Pour optimiser les profits, réduire les coûts et améliorer le service client, il convient dans un premier temps de fixer les objectifs de l’entreprise, de repérer les tendances du secteur et de connaître la concurrence. Il faut ensuite identifier les points forts et faibles des modes de gestion, ainsi que des opportunités d’amélioration. Il faut enfin disposer d’une solution de merchandising complète et en particulier d’un bon système de prévision qui a recours à plusieurs algorithmes pour l’intégration des produits permanents, saisonniers et promotionnels.
Pour prévoir la demande, il faut utiliser des méthodes qui permettent de réaliser une estimation du futur sur un horizon de temps déterminé en se fondant sur des données historiques, des tendances passées, des éléments d’incertitudes et éventuellement divers facteurs d’influence. Les prévisions sont donc faites en fonction d’une hypothèse selon laquelle, on peut identifier dans le passé un certain comportement, une certaine loi. Quatre lois sont à considérer : la loi horizontale qui correspond au cas où les données ne représentent aucune tendance (série stationnaire) ; la loi saisonnière qui existe quand une série fluctue selon un facteur saisonnier (<1 an) ; la loi cyclique qui est analogue à la saisonnière, mais dont la longueur du cycle est supérieure à un an et ne se répète pas nécessairement à des intervalle de temps régulier ; la loi de tendance qui observe une croissance ou décroissance de la variable avec le temps.
Il y a quelques années les systèmes de prévision de la demande étaient plus difficiles à mettre en place qu’aujourd’hui où les entreprises ont des entrepôts de données à même de fournir des données historiques de qualité et que le marché propose des solutions de gestion de la demande paramétrables performantes. Certaines de ces solutions automatisent la sélection des modèles de prévision les plus adéquats pour définir les tendances de la demande par produit, vont bien au-delà de l’optimisation des commandes, en optimisant la gestion de l’espace des véhicules de livraison de marchandises, en comparant la livraison avec la demande, accroissant l’efficacité des ressources affectées au transport, tout en satisfaisant au mieux la demande des clients en magasin. Il est possible aussi de contrôler les capacités logistiques et de débit des centres de distribution du point de vente, de prévenir lorsque le magasin dispose de stocks insuffisants pour faire face à la demande escomptée, tout en proposant les meilleures alternatives pour parer aux éventuels disfonctionnements.
J.C. Penney l'une des premières enseignes américaines de grands magasins, de drugstores, de catalogues et de commerce électronique n’avait pas de prévisions précises et des décisions mal fondées concernant les stocks étaient à l'origine d'importants problèmes de service auprès des clients. Une étude avait même révélée qu'au niveau des magasins, 5 à 8 % de tous les articles en stock et plus de 15 % des articles en promotion étaient en rupture de stock à un moment donné. Parallèlement, les situations coûteuses de sur stockage engendrées par des prévisions médiocres réduisaient les bénéfices. Pour s'efforcer en permanence d'avoir les bonnes marchandises dans les bons magasins et aux bons moments pour garantir la satisfaction des clients, ce distributeur avait besoin d'un outil à même de gérer finement la demande, afin en particulier d'améliorer la précision de ses prévisions, augmenter ses ventes, la rotation de ses stocks et son niveau du service. Pour répondre à son besoin J.C. Penney a mis en place la solution DCM (Demand Chain Management) de Teradata.
En résumé sept bonnes raisons de mettre en place une solution de prévision de la demande :
* Amélioration du service proposé aux clients : comprendre la demande pour améliorer les niveaux de service, notamment sur les produits les plus rentables,
* Optimisation de l'assortiment du stock : comprendre comment chaque référence contribue aux résultats afin d'identifier et de corriger aisément les problèmes liés au stock,
* Optimisation de la gestion des promotions : prévoir avec précision des promotions afin de sélectionner la meilleure d'entre elles pour obtenir le résultat voulu,
* Retour sur investissement rapide : les projets de prévision de la demande types se concrétisent par un retour sur investissement de plusieurs millions d'euros et sont rentabilisés en moins de 12 mois après la mise en œuvre,
* Anticipations précises : hausse des ventes et des rotations de stock,
* Gestion des exceptions : des alertes proactives permettent de transformer rapidement un problème potentiel en opportunité,
* Impacts sur les démarques et les vols : réduction des démarques de 5 % à 10 % et baisse des vols de 20 % ou plus.
