Les produits introduits sur le marché ont une durée de vie planifiée par le détaillant et variable selon le type de produits et la saison de vente. L’objectif poursuivi ici est la détermination d’une quantité à réapprovisionner afin d’optimiser les ventes et leur profitabilité jusqu’à la fin de la saison pour un produit à fort potentiel. La partie qui suit décrit la démarche poursuivie dans l’élaboration des recommandations de réapprovisionnement.
Assumons tout d’abord que les commandes sont reçues lorsque le niveau d’inventaire devient inférieur aux prévisions futures en considérant un délai de livraison approprié. La méthode consiste à simuler, dans un premier temps, différentes tailles de commandes afin d’assurer un inventaire suffisant pour satisfaire la demande jusqu’à la fin de la saison de vente planifiée. Pour chaque taille de commande simulée, des prévisions de ventes futures sont calculées.
Dans l’entreprise considérée dans cette étude, il est visé que 90 % de l’inventaire soit écoulé à la date de fin de saison de ventes ciblée pour un produit. La Figure 62 illustre cette situation. Notons que le produit considéré ici est différent de celui des exemples précédents. La date de fin de saison de vente est fixée, pour cet exemple illustratif, à la période t+153 et un délai de réapprovisionnement de 56 périodes est considéré. Différentes tailles de commandes sont simulées jusqu’à ce que l’inventaire soit suffisant pour atteindre l’objectif de vente du détaillant à la date cible de fin de saison.
Pour simplifier la simulation, les tailles des commandes sont augmentées par lot de 200 unités jusqu’à ce qu’on dépasse la date cible et par lot de 50 unités, au besoin, par la suite jusqu’à l’atteinte de l’objectif. On constate donc à la Figure 62 que la date cible (période t+153) est atteinte pour une commande de 3800 unités. Cela signifie que si l’entreprise commande 3800 unités de plus que
137 l’inventaire actuel, compte tenu des prévisions établies, 90 % des unités seront vendues à la date de fin de saison planifiée.
Figure 62. Prévisions de ventes cumulées en fonction de tailles de commandes simulées.
La prochaine étape de la simulation consiste à déterminer un intervalle de confiance autour de la quantité potentielle à réapprovisionner.
L’intervalle de prévisions est obtenu à l’aide de l’équation 61 ci-dessous. Les erreurs de prévision initiales (à t=0) pour les k périodes de prévisions à l’avance sont estimées à partir de la moyenne des erreurs de prévision de tous les autres produits de la même catégorie dans la structure hiérarchique pour la même saison de vente l'année précédente. Les erreurs de prévision (pour les k périodes de prévision à l’avance) pour un produit spécifique se construisent progressivement à chaque période de la saison de ventes grâce à une mise à jour des erreurs initiales en fonction des erreurs de prévisions propres au produit.
Intrants périodiques additionnels : k
t
P : Prévision des ventes effectuée au temps t pour k périodes à l’avance;
kEˆt : Erreur de prévision calculée au temps t pour k périodes à l’avance;
k k fE Z
138
où Zune cote obtenue à l’aide d’une table de loi de probabilité normale centrée réduite Z~N(0,1),
permet de tenircompte du niveau de confiance exprimé par l’intervalle de prévision dont la procédure est présentée au chapitre 5. La Figure 63 présente les prévisions cumulées de ventes optimistes, probables et pessimistes suite à un éventuel réapprovisionnement d’une quantité de 3800 unités pour un produit.
Si une commande de 3800 unités est reçue à la période de t+56, les ventes moyennes prévues sont de 5320 unités à la date de fin de vente ciblée. Les prévisions optimistes de ventes (pour un niveau de confiance de 95 %), sont de 5512 unités, mais écoulées avant t+153. Les prévisions de ventes pessimistes (pour un niveau de confiance de 95 %) sont alors de 3365 unités. Sans réapprovisionnement les ventes cumulées prévues sont de 1712 unités seulement.
