Prévision d’assortiment : les outils nécessaires à l’optimisation

La prévision d’assortiments doit prendre en compte l’ensemble des opérations mises en œuvre pour anticiper et sélectionner l’offre des produits proposés aux acheteurs en point de vente physique ou électronique. Les principaux objectifs à atteindre lors de l’instauration d’une politique de prévision des assortiments de produits sont l’amélioration des ventes et l’optimisation de l’écoulement des stocks des produits visés par l’assortiment.

Par ailleurs, l’optimisation des prévisions d’assortiments de produits permet d’améliorer d’autres aspects du fonctionnement d’un point de vente donné. Une fois établie, elle touche à la fois aux prévisions des commandes, des politiques promotionnelles ainsi qu’au fonctionnement des équipes prévisionnelles. Quelles dimensions prendre en compte afin d’améliorer les prévisions d’assortiments de produits ? Quels outils permettent d’aider à l’amélioration de la qualité des prédictions d’assortiments par point de vente ? Retrouvez ici l’ensemble des aspects à prendre en compte en vue de réussir ses prévisions d’assortiments.

Prévision des stocks, des promotions et d’assortiments de produits

Prévision des stocks et d’assortiments de produits sont liés. L’objectif derrière l’optimisation de ces deux actions est de réduire les coûts de stockage et de limiter l’immobilisation de trésorerie en réserve. Par ailleurs, optimiser les prévisions des stocks et des assortiments de produits c’est également :

• diminuer les pertes liées aux invendus ;
• limiter le gâchis de produits périssables (frais, alimentaires par exemple) ;
• éviter les effets de cannibalisation entre produits ;
• réduire les coûts d’inventaire ;
• libérer les équipes opérationnelles des tâches chronophages ou sans valeur ajoutée.

Par ailleurs, les prévisions des assortiments sont également liées à la politique de promotions menée par le point de vente. Celle-ci étant elle-même liée à l’optimisation des marges et des besoins clients. De ce fait, il est nécessaire de choisir une méthodologie de travail et un outil d’aide à la décision capables de rendre l’analyse de la problématique de l’optimisation des assortiments d’articles rattachée aux autres aspects opérationnels et logistiques du point de vente.

Importance des données dans les prévisions d’assortiment

Optimiser la prévision d’assortiments passe par la valorisation des données historiques de l’enseigne ou du commerce en question. Ces données regroupent à la fois les paniers clients (factures et tickets), l’historique des promotions et des ventes, etc. Le choix d’outils capables de prendre en compte l’ensemble de la data est crucial pour l’amélioration des prédictions générées. Les méthodes de prévisionnelles et de BI (business intelligence) exploitées jusque-là par les entreprises souffrent de lacunes concernant :

• l’absence de personnalisation en fonction des points de vente ;
• l’incapacité de gérer de grosses volumétries de données pour gagner en précision ;
• l’implication des biais humains au vu du choix de données limité ;
• l’impossibilité de croiser à la fois des données internes à l’entreprise, mais également celle de la concurrence, du marché cible et des données exogènes de type météorologiques et économétriques et des données liées à la supply chain (data des fournisseurs, du transport des marchandises, etc.) ;
• l’inaptitude à produire des résultats anticipatoires sur plusieurs mois ou en temps réel.

La performance et la qualité des prédictions dépendent directement des données exploitées dans leur génération. Aussi, pour gagner en précision, le croisement de différentes sources de données pouvant enrichir l’analyse élaborée par les outils prédictifs devient un impératif incontournable. À l’heure actuelle, les outils issus de la data science relèvent le défi par leur capacité à ingérer des volumes de données conséquents lors de leur apprentissage. Les modèles prédictifs en machine learning assurent la prise en compte de la data extraite des data lakes des entreprises, mais également de sources exogènes (entreprises concurrentes, données climatiques, régionales, de saisonnalité, économétriques, etc.). Enfin, les algorithmes de machine learning et de forecasting assurent la production de lignes prédictives en temps réel permettant ainsi de gagner à la fois en granularité temporelle et physique (pour chaque point de vente).

Personnalisation des prévisions en fonction des points de vente

L’optimisation des prévisions d’assortiments ne peut avoir lieu sans la prise en compte des spécificités de chaque point de vente. En effet, chaque magasin ou unité de vente virtuelle (site web, application mobile, marketplace, etc.) possède des caractéristiques qui lui sont propres. Les prédictions basées sur des outils manuels ou des données macroscopiques limitent la qualité et la fiabilité des prédictions générées.

Établir une cartographie des points de vente (PDV) de l’enseigne doit être suivi par la mise en place d’une analyse rigoureuse de chaque magasin. Cette deuxième étape servira à établir un profil ou une carte d’identité de l’unité de vente analysée. Pour cela, les données à répertorier doivent répondre à quelques questions.

1. Quels articles ou produits sont vendus au sein du PDV analysé ?
2. Depuis combien de temps sont stockées et vendues ces SKU ?
3. Quelles sont les caractéristiques de la clientèle de ce PDV ?
4. Quelle est la durée de vie de cette clientèle ?
5. À quels moments se rend-elle au magasin physique ou virtuel ?
6. À quelle fréquence se font les achats ?
7. Quels sont les canaux d’achat proposés et préférés par les clients (click and collect, drive, achat en libre service, web, mobile, etc.) ?
8. Quelles sont les motivations des acheteurs au sein du PDV en question ?

Le portrait dressé pour chaque unité de vente doit permettre de mettre en exergue les fréquences d’achats, la saisonnalité des achats et des comportements clients. Par ailleurs, des données exogènes prenant en compte les spécificités régionales et locales (festivals, fêtes, grèves, etc.) doivent être croisées avec le profil ainsi obtenu afin de mieux comprendre les motivations d’achat et mieux anticiper les assortiments de produits à proposer.

Généricité et personnalisation des prédictions et outils du machine learning

Bien que capables de répondre aux problématiques citées ci-dessus, les outils prédictifs basés sur le machine learning assurent la génération de prédictions certes personnalisables et adaptées à tous les points de vente d’une entreprise donnée. Cependant, les algorithmes d’apprentissage automatique possèdent la capacité d’être exploités dans différents domaines de production et de vente. Aussi, peuvent en bénéficier les :

• retailers ;
• acteurs de la grande distribution ;
• e-commerçants ;
• industrie pharmaceutique, automobile, etc.

Pour conclure, l’optimisation des assortiments de produits et d’articles en points de vente nécessite l’amélioration des politiques de prévisions à la fois des stocks, des promotions et de merchandising. Cette optimisation se joue donc à différents niveaux : marketing, commercial et logistique. Elle induit une complexité de traitement nécessitant le recours à des outils capables de prendre en charge ces différentes dimensions. Aussi, l’avènement et la maturation des outils prédictifs issus du domaine de l’intelligence artificielle permettent de répondre à l’ensemble de ces contraintes. Ainsi, l’optimisation au départ d’un seul aspect du fonctionnement du point de vente profite à tous les niveaux opérationnels de celui-ci.

Nous vous recommandons ces autres pages :

• Qu’est-ce que la prévision d’assortiment ?