Le machine learning prévoit combien chaque site va vendre.
Une plateforme de machine learning qui prévoit la demande de chaque site et de chaque plat à partir des ventes passées et des données des frigos en direct. Les équipes s’en servent pour planifier stocks, effectifs et dépenses.
Chaque jour, il faut décider combien cuisiner.
Chez FeelEat, des planificateurs expérimentés prenaient cette décision à l’aide de tableurs.
Nous avons construit une plateforme qui combine l’historique des ventes, la période de l’année, la météo et les données des frigos en direct en une prévision de la demande pour chaque site et chaque plat. Les commandes et le réassort sont désormais planifiés à partir de cette prévision.
En production, la prévision est juste à 98%. Les ruptures ont baissé de 58% et le surstock de 41%.
La planification ne suivait plus la croissance du réseau de frigos.
Les planificateurs expérimentés faisaient du bon travail sur les sites qu’ils connaissaient.
Trop cuisiner coûte cher, les frigos vides aussi.
Les planificateurs n’avaient que leur jugement et un tableur.
- La surproduction : des repas invendus jetés à la fin de chaque journée.
- Les ruptures : un frigo vide à midi, ce sont des ventes perdues et des clients mécontents.
- Les saisons passées ignorées : les données de ventes antérieures n’étaient pas utilisées de façon structurée.
- Un savoir bloqué sur un site : l’expérience de chaque planificateur restait avec lui.
Les planificateurs reçoivent une prévision pour chaque site et chaque plat.
Ils s’en servent pour décider de ce qu’il faut cuisiner et stocker, et voient à quel point les prévisions passées étaient justes.
- Une précision suivie : chaque prévision est comparée aux ventes réelles.
- Les données en entrée : ventes et données des frigos, chargées au fil de l’eau.
- Des plans de commande : quantités à commander et plannings d’équipe établis à partir de la prévision.
- Réentraînement automatique : le modèle se réentraîne quand les menus changent et que de nouveaux sites ouvrent.
La plateforme transforme les données de ventes en quantités à commander.
Des pipelines alimentent les modèles, et des contrôles vérifient que les résultats restent justes.
Collecte des données
Historique des ventes, dates du calendrier et données des frigos en direct, chargés automatiquement par des pipelines de données.
Modèles de prévision de la demande
Des prédictions par site et par plat, pour les jours sur lesquels portent les commandes des planificateurs.
Planification des commandes
Des prévisions traduites en quantités de commande et en plans de production.
Planification des effectifs et des dépenses
La même prévision sert aux plannings d’équipe et aux budgets d’achat.
Alertes de précision
Une alerte se déclenche quand la demande change de profil et que les ventes commencent à s’écarter de la prévision.
Réentraînement planifié
Les modèles se réentraînent automatiquement sur les nouvelles données, et un nouveau modèle ne remplace l’ancien que s’il fait mieux.
Les équipes d’exploitation nous ont aidés à chiffrer le coût d’une mauvaise prévision.
Avant toute modélisation, nous avons mis en balance un repas jeté et un frigo vide.
Conceptualisation
Définition, avec les équipes d’exploitation, de la manière de noter une prévision.
Design
Des vues de planification qui disent quoi cuisiner.
Développement
Le chargement des données, les modèles et le réentraînement automatique.
Déploiement
Bascule site par site, après une période d’essai.
Apportez votre version du problème Forecasting Model. Quatre heures, gratuites, avec l'équipe qui a livré celui-ci.
Réserver l'atelier gratuitCe qui nous a tenus éveillés la nuit.
Les problèmes que nous avons dû résoudre.
Un essai face aux planificateurs
Les planificateurs voulaient voir la prévision fonctionner avant de s’y fier. Pendant une période d’essai, elle a tourné à côté de leurs propres plans, et ils ont basculé quand ses résultats ont dépassé les leurs.
Les nouveaux sites sans historique de ventes
Un nouveau site démarre avec des prévisions empruntées à des sites similaires. Elles s’affinent à mesure que ses propres données de ventes arrivent.
Des menus et des sites qui changent sans cesse
La demande change quand les menus tournent ou que de nouveaux sites ouvrent. Les modèles se réentraînent automatiquement, et leur précision est contrôlée régulièrement.
La stack technique.
Les modèles sont écrits en Python avec PyTorch et XGBoost. Airflow fait tourner les pipelines de données et PostgreSQL stocke les données et chaque version des modèles, le tout sur AWS.
Les chiffres que les propriétaires suivent.
Les résultats chez FeelEat.
Mesurée en production, par rapport à ce qui s’est réellement vendu.
Beaucoup moins de frigos vides à l’heure du déjeuner.
Moins de nourriture cuisinée puis jetée.
Vous voulez des chiffres comme ceux-ci ? Voici ce qui se passe après votre message.
Avant, la planification reposait sur l’habitude et l’à-peu-près. Aujourd’hui, la prévision nous dit, frigo par frigo, quels plats envoyer et en quelle quantité, selon qui travaille dans chaque entreprise et ce que ces personnes achètent vraiment. Mon équipe vérifie le plan au lieu de le bâtir de zéro.
Continuez à explorer.
Chaque projet présenté ici est en production, payé, et génère des revenus pour ses propriétaires.
Questions fréquentes
Décrivez-le dans un brief. Un ingénieur senior le lit et répond sous un jour ouvré.
Que fait la plateforme de prévision de la demande ?
C’est une plateforme de machine learning, construite par CODT Technologies, qui s’appuie sur les ventes passées pour indiquer ce qu’il faut cuisiner et stocker ensuite. Ses prévisions sont justes à 98% et pilotent les commandes et le réassort de FeelEat.
Quels résultats concrets le modèle de prévision a-t-il obtenus ?
Les ruptures de stock ont baissé de 58% et le surstock de 41%. Cela veut dire moins de nourriture jetée et moins de frigos vides.
Le modèle est-il la partie difficile d’une plateforme de prévision ?
Non. Le modèle lui-même était la plus petite partie du travail. L’essentiel de l’effort est allé aux pipelines de données, aux contrôles qui alertent quand la précision baisse et aux écrans de planification consultés chaque matin.
Un problème qui mérite d'être
bien résolu ?
Parlez-nous de votre produit, de votre calendrier et de vos contraintes. Nous répondons sous un jour ouvré avec un avis honnête sur l'adéquation, le périmètre et la bonne équipe.