L’optimisation du réassort magasins dans le smart retail

Adilem est fier d’annoncer le développement de modèles de simulation et d’une toolbox d’optimisation RetailSim pour adresser la problématique du réassort en magasin avec un grand choix de produits et un faible volume par variante. En effet, de plus en plus de commerces de détail se voient aujourd’hui obligés d’adopter un tel modèle de distribution (par ex. le “fast-fashion”) afin de répondre à la demande grandissante du consommateur en termes de réactivité et de choix. Pour ceux-ci, une approche comme RetailSim permet de faire face aux challenges importants associés à ce modèle de logistique: a) une saison de vente courte, b) une grande diversité de produits, c) souvent un grand nombre de variantes par produit (taille, couleur etc.) d) un très faible inventaire en magasin et en entrepôt, et e) une fréquence de réapprovisionnement élevée par rapport à la saison de vente.

Notre approche utilise des méthodes de “data science” comme l’analyse de données (data mining et big data), la statistique et l’optimisation mathématique, et s’inscrit naturellement dans le processus d’amélioration continue en apportant un plus aux phases d’exploration, de compréhension, de décision et d’action.

Des métriques  et des objectifs réalistes

Les simulations et optimisations sont faites avec en tête le souci d’être le plus proche de la réalité du terrain des entreprises faisant face à la problématique du réassort d’une chaîne de magasins. C’est pourquoi nous avons utilisé dans toutes les étapes des métriques largement employés dans la profession et qui représentent souvent une quantité que l’on peut mesurer. Il s’agit, entre autres, des ventes cumulées, des niveaux d’inventaire,  du nombre de jours d’inventaire, de la rotation des stocks, de la couverture de la demande, du succès des livraisons, ou encore de la vitesse de vente.

figure_1

Fig1: Nombre de jours de stock en magasin en fonction du jour de vente, du magasin et de la taille de l’article.

Par exemple, il est possible de simuler un algorithme de réassort et de visualiser le nombre de jours de stock en magasin en fonction de la progression de la saison (fig1).

Cela permet de voir les disparités entre les produits, les magasins ou les tailles. C’est surtout utile lorsque l’on compare les performances de deux algorithmes de réassort.

La figure 2 montre par exemple la comparaison entre un réassort utilisant la technique du un-achat-un-réassort (un-pour-un) avec une version optimisée basée sur une estimation de la demande.

On peut remarquer qu’il y a nettement moins d’inventaire en magasin avec la méthode optimisée. Et comme la vitesse de vente est plus grande, on en conclut que l’inventaire se trouve là où il y a de la demande. Cette amélioration est d’ailleurs confirmée par les graphes de couverture de la demande.

Modélisation et données de ventes réelles pour une efficacité accrue

figure_2

Fig2: Différence du nombre de jours de stock entre deux algorithmes de réassort.

Un pont entre la simulation et la réalité est nécessaire. Il est réalisé sur deux niveaux. En premier lieu pouvoir entraîner un modèle à partir de données de ventes et d’inventaires, et en deuxième de pouvoir quantifier les effets des ajustements et des améliorations apportés au système.

Notre approche permet de faire des aller-retours entre l’analyse des données historiques de ventes et l’amélioration par la simulation de nouveaux algorithmes de réassort sur plusieurs saisons.

Le modèle est très rapide et permet de simuler des centaines de saisons avec une centaine de magasins et de nombreuses combinaisons de produits (milliers). Des modèles de réassort “idéaux” ont également été développés car il permettent de fournir une limite théorique. Avec leur usage, il est possible de quantifier la marge qui sépare une performance actuelle d’un optimum et cela pour mettre l’effort d’amélioration là où il est plus utile.

figure_3

Fig 3. Différence du pourcentage de vente au cours du temps pour plusieurs algorithmes de réassort par rapport au un-pour-un.

La figure 3 montre la comparaison entre trois algorithmes de réassort et la technique du “un-pour-un” en terme de pourcentage du stock initial déjà vendu (positif = amélioration). La courbe verte représente les performances pour l’algorithme “idéal” et montre par exemple qu’au jour 40 et un cumul des vente de 97.6%, on ne peut guère réduire que d’environ 1 jour la saison de vente. Pour cet exemple, il faut donc probablement se satisfaire de la technique actuelle et opter pour une amélioration ailleurs dans le réassort.

 

Visibilité, compréhension et décision

La  technologie et les méthodes utilisées permettent d’atteindre les trois objectifs principaux d’un processus d’amélioration continue:

  1. La visibilité afin de connaître le niveau de performance actuel et de pouvoir le communiquer au sein des équipes de management. Un deuxième point extrêmement important est qu’une fois les actions d’amélioration prises il faut aussi monitorer les effets. La visualisation joue un rôle clé à ce niveau.

    Fig 4. Pourcentage de produits restant en magasin au 33ème jours pour différent algorithmes de réassort.

    Fig 4. Pourcentage de produits restant en magasin au 33ème jours pour différent algorithmes de réassort.

  2. La compréhension afin de pouvoir mettre l’effort et faire les investissements en vue d’une amélioration là où le gain est le plus élevé.
  3. La décision/optimisation afin de pouvoir prendre les actions appropriées et de pouvoir quantifier les gains escomptés.

La figure 4 montre les niveaux d’inventaires moyens sur une simulation de 50 saisons en fonction de la taille des articles. Les articles avec une faible demande sont toujours plus difficiles à optimiser.

Algorithmes qui exploitent l’optimisation mathématique

Le savoir faire en matière d’optimisation mathématique d’Adilem permet au delà de la toolbox RetailSim, de développer des techniques d’optimisation pour le réassort dans le cas du fast-fashion. Ces optimisations permettent notamment de définir les fréquences de livraison, les quantités de réassort et les destinations afin de couvrir la demande de manière optimale et ainsi avoir les saisons les plus courtes possibles (vitesse de vente la plus élevée possible). Comme nous développons nous-mêmes nos algorithmes, ils peuvent être facilement adaptés aux besoins spécifiques de chaque entreprise. Le sur-mesure est d’ailleurs notre spécificité et la raison de cette toolbox.

Fig 6. Evolution dans la saison des deux métriques, couverture de la demande et succès des livraisons, pour deux algorithmes.

Fig 6. Évolution dans la saison des deux métriques, couverture de la demande et succès des livraisons, pour deux algorithmes. Indication du nombre de jours écoulés.

En conclusion, une réponse aux questions fondamentales du réassort

La figure 6 présente la progression du métrique de couverture de la demande dans le temps pour l’algorithme de référence du “un-pour-un” et pour une optimisation basée sur une estimation de la demande. La saison commence avec un couverture de la demande quasi parfaite grâce au niveau de stock en magasin.

Dans ce graphique, il est possible de qualifier la situation au cours de la saison et de répondre à des questions telles que:

  1. Est-ce que l’inventaire se trouve au bon endroit, c’est-à-dire là où il y a de la demande?
  2. Est-ce que mes livraisons ont permis des ventes supplémentaires?
  3. Quelle est la performance de mon nouvel algorithme?
  4. Est-ce que ma nouvelle méthode présente les gains escomptés lors de la phase de test en grandeur nature?