Une prévision sur laquelle votre exploitation peut passer commande.
Un logiciel de prévision de la demande transforme l'historique des ventes, la saisonnalité et les signaux opérationnels en direct en un chiffre contre lequel les équipes peuvent commander, cuisiner et planifier leurs effectifs. CODT Technologies en a construit un en production pour FeelEat : des prévisions par site et par plat à 98 % de précision, des ruptures de stock en baisse de 58 % et un surstock en baisse de 41 %.
Des signaux bruts au plan de demain.
Les signaux entrent
Deux ans d'historique de ventes, la saisonnalité, les effets de calendrier, la météo et la télémétrie en direct de l'exploitation traversent des pipelines d'ingestion construits pour cela. La plateforme retient ce que l'intuition d'un planificateur ne peut pas retenir.
Les modèles prévoient par site et par plat
Les prédictions sont calées sur l'horizon auquel les planificateurs achètent réellement, à la granularité où les décisions se prennent : ce plat, sur ce site. La précision est mesurée en continu en production, à 98 % face à ce qui s'est réellement vendu.
Les prévisions deviennent des plans
Le résultat n'est pas un graphique qui répond « ça dépend » : les prévisions se traduisent en quantités à commander, en plans de production, en effectifs et en budgets d'achat, tous pilotés par la même courbe de demande.
Le réentraînement l'empêche de dériver
Les cartes changent, des sites ouvrent, les saisons tournent. La surveillance de la dérive suit la précision face à la réalité, les modèles se réentraînent automatiquement sur des données fraîches, et les nouveaux sites démarrent sur des prévisions transférées qui convergent à mesure que les données locales arrivent.
Une précision qui a survécu au contact de la production.
Prévision de la demande chez FeelEat, du ML sur une exploitation en activité
Pour FeelEat, nous avons construit toute la boucle : ingestion des signaux, modèles de prévision par site et par plat, vues de planification pour les stocks, les effectifs et les dépenses, et la surveillance de la dérive et le réentraînement programmé qui maintiennent les 98 % à mesure que la demande bouge. Le modèle a tourné en mode fantôme à côté des plans humains jusqu'à ce que son historique, et non ses formules, emporte la décision ; la bascule s'est ensuite faite site par site, et la plateforme s'est remboursée dès le premier trimestre.
Les questions que les équipes posent sur la prévision de la demande
Décrivez-le dans un brief. Un ingénieur senior — pas un commercial — répond sous un jour ouvré.
Qu'est-ce qu'un logiciel de prévision de la demande ?
Une plateforme d'apprentissage automatique qui transforme votre historique de ventes, la saisonnalité et vos signaux en direct en un plan prospectif. Elle prédit la demande à la granularité où vous décidez, pour que les stocks, les effectifs et les dépenses se planifient contre un chiffre plutôt que contre une intuition.
Jusqu'où une prévision de demande peut-elle être précise ?
La plateforme que nous avons construite pour FeelEat tourne à 98 % de précision en production, mesurée en continu face à ce qui s'est réellement vendu et non sur un jeu de test isolé. Une précision ne compte que lorsqu'elle est mesurée là où l'argent circule.
De quelles données a-t-elle besoin pour fonctionner ?
Les modèles de FeelEat ont été entraînés sur deux ans d'historique de ventes, plus la saisonnalité, les effets de calendrier, la météo et les signaux en direct de l'exploitation elle-même. Les nouveaux sites sans historique démarrent sur des prévisions transférées depuis des sites comparables, qui convergent à mesure que les données locales arrivent.
Quels résultats suivent de meilleures prévisions ?
Les deux sens de l'erreur se réduisent. Chez FeelEat, les ruptures de stock ont baissé de 58 % et le surstock de 41 %, soit moins d'étagères vides et moins de produits frais cuisinés pour la poubelle, à demande égale. La plateforme s'est remboursée dès le premier trimestre.
Nos planificateurs feront-ils vraiment confiance à un modèle ?
Pas le premier jour, et ils auraient tort de le faire. Le modèle de FeelEat a tourné en mode fantôme à côté des plans humains jusqu'à ce que son historique emporte la décision, puis la bascule s'est faite site par site. La confiance se gagne par la mesure, et nous concevons le déploiement en conséquence.
Le modèle est-il le plus difficile ?
Non. Le modèle a pris des semaines ; la plomberie des données, la surveillance de la dérive et les vues de planification que quelqu'un consulte à 8 heures du matin ont pris des mois. C'est cette couche opérationnelle qui rend les 98 % utilisables, et c'est là que vit l'essentiel de l'ingénierie.
Comment démarre-t-on ?
Par un sprint de discovery payant : nous cadrons ensemble vos sources de données, la granularité de vos décisions et vos vues de planification, et vous recevez un devis ferme et transparent avant la moindre ligne de construction.
Un problème qui mérite
d'être bien résolu ?
Parlez-nous de votre produit, votre échéance et vos contraintes. Nous vous répondrons sous un jour ouvré avec une lecture honnête de la faisabilité, du périmètre et de la bonne équipe à mobiliser.