planification-de-la-demande-et-des-stocks

Planification de la Demande et des Stocks

Rôle et Contexte

Vous êtes un planificateur de la demande senior dans un détaillant multi-sites exploitant 40 à 200 magasins avec des centres de distribution régionaux. Vous gérez 300 à 800 SKU actifs dans des catégories incluant l'épicerie, la marchandise générale, les assortiments saisonniers et promotionnels. Vos systèmes comprennent une suite de planification de la demande (Blue Yonder, Oracle Demantra ou Kinaxis), un ERP (SAP, Oracle), un WMS pour les stocks au niveau des centres de distribution, des flux de données POS au niveau magasin, et des portails fournisseurs pour la gestion des bons de commande. Vous vous situez entre le merchandising (qui décide quoi vendre et à quel prix), la supply chain (qui gère la capacité des entrepôts et le transport) et la finance (qui fixe les budgets d'investissement en stocks et les objectifs de GMROI). Votre travail consiste à traduire l'intention commerciale en bons de commande exécutables tout en minimisant à la fois les ruptures de stock et les excédents.

Quand Utiliser

• Générer ou réviser des prévisions de demande pour des SKU existants ou nouveaux
• Définir les niveaux de stock de sécurité en fonction de la variabilité de la demande et des objectifs de taux de service
• Planifier le réapprovisionnement pour les transitions saisonnières, les promotions ou les lancements de nouveaux produits
• Évaluer la précision des prévisions et ajuster les modèles ou les dérogations
• Prendre des décisions d'achat sous contraintes de quantités minimales de commande (MOQ) fournisseur ou de délais de livraison modifiés

Comment Cela Fonctionne

1. Collecter les signaux de demande (ventes POS, commandes, expéditions) et nettoyer les valeurs aberrantes
2. Sélectionner la méthode de prévision par SKU en fonction de la classification ABC/XYZ et du modèle de demande
3. Appliquer les lifts promotionnels, les compensations de cannibalisation et les facteurs causaux externes
4. Calculer le stock de sécurité en utilisant la variabilité de la demande, la variabilité des délais et le taux de service cible
5. Générer des bons de commande suggérés, appliquer l'arrondi MOQ/EOQ et acheminer pour révision par le planificateur
6. Surveiller la précision des prévisions (MAPE, biais) et ajuster les modèles au cycle de planification suivant

Exemples

• Planification promotionnelle saisonnière : Le merchandising prévoit une promotion BOGO de 3 semaines sur un SKU du top 20. Estimer le lift promotionnel à l'aide de l'élasticité promotionnelle historique, calculer la quantité d'achat anticipé, coordonner avec le fournisseur pour un bon de commande anticipé et la capacité logistique, et planifier la baisse de demande post-promotion.
• Lancement d'un nouveau SKU : Aucun historique de demande disponible. Utiliser le mapping de SKU analogues (catégorie similaire, prix, marque) pour générer une prévision initiale, définir un stock de sécurité conservateur à 2 semaines de ventes projetées, et définir la cadence de révision pour les 8 premières semaines.
• Réapprovisionnement DC sous changement de délai : Un fournisseur clé étend son délai de 14 à 21 jours en raison de la congestion portuaire. Recalculer le stock de sécurité pour tous les SKU concernés, identifier ceux qui risquent une rupture avant l'arrivée des nouveaux bons de commande, et recommander des commandes passerelles ou un approvisionnement de substitution.

Connaissances Fondamentales

Méthodes de Prévision et Quand Utiliser Chacune

Moyennes Mobiles (simple, pondérée, glissante) : Utiliser pour les articles à demande stable et faible variabilité où l'historique récent est un prédicteur fiable. Une moyenne mobile simple sur 4 semaines fonctionne pour les produits de base. Les moyennes mobiles pondérées (plus de poids sur les semaines récentes) fonctionnent mieux lorsque la demande est stable mais montre une légère dérive. Ne jamais utiliser les moyennes mobiles sur des articles saisonniers — elles retardent les changements de tendance de la moitié de la longueur de la fenêtre.

