Précision pilotée par l'IA : transformer la prévision des aliments périssables

Prévoir la vraie demande a toujours été un défi, et c'est particulièrement difficile pour les entreprises alimentaires opérant dans les catégories frais et périssables. En même temps, une prévision précise est essentielle 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 laissés à tâtonner dans le noir — essayant d'équilibrer les schémas 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 et visibilité autour d'une prévision unique pilotée par la consommation, les fournisseurs en amont (détaillants, grossistes et producteurs) sont laissés à générer leurs propres prévisions en silo.

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

Cet effet fouet, dans lequel un changement de plus ou moins 5 % de la demande réelle des consommateurs impacte les fournisseurs en amont jusqu'à 40 % dans les deux sens, signifie que maintenir un inventaire constamment précis, même dans les meilleurs moments, est un défi. Aujourd'hui, pendant la pandémie, c'est impossible.

La promesse est là

L'utilisation de la technologie pour connecter les partenaires à travers 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 incorporer efficacement de nombreux signaux de demande. Les plateformes d'analyse de big data, l'intelligence artificielle (IA), l'apprentissage automatique, et les modèles de prévision agiles jouent tous un rôle important dans la génération de prévisions significativement plus fiables. Enfin, les outils qui exploitent ces technologies font leurs preuves, et nous sommes capables de regarder à travers la chaîne d'approvisionnement et d'utiliser toutes ses données d'une manière qui n'était pas possible auparavant.

Les plateformes de prévision de la demande pilotées par l'IA ne s'appuient pas sur la modélisation des ventes historiques comme de nombreuses plateformes de demande traditionnelles. Au lieu de cela, elles utilisent des influenceurs de demande dynamiques, des algorithmes, des données en temps réel et la technologie cloud pour prédire avec précision les comportements et les tendances.

Par exemple, les tendances démographiques et de style de vie de l'audience, les schémas d'achat, les événements météorologiques, les tarifs douaniers et les initiatives 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 de multiples référentiels déconnectés.

En utilisant des algorithmes et de l'analytique prédictive, les plateformes de prévision de la demande propulsées par l'IA et 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 impactant la demande des consommateurs, anticiper les changements de demande et de comportement d'achat à l'avance, réduire les rétrofacturations, et fournir des prédictions probabilistes non biaisées sur la demande future.

Libérer le potentiel de toutes ces données permet non seulement des prévisions de demande plus précises, mais soutient également une approche holistique de la gestion des stocks. À mesure que la confiance dans la précision des prévisions grandit, les soldes d'inventaire initiaux peuvent être maintenus à des niveaux plus bas — tout en répondant toujours aux exigences des clients.

Aussi, parce que l'IA et l'apprentissage automatique peuvent traiter les entrées si rapidement, l'insight est délivré tandis qu'il est encore significatif. Des actions peuvent être entreprises pour répondre à la demande changeante ou à la disponibilité d'articles frais ou périssables et aux besoins des partenaires ou consommateurs. Par exemple, que se passerait-il si, pendant la pandémie, les fournisseurs de fruits et légumes frais et de viande avaient pu plus rapidement reconditionner et déplacer la livraison de la distribution en gros aux restaurants vers les points de vente au détail pour consommateurs ?

L'association United Fresh Produce a estimé que l'industrie des produits frais dans son ensemble perdrait au moins 40 % des ventes pendant l'épidémie de COVID-19. Et bien que tout cela ne puisse pas être transféré vers l'épicerie de consommation ou le détail, les marques qui peuvent transitionner plus rapidement que leurs concurrents sont en mesure de protéger plus de revenus et d'emplois.

Une technologie plus intelligente

Les plateformes de prévision pilotées par l'IA appliquent de multiples algorithmes pour déterminer automatiquement les métriques les plus pertinentes pour chaque produit ou SKU dans le système. Le temps passé à rassembler, mettre à jour, intégrer et réconcilier des données concurrentes de multiples tableurs est éliminé, permettant aux professionnels de la prévision de passer leur temps à optimiser la demande et à coordonner avec d'autres départements comme le marketing pour trouver de nouveaux flux de revenus. La valeur de la collaboration entre départements et partenaires externes, opérant à partir d'une source unique de vérité, ne peut être sous-estimée.

Les résultats de l'utilisation de modèles pilotés par l'IA sont convaincants. Nounós Creamery a récemment employé un tel outil pour automatiser la prévision de la demande et réduire le temps passé sur la prévision de deux heures par semaine à seulement 10 minutes. Les dirigeants de Nounós étaient frustrés par un manque de réel insight, et gaspillaient des heures et de l'argent précieux en comparant manuellement les données de leur logiciel comptable et de leur système de gestion des stocks. Ce processus ne fournissait qu'une vague idée de la quantité de yaourt que l'entreprise devait fabriquer, et quelles saveurs prioriser.

Nounós a pu intégrer des données de toutes les sources pertinentes et compter 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 des revenus significatifs en pertes de produits. Cela a également permis à Nounós d'anticiper la demande réelle attendue pour chaque saveur, conduisant à une plus grande efficacité dans le processus de fabrication.

Cette nouvelle approche de la prévision de la demande gagne en adoption pour des raisons financières, mais aussi parce qu'elle est hautement scalable. Elle fonctionne aussi bien pour les marques alimentaires de spécialité que pour les grandes marques multinationales. La prévision de la demande pilotée par le consommateur est là pour rester. L'utilisation des dernières analyses et technologies présente une opportunité tremendous d'apprivoiser l'effet fouet, et de répondre à la demande au point exact.

Are Traasdahl est cofondateur et PDG de Crisp.