IA pour l'allocation des stocks multi-entrepôts : expédier depuis le bon emplacement
Un détaillant d'équipements de fitness à domicile disposant de trois entrepôts (New Jersey, Texas et Nevada) expédiait 38 % de ses commandes depuis le mauvais entrepôt. Par mauvais, j'entends un entrepôt qui n'était pas le plus proche du client. Des commandes provenant de Californie étaient expédiées depuis le New Jersey simplement parce que c'est là que se trouvait le stock. Le coût d'expédition moyen de ces envois transcontinentaux était de 14,80 $ contre 6,20 $ pour les commandes traitées depuis l'entrepôt le plus proche.
Après avoir mis en place un système d'allocation des stocks basé sur l'IA qui positionnait les stocks en fonction de la demande régionale prédite, leur taux d'expédition depuis l'entrepôt le plus proche est passé de 62 % à 84 %. Les coûts d'expédition annuels ont diminué d'environ 1,2 million de dollars sur un chiffre d'affaires d'environ 28 millions de dollars. L'amélioration ne provenait pas de l'ajout de capacité d'entreposage, mais de décisions plus intelligentes sur l'emplacement des stocks existants.
Le problème fondamental : la demande n'est pas répartie uniformément
Si vous vendez à l'échelle nationale depuis plusieurs entrepôts et que vous répartissez les stocks de manière égale entre les emplacements, vous faites presque certainement une mauvaise allocation. La demande pour des produits spécifiques varie considérablement selon la géographie. Un détaillant de vêtements d'extérieur pourrait observer une demande 4 fois supérieure pour les vestes de pluie dans le nord-ouest du Pacifique par rapport à l'Arizona, tandis que les produits de protection solaire montrent le schéma inverse.
L'approche naïve consiste à allouer en fonction de la part de chaque entrepôt dans la demande totale historique. Si votre entrepôt de la côte Est a traité 45 % des commandes le trimestre dernier, vous y placez 45 % des nouveaux stocks. Cela ignore la variation géographique au niveau des produits. La répartition globale des commandes peut être de 45/30/25 entre vos trois entrepôts, mais un SKU spécifique peut avoir une demande répartie à 20/50/30 en raison des préférences régionales, des conditions météorologiques locales ou des différences démographiques.
Ce que le modèle d'allocation par IA optimise
Le modèle d'allocation résout un problème d'optimisation sous contraintes. Il cherche à minimiser le coût total de traitement (coût d'expédition plus coût de manutention) tout en maintenant des niveaux de service adéquats (taux de disponibilité et rapidité de livraison) dans toutes les régions, en respectant les contraintes de capacité des entrepôts et en tenant compte des stocks en transit et en commande.
L'entrée clé est une prévision de la demande ventilée par SKU et par région. Plutôt que de prévoir la demande totale puis de la répartir entre les entrepôts, le modèle prévoit la demande dans la zone de desserte de chaque entrepôt de manière indépendante. Un client à Denver pourrait être desservi par l'entrepôt du Texas ou du Nevada selon le produit, les niveaux de stock actuels et les tarifs des transporteurs, le modèle prend donc en compte les zones de desserte qui se chevauchent.
Les matrices de coûts d'expédition cartographient le coût réel d'expédition de chaque produit (basé sur le poids et les dimensions) depuis chaque entrepôt vers chaque zone de livraison. Ce ne sont pas de simples calculs de distance. La tarification des transporteurs inclut des structures tarifaires par zone, des frais de poids dimensionnel et des remises sur volume qui varient selon l'entrepôt. Le modèle utilise vos tarifs négociés réels pour une optimisation précise des coûts.
Le résultat est une recommandation d'allocation pour chaque livraison de réapprovisionnement entrante. Au lieu de répartir un bon de commande de 1 000 unités de manière égale entre trois entrepôts, le modèle pourrait recommander 250 au New Jersey, 450 au Texas et 300 au Nevada en fonction des prévisions de demande actuelles, du stock existant à chaque emplacement et du scénario de livraison minimisant les coûts.
Logique de transfert : quand déplacer les stocks entre entrepôts
Parfois, l'allocation initiale est erronée, ou les schémas de demande changent en cours de saison. Le modèle génère également des recommandations de transfert, suggérant quand il est rentable de déplacer des stocks d'un entrepôt à un autre. Ce calcul compare le coût du transfert inter-entrepôts (fret plus manutention aux deux extrémités) aux économies attendues en traitant les futures commandes depuis un emplacement plus proche.
