- 4 conseils pour mettre en place une solution de décision automatisée
- L'échelle de l’automatisation
- L’IA à l’échelle métier
- Les avantages de l’automatisation
- 4 conseils pour mettre en place une solution de décision automatisée
4 conseils pour mettre en place une solution de décision automatisée
- Mesurer ses objectifs
- Recueillir une donnée de vente la plus exhaustive possible
- Préparer un processus scalable
- Anticiper l’expérience utilisateur
L'IA est un train lancé à pleine vitesse que certaines entreprises innovantes ont déjà pris. C'est un formidable levier de croissance représentant plus de 12 000 milliards d'euros de gains potentiels à l'échelle mondiale, chaque année. D'ici une dizaine d'années, les entreprises qui adopteront l'IA verront leur cash flow positif augmenter de 122%. Le podium des entreprises qui performent sur leur marché sera donc réservé à ceux qui adoptent l'IA.
Nous connaissons tous l’IA sous plusieurs formes, dans notre quotidien, mais aussi dans notre travail. Les chatbots et certaines applications de notre quotidien (Netflix, Uber Eats) utilisent l'IA pour automatiser et personnaliser les contenus, mieux raisonner, mieux interagir avec le consommateur, ou encore mieux classifier.
L’IA peut désormais aider l’humain dans ses décisions de travail à travers l'intelligence décisionnelle qui permet de mieux anticiper les flux business.
Pour que les décisions et les processus soient les plus fiables possibles, il est essentiel de mettre en place des routines, des règles, mais aussi d'apprendre de ses données de manière continue pour pouvoir mieux anticiper. Cela passe en partie par l’automatisation des processus et des décisions.
L'échelle de l’automatisation
Vous voyez ci-dessus une courbe de l'automatisation, le niveau 4 étant le niveau le plus autonome, en temps réel et prescriptif ; et le niveau 1 étant le niveau basique où l'entreprise va plutôt réagir aux événements, avoir une perspective interne et ne pas subir son écosystème.
L’IA à l’échelle métier
L'IA est applicable à tous les métiers. Elle permet aux business units de votre entreprise de mieux collaborer entre elles.
Côté marketing
Lors du lancement de nouveaux produits, la question se pose de la quantité dans laquelle le nouveau produit va se vendre. L'intelligence artificielle va permettre d'analyser, de mieux automatiser et d'itérer différents scénarios pour vous aider à prendre les meilleures décisions.
De la même manière, sur une problématique de prix, l'intelligence artificielle va permettre de répondre aux interrogations des responsables pricing ou produits sur le meilleur prix par rapport à la concurrence, ou encore l’ajustement du prix en temps réel.
Seule l'IA permet d'avancer de manière totalement dérisquée sur ces problématiques. Elle permet de décider les ventes avec beaucoup plus de précision, beaucoup plus de réactivité, que ce soit des ventes par magasin, par région ou par canal, et évidemment, de mieux choisir l’assortiment de produits pour mieux maximiser la marge ou tout simplement le CA sur les opérations commerciales.
Côté supply chain
Pour maîtriser la chaîne d’approvisionnement, l’IA est un allié précieux. Lorsqu'il s'agit, par exemple, de faire des réassorts pour un responsable approvisionnement ou directeur supply chain, l'humain croule aujourd'hui sous une telle quantité de données qu’il est quasi impossible d’analyser de manière exhaustive les milliers de scénarios pertinents sous Excel ou dans les APS (advanced planning system) classiques qui s’offrent à lui.
En effet, pour calculer le bon pricing et optimiser le replenishment pour plus de 50 000 références et plus de 300 points de vente, il faut prendre en compte les multiples promotions mensuelles lancées par le marketing, intégrer des contraintes métiers logistiques : résoudre l’équation en termes de maximisation de taux de service et optimisation du safety stock relève du miracle. Mieux décider les ventes grâce à l'intelligence artificielle permet de dérisquer sa décision en intégrant une multiplicité de scénarios.
Les avantages de l’automatisation
Prise en compte de l’environnement
Un système de décision manuel ne prendra généralement pas en compte les données exogènes, les tendances d'évolution sur des zones géographiques particulières, sur des types de magasins, la saisonnalité, ou encore les effets de cannibalisation entre différents types de produits.
