Comment l'IA modifie les prévisions de denrées périssables

Prévoir la vraie demande a toujours été un défi, et c'est particulièrement difficile pour les entreprises alimentaires opérant dans les catégories de produits frais et périssables. Dans le même temps, des prévisions précises sont essentielles pour la planification et l'exécution de la chaîne d'approvisionnement en amont, et pour réduire le gaspillage alimentaire et financier.

En période d'incohérence du marché comme la pandémie de COVID-19, la plupart des prévisionnistes ont été contraints de saisir la vérité - en essayant d'équilibrer les modèles de demande typiques avec l'impact des achats de panique, des pénuries de catégories et des complexités logistiques.

Même dans des conditions de marché « normales », sans alignement ni visibilité autour d'une seule prévision basée sur la consommation, les fournisseurs en amont (détaillants, grossistes et producteurs) sont obligés de générer leurs propres prévisions en silos.

Lorsque les prévisions sont créées indépendamment, les biais, les erreurs et les stocks de sécurité sont aggravés, car chaque prévision ne reflète que l'historique des commandes, les modèles, les fluctuations de prix et la disponibilité réelle ou perçue des intrants de son partenaire en aval immédiat dans la chaîne.

Cet effet coup de fouet, dans lequel une variation de plus ou moins 5 % de la demande réelle des consommateurs affecte les fournisseurs en amont jusqu'à 40 % dans les deux sens, signifie qu'il est difficile de maintenir un inventaire toujours précis, même dans le meilleur des cas. Aujourd'hui, pendant la pandémie, c'est impossible.

La promesse est là

L'utilisation de la technologie pour connecter les partenaires tout au long de la chaîne d'approvisionnement n'est pas nouvelle, mais au cours de la dernière décennie, elle n'a pas été aussi efficace qu'espéré.

Cependant, nous avons atteint un nouveau point de basculement dans notre capacité à utiliser la technologie pour intégrer efficacement de nombreux signaux de demande. Les plateformes d'analyse de mégadonnées, l'intelligence artificielle (IA), l'apprentissage automatique et les modèles de prévision agiles jouent tous un rôle important dans la génération de prévisions beaucoup plus fiables. Enfin, les outils qui exploitent ces technologies font leurs preuves, et nous sommes en mesure d'examiner l'ensemble de la chaîne d'approvisionnement et d'utiliser toutes ses données d'une manière qui n'était pas possible auparavant.

Les plates-formes de prévision de la demande basées sur l'IA ne reposent pas sur la modélisation des ventes historiques comme de nombreuses plates-formes de demande traditionnelles. Au lieu de cela, ils utilisent des influenceurs de demande dynamiques, des algorithmes, des données en temps réel et une technologie cloud pour prédire avec précision les comportements et les tendances.

Par exemple, les tendances démographiques et de style de vie du public, les habitudes d'achat, les événements météorologiques, les tarifs commerciaux et les initiatives de marketing des détaillants ont tous des impacts significatifs sur le comportement des acheteurs et la précision de la demande. Mais ces données résident généralement dans plusieurs référentiels déconnectés.

À l'aide d'algorithmes et d'analyses prédictives, l'IA et les plates-formes de prévision de la demande basées sur l'apprentissage automatique analysent d'énormes volumes de données, quel que soit l'endroit où elles se trouvent. Cette technologie peut identifier automatiquement les facteurs les plus pertinents ayant un impact sur la demande des consommateurs, anticiper les changements dans la demande et le comportement des acheteurs à l'avance, réduire les rétrofacturations et fournir des prévisions probabilistes impartiales sur la demande future.

Libérer le potentiel de toutes ces données permet non seulement des prévisions de demande plus précises, mais prend également en charge une approche holistique de la gestion des stocks. À mesure que la confiance dans l'exactitude des prévisions augmente, les soldes de stock initiaux peuvent être maintenus à des niveaux inférieurs, tout en répondant aux exigences des clients.

De plus, comme l'IA et l'apprentissage automatique peuvent traiter les entrées si rapidement, les informations sont fournies tant qu'elles sont encore significatives. Des mesures peuvent être prises pour répondre à l'évolution de la demande ou de la disponibilité d'articles frais ou périssables et aux besoins des partenaires ou des consommateurs. Par exemple, et si pendant la pandémie, les fournisseurs de produits frais et de viande auraient pu reconditionner et déplacer plus rapidement la livraison de la distribution en gros dans les restaurants aux épiceries grand public ?

L'United Fresh Produce Association a estimé que l'ensemble de l'industrie des fruits et légumes perdra au moins 40 % de ses ventes pendant l'épidémie de COVID-19. Et bien que tout cela ne puisse pas être transféré à l'épicerie ou à la vente au détail, les marques qui peuvent effectuer la transition plus rapidement que leurs concurrents sont en mesure de protéger plus de revenus et d'emplois.

Technologie plus intelligente

Les plates-formes de prévision basées sur l'IA appliquent plusieurs algorithmes pour déterminer automatiquement les métriques les plus pertinentes pour chaque produit ou SKU du système. Le temps passé à collecter, mettre à jour, intégrer et réconcilier les données concurrentes de plusieurs feuilles de calcul est éliminé, ce qui permet aux professionnels de la prévision de passer leur temps à optimiser la demande et à se coordonner avec d'autres services tels que le marketing pour trouver de nouvelles sources de revenus. La valeur de la collaboration entre les départements et les partenaires externes, fonctionnant à partir d'une seule source de vérité, ne peut pas être sous-estimée.

Les résultats de l'utilisation de modèles basés sur l'IA sont convaincants. Nounós Creamery a récemment utilisé un tel outil pour automatiser la prévision de la demande et réduire le temps consacré à la prévision de deux heures par semaine à seulement 10 minutes. Les dirigeants de Nounós étaient frustrés par le manque de connaissances réelles et gaspillaient des heures et de l'argent précieux en comparant manuellement les données de leur logiciel de comptabilité et de leur système de gestion des stocks. Ce processus n'a fourni qu'une vague idée de la quantité de yaourt que l'entreprise devrait fabriquer et des saveurs à privilégier.

Nounós a pu extraire des données de toutes les sources pertinentes et s'appuyer sur les algorithmes pour faire des recommandations de prévision. Les projections sont si précises que l'entreprise a réduit la surproduction de 40 % presque immédiatement, économisant ainsi des revenus importants en perte de produits. Cela a également permis à Nounós d'anticiper la demande réelle attendue pour chaque saveur, améliorant ainsi l'efficacité du processus de fabrication.

Cette nouvelle approche de la prévision de la demande est de plus en plus adoptée pour des raisons financières, mais aussi parce qu'elle est hautement évolutive. Cela fonctionne aussi bien pour les marques d'aliments de spécialité que pour les grandes marques multinationales. Les prévisions de la demande axées sur les consommateurs sont là pour rester. L'utilisation des dernières analyses et technologies offre une formidable opportunité de maîtriser l'effet coup de fouet et de répondre à la demande au bon moment.

Are Traasdahl est co-fondateur et PDG de Crisp.