Comment l’intelligence artificielle montre la face cachée de la demande [Tribune]
L’intelligence artificielle ne sait pas seulement prendre en compte des volumes de données trop important pour l’humain et sait aussi voir ce qui est caché dans les chiffres, trouver ce qui est inhabituel, et faire les corrélations qui permettent de comprendre les subtilités des tendances de consommation. Explications de Raphael Bertholet, Vice-Président R&D de Symphony RetailAI France.
![Comment l’intelligence artificielle montre la face cachée de la demande [Tribune]](/mediatheque/6/8/4/000356486_896x598_c.jpg)
L’intelligence artificielle ne sait pas seulement prendre en compte des volumes de données trop important pour l’humain et sait aussi voir ce qui est caché dans les chiffres, trouver ce qui est inhabituel, et faire les corrélations qui permettent de comprendre les subtilités des tendances de consommation. Explications de Raphael Bertholet, Vice-Président R&D de Symphony RetailAI France
Dans la grande distribution, les volumes de données générés aujourd’hui donnent le vertige. Chez les enseignes les plus importantes, ils peuvent représenter plus de 5 milliards de lignes de données et environ 2 téraoctets par jour. Chaque semaine qui passe, plus de 10 téraoctets de données supplémentaires sont produites. Dans ces conditions, faire des analyses sans qu’elles ne soient caduques à peine achevées relève de la gageure.
L’un des grands atouts de l’intelligence artificielle est précisément sa capacité à analyser ces très grands volumes de données, mais aussi à le faire de manière continue. Car, dans un univers du retail où chaque vente apporte des informations nouvelles, il n’est plus possible de se contenter de regarder et analyser les données une fois par semaine, ni même une fois par jour. C’est quasiment en temps réel que les enseignes doivent aujourd’hui suivre l’évolution des courbes et des tendances.
Mais l’intérêt de l’intelligence artificielle n’est pas uniquement là. Au-delà de gérer des flux colossaux et ininterrompus de données, elle sait aussi voir ce qui s’y cache et ce que l’on ne trouvait pas avant.
L’inhabituel : plafond de verre de la prévision de la demande
Les outils classiques de la prévision de la demande – statistiques et Business Intelligence – permettent d’analyser ce que l’on souhaite, et surtout ce que l’on connait. Un acheteur ou un responsable de magasin a tendance à se concentrer sur les catégories de produits qu’il connait bien, et à approvisionner ce qu’il est sûr de vendre. Il sera aidé dans ses prévisions et décisions – et conforté dans ses intuitions – par les outils classiques. En revanche, ces derniers touchent rapidement à leurs limites lorsqu’une situation inhabituelle survient.
C’est dans l’inhabituel que se situent les erreurs de prévision les plus difficiles à comprendre : lorsqu’un produit ne vend pas alors qu’il « devrait », ou inversement lorsqu’un produit se vend beaucoup plus que prévu (et qu’il y rupture de stock brutalement), il est parfois difficile de voir les corrélations qui expliquent l’écart entre la prévision et le réalisé.
Ces corrélations peuvent être multiples. Par exemple, les ventes de certains produits peuvent s’effondrer à cause d’une promotion sur un produit de la même catégorie (cannibalisation). Ou encore les vente d’un produit qui chutent brutalement avant une promotion parce que les consommateurs retiennent leurs achats. Autre cas typique : les ventes de certains produits peuvent s’envoler sous l’impulsion d’une promotion sur un produit complémentaire (par exemple, une promotion sur des assiettes en carton fera monter les ventes des couverts en plastique).
Le lancement de nouveaux articles est un autre type de situation inhabituelle. En l’absence de données existantes, les prévisions de la demande et les approvisionnements se font souvent de manière intuitive, avec toute la marge d’erreur potentielle que cela comporte.
Dans la grande majorité des situations inhabituelles, la prévision de la demande se heurte à un plafond de verre, et reste bridée par une marge d’erreur très difficile à réduire. L’IA change cela.
Comprendre les subtilités cachées de la demande
Parce qu’elle sait faire les corrélations cachées ou contre-intuitives, telles que celles que nous avons données en exemple plus haut, l’intelligence artificielle sait trouver l’inhabituel. Ou, tout du moins, elle présente des corrélations et donne des pistes pour comprendre l’inhabituel.
Cette technologie permet aux prévisionnistes et aux responsables des achats de regarder là où il faut regarder – y compris les facteurs externes et les données contextuelles comme la météo ou les aspects socio-démographiques. Ainsi, certains comportements d’achat que l’on jugerait inexplicables ou irrationnels, deviennent explicables. Et c’est ce qui permet de gagner les quelques points de pourcentage supplémentaires dans la précision des prévisions. Ces quelques points sont ceux qui sont les plus difficiles à gagner car, avec des outils classiques, il faudrait un temps et des ressources impossibles à consacrer. Et ce sont ces quelques points qui vont dorénavant faire toute la différence de compétitivité dans le monde du retail.
