Comment les mathématiques appliquées ...... apportent leur puissance au monde du commerce.
Conçu sur le principe de calculs automatiques avancés, le Machine Learning est devenu, ces dernières années, un enjeu fondamental pour les entreprises utilisant un volume important de données (les Big Data) dans leurs processus décisionnels. L’expansion des objets connectés dans la vie quotidienne touche également la quasi-totalité des activités et est parvenue à un stade de maturité décisif. Le secteur du Retail est directement impacté par cet enjeu, la révolution est en marche touchant désormais jusqu’aux systèmes opérationnels de production.
5 verites oubliées sur la gestion des stocks dans le retail
Machine Learning : Ce que le Machine Learning révolutionne pour les retailers et les consommateurs
1. MACHINE LEARNING
Ce que le Machine Learning révolutionne pour les retailers et les consommateurs
Comment les mathématiques appliquées ...
... apportent leur puissance au monde du commerce
2. 1
Une innovation devenue une
nécessité
Conçu sur le principe de calculs automatiques
avancés, le Machine Learning est devenu, ces
dernières années, un enjeu fondamental pour les
entreprises utilisant un volume important de données
(les Big Data) dans leurs processus décisionnels.
L’expansion des objets connectés dans la vie quotidienne
touche également la quasi-totalité des activités et est
parvenue à un stade de maturité décisif. Le secteur du Retail
est directement impacté par cet enjeu, la révolution est en
marche touchant désormais jusqu’aux systèmes opérationnels
de production.
3. 2
NOUS ALIMENTONS UNE RÉVOLUTION DIGITALE
L’apprentissage automatique, et plus largement
l’intelligence artificielle, ne sont pas des concepts
nouveaux. Mais certains facteurs permettent
aujourd’hui de les mettre en application de
manière beaucoup plus efficace, révolutionnant
son utilisation. Parmi ces facteurs, deux sont
essentiels :
• Le Big Data. Par définition, le Machine
Learning se nourrit de données, et a donc
besoin d’elles en quantité et en permanence.
La multiplication des informations, leur
diversité et leur disponibilité augmentent
considérablement la capacité d’analyse et
d’apprentissage. La puissance de calcul des
systèmes informatiques actuels rend possible
le traitement rapide de ces données.
• L’interaction des objets connectés.
Ordinateurs, tablettes, smartphones, montres
connectées, terminaux portables ou tout
autre objet de la vie courante est désormais
connecté : tous sont devenus des collecteurs
et des transmetteurs permanents de données
liées aux consommateurs que nous sommes,
à nos habitudes, à nos préférences, à nos
comportements, etc.
Aujourd’hui plus que jamais, tout le monde est
connecté (professionnels ou consommateurs) et
participe à l’alimentation constante des systèmes
qui analysent nos comportements et habitudes
d’achat.
Désormais, l’intelligence artificielle dispose donc
de ce qui lui manquait – sa matière première –
pour nous assister efficacement à tout moment,
et elle en dispose sans que nous n’ayons besoin
de l’alimenter manuellement : tout ceci peut se
faire aujourd’hui en flux continu et de manière
automatisée.
Dans un programme informatique, l’exécution
des tâches est automatisée. Cependant, en aucun
cas, il n’a la possibilité d’améliorer par lui-même
la modélisation des données ou d’appréhender
les nouvelles informations qu’il traite. Il a encore
moins la capacité à innover dans sa manière de
fonctionner… à moins d’être modifié par l’homme
(mises à jour et nouvelles versions).
C’est l’une des différences fondamentales entre
la programmation classique et la programmation
basée sur le Machine Learning.
Eneffet,cettenotiond’apprentissageautomatique,
propre au Machine Learning, est essentielle. Il est
donc important d’en rappeler la définition:
Un algorithme classique, si puissant et précis soit-il, exécute ce pour
quoi il a été programmé et se limite aux instructions qu’on lui donne.
il s’agit de l’ensemble des
processus mis en œuvre pour
élaborer ou modifier les modèles
comportementaux influencés par
l’activité et l’expérience.