Figure 63. Intervalles de prévisions de ventes cumulées pour une commande de 3800 unités
La simulation permet aussi d’estimer différentes tailles de commandes en fonction de dates de fin de saison variables permettant au détaillant une meilleure image des possibilités de réapprovisionnement offertes. La Figure 64, présente, pour le produit de l’exemple présenté à la Figure 62 et à la Figure 63, les différentes tailles de commandes à réapprovisionner en ajoutant les notions de risques pour le détaillant. Ainsi à la date de fin de saison ciblée, une commande de 900 unités constituerait une décision pessimiste d’approvisionnement, une commande de 3800 unités constituerait une commande moyenne ou réaliste alors qu’une commande optimiste serait de 7050 unités. Si le détaillant ramène sa date de fin de saison à la période t+112, la taille des commandes pourrait varier entre 200 unités (pessimiste) et 2800 unités (optimiste) avec une quantité moyenne de 1800 unités.
139
Figure 64. Tailles de commandes estimées en fonction de dates de fin de saison variables
Les différentes tailles de commandes sont définies comme suit. À chaque période t+1, t+2, …, t+f des prévisions de ventes futures sont calculées. Les prévisions prennent la forme de ventes pessimistes, de ventes moyennes ou ventes optimistes permettant ainsi de construire un intervalle de prévision selon un niveau de confiance choisi (95 % pour l’exemple de la Figure 64). Selon la valeur de la prévision de ventes cumulées estimées, les tailles des commandes permettant de satisfaire ces ventes prévues sont déterminées. La Figure 65 présente la procédure suivie afin de générer les résultats de la Figure 64.
140
Figure 65. Démarche de calcul des intervalles de commandes
Dans le cas de l’exemple précédent, en utilisant la méthode de prévision par ratios présentée au chapitre 4 qui ne considère que l’historique de données, les ventes prévues jusqu’à la fin de la saison de vente sont de 6772 unités. Cette prévision suppose que l’inventaire est disponible pour satisfaire toutes les demandes et que le nombre de magasins est constant. Les ventes réelles obtenues a posteriori pour ce produit jusqu’à la date de fin de saison ciblée ont été de 1658 soit une surestimation des ventes de plus de 400 %.
6.6 Résultats
Les figures suivantes montrent un aperçu du type de propositions de réapprovisionnement obtenues avec la méthode proposée. La Figure 66, illustre le cas du produit A dont l’inventaire à la fin de la période de ventes (t+98) est suffisant pour satisfaire les ventes prévues sans réapprovisionnement. A posteriori, les informations du détaillant indiquent que les ventes cumulées réelles à la fin de la saison de vente ciblée ici soit à la période t+98, ont été de 2875 alors que les prévisions de ventes cumulées calculées avec l’approche proposée ont été de 3006 unités soit un écart relatif de 4,56 % pour des prévisions 98 périodes à l’avance. Les prévisions obtenues à l’aide de la méthode de prévision par ratio, présenté au chapitre 4, sont de 3510 unités soit 504 unités de plus avec un écart relatif par rapport aux ventes réelles de 22,09 %.
141 Fait à noter, les prévisions établies ici ont été élaborées à partir d’un historique de 39 périodes seulement.
Figure 66. Cas d’un produit sans réapprovisionnement proposé
La Figure 67 illustre le cas du produit B cette fois pour lequel une commande de 1850 unités est suggérée afin de couvrir les prévisions cumulées jusqu’à la fin de la saison de ventes planifiée à t+155. Cette estimation est réalisée à partir d’un historique de ventes de 13 périodes seulement.
Figure 67. Cas d’un produit avec un réapprovisionnement suggéré de 1850 unités
Des propositions de réapprovisionnement selon des dates de fin de saisons variables sont aussi suggérées afin de saisir toutes les opportunités de marché tel qu’observé à la Figure 68.
142
Figure 68. Propositions de tailles de commandes en fonction de dates de fin de saison variables
Suite aux suggestions de réapprovisionnement, une analyse de la demande des produits substituts potentiels est effectuée. Dans le cas du produit B, plusieurs produits substituts sont associés au produit B, dans ce cas, une décision d’approvisionnement à faible risque constituerait une bonne décision. Une commande de 800 unités est donc proposée.
