. La détection de la demande permet d'extraire directement les informations pertinentes des données de point de vente (PdV). Cela aide les fabricants à améliorer la précision des prévisions de vente sans avoir à attendre les entrées des distributeurs et détaillants.
• Améliorer l'efficacité de la planification de production. La détection de la demande fournit des entrées plus fréquentes aux opérations de production et d'approvisionnement. Cela permet d'ajuster le plan de production en conséquence en expédiant ou dé-priorisant des commandes, par exemple.
• Ajuster continuellement les stocks en amont. La détection de la demande aide à optimiser dynamiquement les stocks et à équilibrer le réseau en tenant compte des stocks disponibles dans les entrepôts régionaux, avec la demande client prédite, par localisation.
• Combler l'écart entrant/sortant. Les équipes entrantes veulent remplir les entrepôts à capacité ; les équipes sortantes s'efforcent de les vider en expédiant aux détaillants et clients. La détection de la demande synchronise ces deux groupes en montrant une image globale unique de la demande.
• Prévoir la demande saisonnière plus précisément. Améliorer la visibilité du réseau de distribution est la clé d'une meilleure réactivité de la chaîne d'approvisionnement. C'est particulièrement important pour les articles saisonniers qui ne se vendent peut-être que dans une fenêtre annuelle. La détection de la demande permet, par exemple, de savoir immédiatement quand les détaillants clés sont en rupture de stock. Également, quand un article ne se vend pas comme prévu, les fabricants peuvent réagir rapidement en ajustant la production et les stocks pour éviter l'obsolescence.
• Dimensionner correctement les stocks pour les lancements de nouveaux produits. Alors que les cycles de vie des produits continuent de raccourcir, la gestion de la succession d'articles est un défi permanent. La détection de la demande aide les entreprises à déterminer les niveaux de stocks optimaux des versions de produits nouveaux et antérieurs pour répondre aux niveaux de service client.
• Améliorer la performance des promotions. La détection de la demande peut intégrer des données de sell-in telles que les attributs de promotion et les détails produit et marché, pour aider les planificateurs à comprendre les facteurs derrière le surcroît promotionnel. Cela aide les planificateurs à mieux prévoir l'impact de futures promotions.

Cas d'étude : TireHub

TireHub, un distributeur de pneus de remplacement, intègre les données PdV locales dans son modèle de détection de la demande, amélioré par l'apprentissage automatique. Les défis jumeaux de la prolifération des SKU et de la saisonnalité rendaient difficile pour TireHub de positionner optimalement son inventaire. Aujourd'hui, il ne planifie pas seulement pour les fluctuations de demande prévisibles (telles que les ventes de pneus neige culminant en hiver), mais aussi les complexités de la demande locale, en tenant compte du nombre de modèles de voitures différents vendus localement et régionalement. En utilisant ce modèle, TireHub a pu automatiser une grande partie de sa planification de réapprovisionnement, améliorer les résultats commerciaux, et développer la capacité de servir 70 000 points de livraison en seulement 18 mois.

Les trois piliers des meilleurs retours

Il y a plusieurs façons de détecter la demande, et chaque nouvel insight peut accélérer le temps de réaction et booster les profits. Les plus grands retours des processus de détection de la demande se situent dans trois domaines :

Prévision à court terme avec données de sell-in

La façon la plus simple pour les entreprises de commencer à détecter la demande est d'utiliser les données historiques les plus granulaires disponibles. Cela implique généralement l'analyse des données de demande sell-in/ship-to quotidiennes en utilisant des horizons temporels courts et l'ajustement de la prévision en conséquence. Ce type de détection de la demande prend en compte l'historique des expéditions, facilement disponible dans la plupart des systèmes de planification de chaîne d'approvisionnement ou de planification des ressources d'entreprise (ERP). Certains outils de planification incluent la prévision statistique à court terme, pour améliorer la réactivité des prévisions aux changements de demande en cours.

Incorporer les données de sell-out

Lors de la détection de la demande, il est important de remuer méninges sur toutes les sources de données possibles et utiles qui peuvent améliorer la prévision. L'intelligence de sell-out en aval telle que les données client, PdV ou canal, par exemple, peut aider à identifier les tendances de demande, donner des alertes précoces de problèmes, et combler l'écart entre le plan et ce qui se passe réellement dans la chaîne d'approvisionnement.

Ajouter les données externes et causes de demande

La détection de la demande peut et doit aussi intégrer des variables corrélées à la demande pour créer une prévision robuste capable de répondre à une large gamme d'événements futurs, du connu à l'inconnaissable. Cela inclut les fluctuations boursières, les promotions des concurrents, les tendances virales sur les réseaux sociaux, les lancements de nouveaux produits, la météo et d'autres facteurs externes.

Mettre les trois pièces ensemble — les données de sell-in et sell-out avec les causes de demande pertinentes — fournit l'image la plus complète et connectée de la demande possible. Cela pose aussi les fondations pour une détection de la demande hautement automatisée, qui libère les planificateurs pour appliquer leur connaissance métier pour améliorer davantage la prévision et le service client.

D'innombrables variables internes et externes impactent la variabilité de la demande, et celles-ci ne feront qu'augmenter dans l'énorme période de changement qui s'annonce. Le meilleur outil pour gérer la variabilité et garantir un service élevé est l'inventaire. La détection de la demande aide les entreprises à utiliser l'inventaire de manière aussi optimale que possible. Elle extrait les signaux importants du bruit 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, processus et compétences pour booster leurs capacités de détection de la demande peuvent vraiment être prêtes pour ce que demain pourrait apporter.

Robert Kaufholz est directeur de la conception de solutions chez ToolsGroup.