ABONNEZ-VOUS À LA NEWSLETTER

    ABONNEZ-VOUS À LA NEWSLETTER

    Business and Predictive Analytics
    Analyse Prédictive dans le secteur du Retail et GDO : comment anticiper vos futurs revenus ?

    Jamais auparavant les termes Artificial Intelligence (AI), Predictive Analytics et Machine Learning n’ont été autant utilisés et exagérés.
    Cependant, une chose est sûre : peu de gens savent vraiment ce que c’est et encore moins ont essayé d’évaluer l’impact pratique de son utilisation sur les processus de prévision du secteur Retail et GDO.

    Predictive Analytics : Artificial Intelligence et Machine Learning, on comprend mieux

    Essayons de comprendre ce qui se cache derrière ces termes.
    L’Intelligence Artificielle est un domaine très vaste qui représente la possibilité d’une machine d’agir avec des capacités humaines telles que raisonnement, apprentissage, créativité et prise de décision. Les premières études dans ces matières remontent aux années 1970 mais n’ont pas été suivies d’effet en raison de deux problèmes : le manque de données et de puissance de calcul.

    Parmi les différentes branches de l’IA figure le Machine Learning, selon lequel la machine apprend à résoudre des problèmes en étudiant des données sur des situations similaires survenues dans le passé. Ce n’est plus le programmeur qui écrit l’algorithme, mais la machine qui déduit la règle de manière autonome.  Ces techniques sont également de plus en plus mises en avant grâce au Big Data : plus je fournis d’informations à la machine, plus elle peut comprendre et interpréter le passé de manière exhaustive. Le problème est plutôt de comprendre quelles sont les données utiles à fournir à la machine afin de ne pas générer de « confusion ».

    Comment et pourquoi utiliser le Machine Learning dans le Retail

    Dans le domaine du Retail, une typique application du Machine Learning (ML) est la prévision des revenus à venir. Il est nécessaire de fournir au moteur prédictif l’historique des ventes et de cartographier les événements passés considérés comme significatifs (et donc aussi futurs) tels que, par exemple : heures d’ouverture des magasins, effets calendaires ( fêtes comme Pâques), inflation (interne/externe), certaines tendances du marché, promotions ou autres événements ( cf. COVID). Tout cela est transmis à l’algorithme ML (il en existe de nombreux dans la littérature) afin qu’il apprenne et déduise automatiquement les relations de cause à effet que chaque événement a eu sur les entrées passées.

    Une fois la phase d’apprentissage terminée, la machine est prête à appliquer l’expérience acquise au futur. Il lui suffit d’émettre des hypothèses sur la façon dont ces événements se produiront à l’avenir et l’algorithme ML définira les entrées.

    Il est certes utile de recourir à une société de conseil qui a déjà de l’expérience en la matière, mais cela ne suffit pas à démystifier la question.  On procède en continu à un affinage minutieux pour trouver le chemin qui donne les meilleurs résultats.  Il faut identifier le bon détail dimensionnel (jour, semaine ou mois ? Branche de Détail ou Branche du Gros ?) et la profondeur historique à utiliser dans la phase d’apprentissage (les entrées d’il y a 20 ans ne sont probablement pas significatives pour prévoir l’avenir). En outre, tous les événements que nous cartographions doivent être mesurables à la fois dans le passé et dans le futur : par exemple, la météo peut être un événement ayant un impact (un week-end pluvieux, la fréquentation d’un centre commercial augmente) mais, en même temps, il est difficile de faire des prévisions à moyen et long terme (pleuvra-t-il dans 8 week-ends ?).

    Human et Artificial Intelligence : le couple du futur

    En conclusion, l’introduction de ces nouvelles techniques de traitement peut certainement apporter des avantages, tels que : 

    • une capacité plus « impartiale » et profonde à interpréter les données antérieures ;
    • une vitesse de réaction plus élevée et reprogrammation (ce qui est très important dans le monde complexe dans lequel nous vivons).

    Cependant, il faut toujours le faire dans le but d’apporter une aide et non de remplacer l’intelligence humaine.

    Il est donc important que l’introduction de ces techniques dans l’entreprise aille de pair avec la formation culturelle des personnes qui doivent les utiliser, les comprendre et percevoir l’IA comme une assistance et une valeur ajoutée et non comme une boîte noire qui sort par magie des chiffres difficiles à interpréter et à expliquer.

    CONTACTEZ-NOUS

    Si vous avez des demandes spécifiques et souhaitez nous écrire un message, remplissez le formulaire.

    8722