Pour aller plus loin sur ce sujet vous pouvez utilement consulter le lien suivant :
http://www.teradata.com/t/page/133341/index.html
Pour prévoir la demande, il faut utiliser des méthodes qui permettent de réaliser une estimation du futur sur un horizon de temps déterminé en se fondant sur des données historiques, des tendances passées, des éléments d’incertitudes et éventuellement divers facteurs d’influence. Les prévisions sont donc faites en fonction d’une hypothèse selon laquelle, on peut identifier dans le passé un certain comportement, une certaine loi. Quatre lois sont à considérer : la loi horizontale qui correspond au cas où les données ne représentent aucune tendance (série stationnaire) ; la loi saisonnière qui existe quand une série fluctue selon un facteur saisonnier (<1 an) ; la loi cyclique qui est analogue à la saisonnière, mais dont la longueur du cycle est supérieure à un an et ne se répète pas nécessairement à des intervalle de temps régulier ; la loi de tendance qui observe une croissance ou décroissance de la variable avec le temps.
Il y a quelques années les systèmes de prévision de la demande étaient plus difficiles à mettre en place qu’aujourd’hui où les entreprises ont des entrepôts de données à même de fournir des données historiques de qualité et que le marché propose des solutions de gestion de la demande paramétrables performantes. Certaines de ces solutions automatisent la sélection des modèles de prévision les plus adéquats pour définir les tendances de la demande par produit, vont bien au-delà de l’optimisation des commandes, en optimisant la gestion de l’espace des véhicules de livraison de marchandises, en comparant la livraison avec la demande, accroissant l’efficacité des ressources affectées au transport, tout en satisfaisant au mieux la demande des clients en magasin. Il est possible aussi de contrôler les capacités logistiques et de débit des centres de distribution du point de vente, de prévenir lorsque le magasin dispose de stocks insuffisants pour faire face à la demande escomptée, tout en proposant les meilleures alternatives pour parer aux éventuels disfonctionnements.
J.C. Penney l'une des premières enseignes américaines de grands magasins, de drugstores, de catalogues et de commerce électronique n’avait pas de prévisions précises et des décisions mal fondées concernant les stocks étaient à l'origine d'importants problèmes de service auprès des clients. Une étude avait même révélée qu'au niveau des magasins, 5 à 8 % de tous les articles en stock et plus de 15 % des articles en promotion étaient en rupture de stock à un moment donné. Parallèlement, les situations coûteuses de sur stockage engendrées par des prévisions médiocres réduisaient les bénéfices. Pour s'efforcer en permanence d'avoir les bonnes marchandises dans les bons magasins et aux bons moments pour garantir la satisfaction des clients, ce distributeur avait besoin d'un outil à même de gérer finement la demande, afin en particulier d'améliorer la précision de ses prévisions, augmenter ses ventes, la rotation de ses stocks et son niveau du service. Pour répondre à son besoin J.C. Penney a mis en place la solution DCM (Demand Chain Management) de Teradata.
En résumé sept bonnes raisons de mettre en place une solution de prévision de la demande :
* Amélioration du service proposé aux clients : comprendre la demande pour améliorer les niveaux de service, notamment sur les produits les plus rentables,
* Optimisation de l'assortiment du stock : comprendre comment chaque référence contribue aux résultats afin d'identifier et de corriger aisément les problèmes liés au stock,
* Optimisation de la gestion des promotions : prévoir avec précision des promotions afin de sélectionner la meilleure d'entre elles pour obtenir le résultat voulu,
* Retour sur investissement rapide : les projets de prévision de la demande types se concrétisent par un retour sur investissement de plusieurs millions d'euros et sont rentabilisés en moins de 12 mois après la mise en œuvre,
* Anticipations précises : hausse des ventes et des rotations de stock,
* Gestion des exceptions : des alertes proactives permettent de transformer rapidement un problème potentiel en opportunité,
* Impacts sur les démarques et les vols : réduction des démarques de 5 % à 10 % et baisse des vols de 20 % ou plus.
Pour aller plus loin sur ce sujet vous pouvez utilement consulter le lien suivant :
http://www.teradata.com/t/page/133341/index.html
Autres articles
-
Teradata nomme Louis Landry au poste de Chief Technology Officer
-
Teradata AI Unlimited pour Microsoft Fabric est désormais disponible en avant-première via Microsoft Fabric Workload Hub
-
Teradata facilite l’application concrète de l’IA générative et accélère la création de valeur pour les entreprises
-
Teradata propose des capacités d’IA exceptionnelles pour les grandes entreprises et les environnements hybrides en collaboration avec NVIDIA
-
Les nouvelles fonctionnalités de ClearScape Analytics maximisent le retour sur investissement en matière d’IA/ML et renforcent la productivité de la data science