Comment le Machine Learning prédit les ruptures de stock 3 semaines avant qu'elles ne surviennent

Un détaillant de produits de beauté de taille moyenne gérant environ 3 500 références avait un problème persistant. Chaque mois, 8 à 12 % de ses produits les plus vendus atteignaient un stock nul avant l'arrivée du réapprovisionnement. Chaque rupture de stock sur un article populaire leur coûtait environ 2 800 $ par jour en ventes perdues, sans compter les dommages en termes de fidélité client et les dépenses publicitaires gaspillées à diriger du trafic vers des pages produits en rupture de stock.

Leur équipe d'inventaire vérifiait les niveaux de stock quotidiennement et passait des commandes de réapprovisionnement lorsque l'inventaire atteignait un seuil prédéterminé. Le problème était que ce seuil était statique, un nombre fixe d'unités basé sur les ventes quotidiennes moyennes des 90 derniers jours. Lorsque la demande explosait suite à une mention virale sur TikTok ou à la rupture de stock d'un concurrent sur un produit similaire, le seuil statique ne pouvait pas réagir assez vite.

Pourquoi les points de réapprovisionnement statiques échouent

Un point de réapprovisionnement statique suppose que la demande future ressemblera à la demande passée et que les délais de livraison des fournisseurs sont constants. Ces deux hypothèses s'effondrent régulièrement. La demande pour des références individuelles en e-commerce est irrégulière. Un produit peut se vendre à 20 unités par jour pendant trois semaines, puis soudainement à 60 unités par jour parce qu'un influenceur l'a mentionné, qu'un concurrent a augmenté son prix, ou qu'un changement saisonnier s'est amorcé. Le temps que vous remarquiez l'accélération lors de votre vérification quotidienne des stocks, vous pourriez déjà être à deux semaines de demande élevée avec un délai fournisseur de trois semaines devant vous.

Les délais de livraison des fournisseurs sont tout aussi variables. Un fournisseur qui livre normalement en 14 jours peut prendre 21 jours pendant sa haute saison, après une pénurie de matières premières, ou en raison de retards d'expédition. Si votre point de réapprovisionnement suppose un délai de 14 jours et que le délai réel est de 21 jours, vous avez un écart de sept jours pendant lequel vous vendez un stock que vous pensiez déjà réapprovisionné.

Ce que le modèle ML surveille

Un modèle de prédiction de rupture de stock traite simultanément plusieurs flux de données. L'entrée principale est la vélocité des ventes, non pas comme une simple moyenne, mais comme une série temporelle avec des composantes de tendance et de saisonnalité. Le modèle détecte l'accélération (ventes plus rapides que la semaine précédente), la décélération et les schémas cycliques propres à chaque référence.

La position d'inventaire (stock actuel disponible plus unités en transit moins unités allouées aux commandes en attente) donne au modèle le côté offre de l'équation. Combiné à la demande prévue, le modèle calcule une estimation dynamique du nombre de jours de stock restant.

Les données de performance des fournisseurs ajoutent une dimension cruciale. En suivant les dates de livraison réelles par rapport aux dates prévues pour chaque fournisseur au fil du temps, le modèle construit une distribution des délais probables plutôt que d'utiliser une estimation ponctuelle unique. Si le Fournisseur A livre en 12 à 18 jours avec une médiane de 14, le modèle utilise la distribution complète pour calculer la probabilité de rupture de stock.

Les signaux externes fournissent une alerte précoce des changements de demande. Le volume de recherche pour le produit ou la catégorie sur Google, les mentions sur les réseaux sociaux, les niveaux de stock des concurrents (souvent détectables via leurs pages produits affichant une disponibilité limitée) et les calendriers saisonniers alimentent tous les prévisions de demande. Un pic soudain du volume de recherche Google pour un produit précède souvent un pic de ventes de 5 à 10 jours, ce qui donne au modèle un signal précoce indiquant que la trajectoire actuelle des stocks pourrait ne pas tenir.