Les informations a posteriori du détaillant indiquent que les ventes cumulées à la date ciblée de fin de saison (t+155) ont été de 1336 en considérant la réception d’une commande de 500 unités reçue 90 jours après la date de prévision. Nos scénarios de prévisions en fonction de différentes tailles de commande donnent des prévisions de 2071 unités à la fin de la saison de vente si une commande de 500 unités est reçue. L’écart relatif est donc de 55,01%. La même prévision obtenue à l’aide de la méthode de prévision par ratios présentée au chapitre 4, qui ne considère que les données de vente historiques, est de 4589 unités. Dans ce cas l’écart relatif par rapport aux ventes réelles est de 243,49 %. L’amélioration est considérable en comparant les deux méthodes. Notez que les ventes totales pour ce produit ont été de 2065 unités. En considérant que l’entreprise a opté pour une commande de 500 unités, on peut affirmer que l’approche améliore la prise de décision de réapprovisionnement.
À la lumière des résultats obtenus par l’outil développé dans cette étude, le détaillant possède une image plus claire des possibilités de réapprovisionnement et des risques qui y sont associés.
143
6.7 Substitution de produits
La dernière étape de la démarche visant une recommandation de réapprovisionnement consiste à effectuer l’analyse de la demande pour un produit donné. Notons que l’approche actuelle ne tient pas compte explicitement des complexités associées aux substitutions.
L’offre de produits des détaillants comprend parfois des produits avec des caractéristiques similaires de sorte qu’un produit peut être demandé comme substitut à un autre produit en cas de rupture de stock. Dans ce cas, une analyse de la demande permet de connaître les substituts potentiels d’un produit donné, de connaître l’inventaire des substituts potentiels de même que leur date ciblée de fin de vente. Au terme de cette analyse, une décision de réapprovisionnement est prise.
Illustrons un exemple de quelques-unes des diverses situations possibles considérées dans ce processus de prise de décision. Imaginons un produit X. Si X est un produit à fort potentiel de vente et que l’analyse des prévisions permet d’envisager un réapprovisionnement d’une certaine quantité Q. Si X possède des caractéristiques uniques de sorte qu’aucun produit n’agit comme substitut et que la date de fin de saison de vente ciblée est éloignée dans le temps (suffisamment éloignée pour permettre l’écoulement de la commande à la date ciblée considérant un délai de réapprovisionnement), dans ce cas, un réapprovisionnement est recommandé. Si la date de fin de saison de ventes est relativement proche, aucun réapprovisionnement n’est proposé permettant ainsi au détaillant la possibilité d’offrir un tout nouveau produit afin de susciter l’intérêt des clients.
Autre situation, supposons que X possède des caractéristiques similaires à deux autres produits A et B offerts par le détaillant. Une analyse des inventaires est effectuée afin de déterminer si un réapprovisionnement doit être envisagé. Si les produits similaires A et B ont des inventaires imposants et que la date de fin de ventes du produit X est proche, aucun réapprovisionnement n’est envisagé permettant ainsi au détaillant d’écouler les produits A et B aux caractéristiques similaires. Si la date de fin de ventes est éloignée, si les produits similaires ont des inventaires restreints, un réapprovisionnement est suggéré. Si l’inventaire des produits similaires est important, il est à la discrétion du détaillant d’effectuer un réapprovisionnement en fonction des recommandations fournies.
144
Outre les prévisions de ventes, l’analyse de la demande du produit et sa relation avec des produits substituts amène un élément d’information additionnel indispensable à l’élaboration de suggestions aidant à la prise de décision de réapprovisionnement.
6.8 Conclusion
Ce chapitre a d’abord présenté une méthode de classification des produits afin d’identifier rapidement en début de saison les produits à fort potentiel de réapprovisionnement. Des prévisions de vente sont par la suite effectuées pour ces candidats potentiels. La méthode de prévision utilisée, considérant un taux de vente par magasin moyen par jour moyen, le nombre de magasins moyens et un indice saisonnier est décrite en détail. Les prévisions, présentées sous la forme d’un intervalle indiquant des ventes pessimistes, moyennes ou optimistes, servent par la suite à calculer des tailles de commandes suggérées afin d’aider la prise de décision de réapprovisionnement. L’outil a été testé sur des données d’une entreprise de détail possédant plusieurs milliers de produits à court cycle de vie. Il serait intéressant de tester l’outil sur des données de consommation provenant d’un autre secteur d’activité que celui ayant mené à cette étude. La prise en compte des différentes complexités reliées aux substitutions de produits et le genre de compromis en jeu dans le processus décisionnel constitue une piste importante pour des recherches futures.