Un système automatisé permet de comprendre les tendances avant même d’avoir accès à toutes les données contextuelles. Il conjugue en effet l'historique de l’entreprise avec des données exogènes et contextuelles, permettant d'améliorer la précision. Le système trouve lui-même les corrélations entre les différents paramètres, ce qui enlève le biais que l’humain pourrait rajouter. En cas de décisions manuelles, il faut notamment être vigilant sur l'effet budget, qui consiste à essayer de faire correspondre les décisions à certains objectifs commerciaux, conduisant donc à des décisions biaisées.
Maille de précision plus fine
Un système automatisé permet également de produire des modélisations à la maille la plus fine permettant de comprendre en profondeur les comportements des magasins, clients, produits, et les saisonnalités, grâce à la détection des tendances par l’algorithme.
Un processus plus efficace
Après avoir collecté les données de ventes et d’historique via des extractions ou des connecteurs d’API, le système de décision automatisé identifie le type de modèle le plus performant sur l'ensemble des sujets à prédire, en fonctionnant par itération. La plateforme prédictive permet de gérer des milliers de combinaisons de façon beaucoup plus efficace et rapide que l’humain.
L’automatisation du processus de décision permet donc un gain de temps et de ressources immense. En effet, un système de décision sur tableur représente une charge de travail conséquente afin de maintenir des fichiers Excel de décision, les opérer et faire des simulations. Une solution automatisée produit des décisions de façon instantanée, ce qui permet d’allouer le temps et les ressources économisés à des tâches à plus forte valeur ajoutée. La solution prédictive permet également un gain en valeur puisque moins d'erreurs sont commises.
L’intégration
Une solution automatisée est pensée pour avoir une mise en place et une utilisation la plus indolore possible en fonctionnant comme une surcouche venant récupérer des données dans l'ensemble du système IT en place du client. Le modèle effectue les prédictions et va ensuite les générer et les envoyer vers les systèmes cibles.
Ces prédictions peuvent être consultées de différentes manières. Elles peuvent être réinjectées dans des systèmes APS (advanced planning system), dans les systèmes de finance et de gestion de la trésorerie, dans des CMS, des outils BI, ou encore être renvoyées via une API qui les intégrera à des systèmes tiers. Elles peuvent donc être exploitées à tous les niveaux de l'organisation sans avoir besoin de retranscrire ou modifier les fichiers ou même de remettre en cause un logiciel métier en place.
4 conseils pour mettre en place une solution de décision automatisée
1. Mesurer ses objectifs
Il est primordial de se concentrer sur des problèmes dont le ROI est facile à aller chercher et dont on peut mesurer le gain avec des indicateurs de performances (KPI) clairs. Le point de focus peut se faire sur une multitude de sujets : les produits, l'optimisation des ressources, du transport, les revenus, le pilotage financier, les opérations marketing.
Il est aussi crucial de définir les métriques métiers à surveiller. On peut par exemple suivre le taux de revente, la valeur du stock résiduel, ou encore la MAE (mean absolute error).
2. Recueillir une donnée de vente la plus exhaustive possible
Les modèles de machine learning fonctionnent avec de l'historique pour qu'ils puissent apprendre. Il est recommandé de disposer d’au moins 3 ans pour que les machines puissent apprendre notamment lorsque des événements comme la COVID viennent perturber l’activité. Dans le retail, par exemple, on peut utiliser les données de magasins, les données de ventes, des données externes disponibles (météo, Covid, pollution, trafic,...) et des données marketing comme l'emplacement des magasins pour décrypter l'environnement afin d’essayer de caractériser son impact. Tout cela est possible uniquement si les données sont facilement disponibles. Dans le cas contraire, cela rallongerait le temps du projet et de l'implémentation de la solution.
3. Préparer un processus scalable
Il est important de ne pas considérer la mise en place d’une solution automatisée comme un test mais de directement penser l'application pour la voir déployée sur tout le scope opérationnel. Cela implique d’intégrer dès le début les contraintes d'usage, de communication avec les magasins et métiers. On a souvent tendance, dans des POC (Proof of concept), à réduire le scope, ce qui fait que l'on passe à travers d'autres éléments qu'on ne retrouve que dans l'industrialisation. Il faut donc garder cet aspect en tête lors de la conception d’un projet IA.