La fenêtre d'alerte de trois semaines

Le modèle produit une probabilité de rupture de stock pour chaque référence à différents horizons temporels : 7 jours, 14 jours et 21 jours. Une alerte typique pourrait ressembler à ceci : la référence #4892 (Sérum Vitamine C 30 ml) dispose actuellement de 340 unités en stock. Au rythme de vente actuel de 28 unités par jour, le stock s'épuise en environ 12 jours. Cependant, la tendance de la demande montre une accélération de 15 % d'une semaine à l'autre. L'estimation ajustée d'épuisement est de 9 jours. La prochaine livraison de réapprovisionnement de 500 unités est attendue dans 16 jours selon la distribution des délais fournisseur. La probabilité de rupture de stock dans 14 jours est de 78 %.

Avec cette fenêtre de trois semaines, l'équipe d'inventaire dispose d'options. Elle peut accélérer la commande existante auprès du fournisseur, en payant éventuellement un supplément pour une expédition plus rapide. Elle peut passer une commande relais plus petite auprès d'un fournisseur alternatif ayant des délais plus courts. Elle peut réduire les dépenses marketing sur le produit pour ralentir la demande tout en maintenant les ventes organiques. Elle peut mettre en place une notification de retour en stock pour capter la demande pendant toute période de rupture.

Sans cette alerte précoce, aucune de ces options d'atténuation n'est disponible. Le temps qu'un humain remarque que le stock est bas lors de vérifications manuelles, le délai de livraison a déjà entamé le stock restant.

Construire le modèle

L'implémentation technique utilise une combinaison de prévision de séries temporelles pour la demande (généralement Prophet ou un modèle LSTM personnalisé) et un modèle de classification pour la probabilité de rupture de stock. Le modèle de classification prend les prévisions de demande, la position d'inventaire actuelle et la distribution des délais fournisseur comme entrées, et produit une probabilité de rupture de stock pour chaque fenêtre temporelle.

Les données d'entraînement proviennent de vos historiques d'inventaire. Chaque rupture de stock passée est un exemple positif, et chaque référence ayant maintenu un stock adéquat sur une période donnée est un exemple négatif. Vous avez besoin d'au moins 12 à 18 mois de snapshots d'inventaire quotidiens avec les données de ventes correspondantes pour entraîner un modèle utile. Si vous n'avez pas stocké les niveaux d'inventaire quotidiens, commencez dès maintenant car ces données sont étonnamment difficiles à reconstituer rétroactivement.

L'ingénierie des caractéristiques est là où la majeure partie de la valeur est créée. Les chiffres de ventes bruts sont moins utiles que les caractéristiques dérivées comme la vélocité moyenne glissante sur 7 jours, le changement de vélocité d'une semaine à l'autre, le coefficient de variation des ventes quotidiennes (une mesure de la volatilité de la demande) et le ratio entre la vélocité actuelle et la moyenne sur 90 jours. Ces caractéristiques dérivées aident le modèle à distinguer un produit à ventes régulières approchant de son point de réapprovisionnement d'un produit connaissant un pic de demande qui épuisera le stock bien plus vite que prévu.

Intégration avec les systèmes existants

Le modèle doit s'intégrer à votre flux de gestion des stocks, pas le remplacer. L'approche la plus courante est un tableau de bord d'alertes quotidiennes qui affiche les références classées par risque de rupture de stock, avec des actions recommandées pour chacune. Les planificateurs d'inventaire consultent le tableau de bord chaque matin et agissent sur les articles à haut risque.

Les implémentations plus avancées automatisent la réponse pour les actions à faible risque. Si le modèle prédit une rupture de stock et que l'action recommandée est de passer une commande standard auprès d'un fournisseur existant, le système peut générer automatiquement le bon de commande et le mettre en file d'attente pour une approbation en un clic par le responsable des stocks. Cela maintient un humain dans la boucle pour la décision tout en éliminant le travail manuel de création de la commande.

Pour les détaillants e-commerce gérant des milliers de références, le suivi manuel des stocks ne peut tout simplement pas passer à l'échelle. Un humain vérifiant 3 500 références par jour manquera inévitablement celles qui accélèrent silencieusement vers une rupture de stock. Le modèle ML vérifie chaque référence toutes les heures, détecte les schémas subtils et fait remonter celles qui nécessitent une attention particulière. Le détaillant de produits de beauté qui a ouvert cette conversation a réduit son taux de rupture de stock de 8-12 % à moins de 3 % dans les six mois suivant le déploiement de son modèle de prédiction, ce qui s'est traduit par environ 940 000 $ de revenus annuels récupérés.