6.9 Remerciements
Il y a lieu ici de remercier le programme Accélération de Mathematics of Information Technology and Complex Systems (MITACS) et le Fonds Québécois de Recherche, Nature et Technologie (FQRNT) pour leur soutien. Merci aussi au Groupe Aldo, aux membres du CIRRELT et particulièrement aux collègues Edith Brotherton et Alexandre Morneau pour leur précieuse collaboration.
145
Chapitre 7
7 Conclusion
L’objet des recherches présentées dans ce document consiste à tirer profit des informations recueillies sur les ventes, les demandes, les inventaires et les commandes afin d’améliorer la prise de décision en matière de réapprovisionnement par le biais d’outils prévisionnels. La décision est importante, l’enjeu est de taille et les conséquences économiques sont importantes.
Plusieurs difficultés sont rencontrées dans l’atteinte des objectifs. Tout d’abord, les caractéristiques des produits : durée de vie très courte, séries chronologiques présentant des effets saisonniers mensuels, journaliers et calendaires et ventes nulles caractérisent les séries à prévoir. Le premier axe de recherche propose la méthode de prévision journalière appelée la méthode Bouchard-Montreuil en réponse à cette problématique. Les résultats obtenus tant sur des séries simulées que des séries réelles de produits de consommation à cycle rapide donnent des résultats forts intéressants.
Une autre difficulté rencontrée est le très grand nombre de séries chronologiques à prévoir. Le détaillant met en marché plusieurs milliers de produits de consommation à chaque saison de vente rendant difficile la tâche d’effectuer des prévisions directes pour toutes ces séries. Par ailleurs, les décisions de réapprovisionnement sont prises rapidement en début de saison compte tenu des longs délais de livraison rendant nécessaire une estimation des prévisions ponctuelles et à l’aide d’un intervalle de confiance. Le second axe de recherche, présenté aux chapitres 4 et 5, propose une méthode de prévision par ratios afin de prévoir rapidement un très grand nombre de produits de consommation à cycle rapide de même qu’une méthodologie d’estimation des ventes futures des produits avec historique limité à l’aide d’un intervalle de confiance.
Compte tenu du grand nombre de produits disponibles à chaque saison de vente, il y a lieu de cibler les produits ayant un fort potentiel de réapprovisionnement et concentrer l’élaboration de prévision sur ces produits plutôt que sur l’ensemble des produits d’une collection. Par ailleurs, le nombre de magasins et l’inventaire influencent l’allure des séries chronologiques rendant difficile l’élaboration des prévisions sans la prise en compte de ces facteurs. Une approche prévisionnelle d’aide à la prise de
146
décision de réapprovisionnement est proposée au chapitre 6. Il permet de considérer le nombre de magasins, les inventaires, les commandes, les substituts potentiels dans ses recommandations de réapprovisionnement.
Au terme de cette thèse, de nouvelles pistes de recherche surgissent et méritent qu’on s’y attarde. L’élaboration de la méthode Bouchard-Montreuil nécessite l’utilisation de constantes de lissage. Le processus d’obtention de ces paramètres aurait avantage à être automatisé de façon à réduire les manipulations entre les différents outils d’optimisation et de prévision et ainsi réduire le temps de calcul. Les outils de prévision présentés dans cette thèse portent sur l’élaboration de prévision de ventes futures pour des produits spécifiques offerts dans le réseau de détaillants. Une approche prévisionnelle basée sur les attributs des produits et non des produits finis permettant d’estimer l’attrait de n’importe quel produit, même ceux non encore offerts aux consommateurs constitue une avenue de recherche fort intéressante.
Par ailleurs, le commerce de détail est météo-sensible. Le développement de modèles permettant de tenir des facteurs météorologiques dans l’analyse prévisionnelle permettrait de valider si des améliorations sont possibles.
La technologie permet de saisir en temps réel un très grand nombre de données. Une nouvelle avenue de recherche s’ouvre dans le développement d’outils de plus en plus sophistiqués pour tirer profit des données recueillies afin d’améliorer la satisfaction des consommateurs. Il y a donc un intérêt à valider les modèles de prévision « traditionnels » et d’adapter ou développer des nouveaux modèles de prévision afin d’améliorer la prise de décision en temps réel.