4. 3
LE MACHINE LEARNING APPLIQUÉ AU MONDE DU
RETAIL
Avec le Machine Learning, les données sont
fondamentales et contribuent à la définition du
modèle statistique à appliquer contrairement aux
algorithmes classiques, où le modèle est défini au
préalable, avant d’être appliqué aux données.
Cette différence est majeure car il s’agit du
passage d’un schéma empirique à un système
évolué qui adapte en toute autonomie la solution
et le modèle à appliquer. L’objectif premier
étant de constamment rechercher la meilleure
performance économique à court et long terme.
Il s’agit d’une révolution pour les modèles de calcul
et de prévision.
Dans le monde du Retail, ces atouts sont
fondamentaux et sont déjà en train de transformer
la manière d’optimiser les opérations et de
répondre aux attentes des consommateurs.
C’est ce qui permet notamment à Amazon de
recommander des livres ou à Netflix des films de
manière pertinente et évolutive, en s’adaptant
en permanence en fonction du comportement
des internautes. Ils ne sont pas encore en mesure
de lire l’avenir et de prévoir ce que nous allons
acheter à coup sûr (ils ne le savent pas), toutefois
ils sont capables de le supposer, avec une marge
d’erreur de plus en plus faible.
Le contexte actuel d’innovation, d’accélération des délais de mise sur le
marchéetdepersonnalisationdesproduits obligelesretailersàrepenser
leur chaîne logistique et leur gestion des stocks afin de ne pas pénaliser
leur croissance.
5. Dans le domaine de la gestion des stocks et des
réapprovisionnements, le Machine Learning
apporte également des avantages très importants.
Prenons l’exemple des prévisions de ventes.
Traditionnellement, les Retailers consultent
l’historique des ventes pour définir les volumes
de réapprovisionnement, en s’efforçant de
reconnaître et de prédire les contraintes externes
qui génèrent les pics et les creux de consommation
(vacances, événements sportifs, canicule, etc.).
Le problème est que, même avec les calculs les
plus précis, ces prévisions seront faussées par
de nombreux phénomènes : par exemple, si
le stock initial est insuffisant, la demande des
Autre illustration : le traitement des anomalies. Par exemple, un article qui ne se
vend pas dans un magasin spécifique d’une enseigne de distribution, alors qu’il se
vend très bien dans tous ses autres magasins.
Cela arrive fréquemment et peut avoir différentes causes. Pour une enseigne de
bricolage, il peut s’agir d’un pot de peinture d’une couleur spécifique placé dans le
mauvais rayon.
Les clients qui chercheront cette couleur ne la trouveront donc pas au bon rayon, diminuant ainsi le
volume des ventes de cette référence dans ce magasin. Conséquence : il y aura une erreur dans le stock, qui
se prolongera dans la durée (l’article ne se vendant pas ou peu, le magasin ne se réapprovisionnera pas). Le
Machine Learning permet de repérer ce type d’anomalie, appelée « stock suspect », là où les algorithmes
classiques ne feront pas la différence et traiteront ces anomalies comme des inventaires « normaux ».
Ilnes’agitlàquedequelquesillustrations.Maisdans
un contexte où les performances économiques
du Retail sont étroitement liées à la capacité à
collecter et à analyser des volumes importants
de données issues de sources multiples, avec un
niveau d’automatisation très élevé, le Machine
Learning est en train d’ouvrir une nouvelle ère.
consommateurs ne sera pas bien répercutée
dans les ventes du fait des ruptures de stock. Ces
mêmes ruptures vont aussi augmenter les ventes
des produits similaires ayant encore du stock,
par report. De manière symétrique, un produit
vendu avec une forte remise aspire les ventes et
réduit les quantités vendues de produits similaires
(phénomène de « cannibalisation »). Pour tous ces
sujets, le Machine Learning permettra de savoir
combien de ventes auraient été faites avec un
stock théorique infini et de modéliser l’impact
des promotions. Contrairement aux algorithmes
classiques, il fait cela de manière automatisée et
robuste.
Il provoque de profonds changements
opérationnels et métiers du Retail dans le but
premier d’améliorer les fonctions critiques de
l’entreprise ; et permet une connaissance avancée
et durable des clients, saison après saison, année
après année.
4