Un transfert est justifié lorsque l'entrepôt destinataire risque une rupture de stock dans le délai de réapprovisionnement, que l'entrepôt expéditeur dispose d'un excédent de stock au-delà de ses besoins projetés pour les 30 prochains jours, et que le coût du transfert est inférieur aux économies cumulées sur les frais d'expédition des commandes qui seraient autrement expédiées depuis un emplacement plus éloigné.
Le calcul des transferts fonctionne souvent pour les produits légers à forte rotation. Déplacer une palette de produits de soins de la peau du New Jersey au Nevada peut coûter 180 $ en fret de groupage, mais si cela évite que 200 commandes soient expédiées d'un bout à l'autre du pays à un surcoût de 8,60 $ chacune, les économies sont de 1 720 $ moins les 180 $ de coût de transfert. Pour les articles lourds ou volumineux, le coût de transfert est plus élevé et le calcul est moins souvent favorable.
Gestion des expéditions fractionnées
Les commandes multi-articles créent un problème d'optimisation secondaire. Si un client commande trois articles et que l'un n'est disponible qu'à l'entrepôt de la côte Est tandis que les deux autres sont à l'entrepôt de la côte Ouest, vous avez trois options : tout expédier depuis la côte Est (deux articles parcourent une distance inutile), fractionner l'envoi en deux colis (coût d'expédition total plus élevé mais livraison plus rapide pour les deux articles de la côte Ouest), ou attendre que tous les articles soient disponibles au même emplacement (livraison globale plus lente).
Le modèle d'IA évalue ces options pour chaque commande multi-articles en fonction de la différence de coût réelle, des attentes de livraison du client (standard vs. express) et de la sensibilité passée du client aux envois fractionnés (certains clients se plaignent de recevoir plusieurs colis). Le choix optimal varie selon la commande et il n'existe pas de politique unique optimale.
Réduire les envois fractionnés représente souvent une opportunité d'économies plus importante que l'optimisation de l'allocation des articles individuels. Un détaillant d'articles ménagers a constaté que 22 % de ses commandes multi-articles étaient expédiées en envois fractionnés avec un surcoût moyen de 7,40 $ par commande. En ajustant l'allocation des stocks pour s'assurer que les articles fréquemment achetés ensemble étaient stockés dans le même entrepôt, ils ont réduit les envois fractionnés à 13 % et économisé 340 000 $ par an.
Exigences en données et mise en œuvre
La construction d'un modèle d'allocation efficace nécessite plusieurs jeux de données : l'historique des commandes avec la localisation du client (au niveau du code postal), les données de traitement par entrepôt (quel entrepôt a expédié chaque commande), les grilles tarifaires des transporteurs pour tous les transporteurs et niveaux de service actifs, les positions de stock actuelles dans chaque entrepôt mises à jour au moins quotidiennement, et les données de bons de commande pour le réapprovisionnement entrant.
Le modèle lui-même peut être un solveur de programmation linéaire pour l'optimisation de l'allocation, combiné à un modèle de prévision de la demande (gradient boosting ou réseau de neurones) pour les prédictions de demande régionale. Les solveurs open source comme Google OR-Tools ou PuLP gèrent bien l'optimisation, et la prévision de la demande peut utiliser n'importe quel framework ML standard.
L'intégration avec votre WMS (système de gestion d'entrepôt) et votre OMS (système de gestion des commandes) est essentielle. Les recommandations d'allocation doivent s'intégrer dans votre processus de réception afin que les stocks entrants soient dirigés vers le bon entrepôt. La logique de routage des commandes dans votre OMS doit prendre en compte les priorités d'entrepôt du modèle d'allocation lors de l'attribution des emplacements de traitement aux nouvelles commandes.
Pour les détaillants e-commerce exploitant plusieurs centres de traitement, l'allocation des stocks est l'un de ces problèmes qui semble gérable jusqu'à ce que l'on fasse les calculs. La différence entre une allocation naïve à parts égales et une allocation optimisée représente généralement de 15 à 25 % d'économies sur les coûts d'expédition totaux. Pour une entreprise de 20 millions de dollars consacrant 8 % de son chiffre d'affaires à l'expédition, cela représente de 240 000 $ à 400 000 $ par an, soit largement de quoi financer le système d'allocation plusieurs fois et disposer encore de fonds pour d'autres améliorations.