Le commerce en ligne de plus en plus présent, il serait intéressant d’analyser les informations pertinentes qu’on peut tirer des visites sur les sites web d’entreprises et explorer de quelle façon exploiter ces signaux préachat (clic) dans l’estimation des ventes futures des nouveaux produits. Les consommateurs aujourd’hui sont actifs sur les réseaux sociaux et il est devenu d’usage courant de s’informer, de comparer, de valider auprès de la communauté d’internautes les futures décisions d’achat. Ces décisions, assumées indépendantes d’un acheteur à un autre, deviennent alors inter reliées. De quelle façon les informations véhiculées en ligne par les consommateurs satisfaits ou
147 insatisfaits, par les blogues ou sites spécialisés influencent les ventes de produits de consommation ? Asur et Huberman (2010) se sont penchés sur cette question dans le contexte des revenus futurs au
box-office. Dhar et Chang (2009), quant à eux, estiment les ventes futures de musique en ligne basées
sur le contenu véhiculé dans les médias sociaux. Ces nouvelles avenues sont fort intéressantes dans l’amélioration des modèles de prévision présentés ici.
Par ailleurs, toutes les données utilisées dans cette thèse proviennent de la même entreprise partenaire. Il y aurait lieu de tester les outils sur différents types de données de consommation provenant d’organisations variées.
En terminant, j’ose espérer que les résultats de cette thèse serviront à d’autres auteurs qui auront le goût d’améliorer et de raffiner les outils prévisionnels d’aide à la décision afin d’assurer la pérennité des entreprises.
149
Bibliographie
1. Agrawal, N., Smith, S. A. (2013). Optimal inventory management for a retail chain with diverse store demands. European Journal of Operation Research, 225, 393-403.
2. Al-Zubaidi, H., Tyler, D. (2004). A simulation model of quick response replenishment of seasonal clothing. Journal of Retail & Distribution Management, 32, 320-327.
3. Armstrong, J. S. (1984). Forecasting by Extrapolation : Conclusions from 25 Years of Research. Interfaces, 14 (6), 52-66.
4. Arora, S., Taylor, J. W. (2013). Short-term Forecasting of Anomalous Load Using Rule-based Triple Seasonal Methods. IEEE Transactions on Power Systems, 3235-3242.
5. Asur, S., Hubernab, B. A. (2010). Predicting the future with social media. 2010 IEEE/WIC/ACM
International Conference on Web Intelligence and Intelligence Agent Technology, 492-499.
6. Bassok, Y., Anupindi, R., Akella, R. (1999). Single-Period Multiproduct Inventory Models with Substitution. Journal of Operations Research, 47, 632-642.
7. Bell, W. R., Hillmer, S. C. (1983). Modeling Time Series with Calendar Variation. Journal of the American Statistical Association, 78 (383), pp. 526-534.
8. Bernardi, M., Petrella, L. (2015). Multiple seasonal cycles forecasting model : the Italian electricity demand. Statistical Methods & Applications, Springer.
9. Bouchard J., Montreuil B. (2009). Méthode de prévision journalière de séries temporelles saisonnières. 8e Congrès international de génie industriel – 10-12 juin 2009 – Bagnères de
Bigorre (France).
10. Bouchard J., Montreuil B. (2011). Prévisions journalières de séries temporelles saisonnières avec effets calendaires. 9e Congrès international de génie industriel – 12-14 octobre 2011 – St-Sauveur (Canada)
11. Box, G., Jenkins, G. (1970). Time series analysis : Forecasting and control. San Francisco :
Holden-Day.
12. Box, G. E., Tiao, G. C. (1975). Intervention analysis with applications to economic and
environmentals problems. Journal of the American Statistical Association, 70, 70-79.
13. Bradford, J. W., Sugrue, P. K. (1990). A Bayesian Approach to the Two-Period Style-Goods Inventory Problem with Single Replenishment and Heterogeneous Poisson Demands. Journal
of the Operational Research Society, 41, 210-218.
14. Butler, R., Rothman, E. D. (1980). Predictive Intervals Based on Reuse of the Sample. Journal of the American Statistical Association, 75 (32), 881-889.
15. Caiado, J. (2009). Performance of combined double seasonal univariate time series models