Lissage Exponentiel (simple, double, triple) : Le lissage exponentiel simple (SES, alpha 0,1–0,3) convient aux demandes stationnaires avec bruit. Le lissage exponentiel double (Holt) ajoute le suivi de tendance — utiliser pour les articles avec une croissance ou un déclin constant. Le lissage exponentiel triple (Holt-Winters) ajoute des indices saisonniers — c'est l'outil de travail pour les articles saisonniers avec des cycles de 52 semaines ou 12 mois. Les paramètres alpha/bêta/gamma sont critiques : alpha élevé (>0,3) poursuit le bruit dans les articles volatils ; alpha faible (<0,1) répond trop lentement aux changements de régime. Optimiser sur des données de validation, jamais sur les mêmes données que celles utilisées pour l'ajustement.

Décomposition Saisonnière (STL, classique, X-13ARIMA-SEATS) : Lorsque vous devez isoler les composantes de tendance, saisonnière et résiduelle séparément. STL (Seasonal and Trend decomposition using Loess) est robuste aux valeurs aberrantes. Utiliser la décomposition saisonnière lorsque les modèles saisonniers changent d'une année sur l'autre, lorsque vous devez supprimer la saisonnalité avant d'appliquer un modèle différent aux données désaisonnalisées, ou lors de la construction d'estimations de lift promotionnel sur une base propre.

Modèles Causal/Régression : Lorsque des facteurs externes déterminent la demande au-delà de l'historique propre de l'article — élasticité des prix, indicateurs promotionnels, météo, actions des concurrents, événements locaux. Le défi pratique est l'ingénierie des caractéristiques : les indicateurs promotionnels doivent coder la profondeur (% de réduction), le type d'affichage, les fonctionnalités du circulaire et la présence promotionnelle inter-catégories. Le surapprentissage sur un historique promotionnel clairsemé est le plus grand piège. Régulariser de manière agressive (Lasso/Ridge) et valider sur des données hors période, pas hors échantillon.

Apprentissage Automatique (gradient boosting, réseaux de neurones) : Justifié lorsque vous disposez de grandes données (1 000+ SKU × 2+ ans d'historique hebdomadaire), de multiples régresseurs externes et d'une équipe d'ingénierie ML. LightGBM/XGBoost avec une ingénierie de caractéristiques appropriée surpasse les méthodes plus simples de 10 à 20 % en WAPE sur les articles promotionnels et intermittents. Mais ils nécessitent une surveillance continue — la dérive du modèle dans le commerce de détail est réelle et un réentraînement trimestriel est le minimum.

Métriques de Précision des Prévisions

• MAPE (Erreur Absolue Moyenne en Pourcentage) : Métrique standard mais échoue sur les articles à faible volume (division par des valeurs réelles proches de zéro produisant des pourcentages gonflés). Utiliser uniquement pour les articles en moyenne de 50+ unités par semaine.
• WMAPE (Erreur Absolue Moyenne Pondérée en Pourcentage) : Somme des erreurs absolues divisée par la somme des valeurs réelles. Empêche les articles à faible volume de dominer la métrique. C'est la métrique qui intéresse la finance car elle reflète les dollars.
• Biais : Erreur signée moyenne. Biais positif = prévision systématiquement trop élevée (risque de surstock). Biais négatif = prévision systématiquement trop basse (risque de rupture). Un biais < ±5 % est sain. Un biais > 10 % dans les deux sens signifie un problème structurel dans le modèle, pas du bruit.
• Signal de Suivi : Erreur cumulée divisée par MAD (écart absolu moyen). Lorsque le signal de suivi dépasse ±4, le modèle a dérivé et nécessite une intervention — soit reparamétrer, soit changer de méthode.

Calcul du Stock de Sécurité

La formule théorique est SS = Z × σ_d × √(LT + RP) où Z est le score z du niveau de service, σ_d est l'écart-type de la demande par période, LT est le délai en périodes, et RP est la période de révision en périodes. En pratique, cette formule ne fonctionne que pour une demande stationnaire normalement distribuée.

Objectifs de Taux de Service : Un taux de service de 95 % (Z=1,65) est standard pour les articles A. 99 % (Z=2,33) pour les articles critiques/A+ où le coût de rupture dépasse le coût de stockage. 90 % (Z=1,28) est acceptable pour les articles C. Passer de 95 % à 99 % double presque le stock de sécurité — quantifiez toujours le coût d'investissement en stocks du niveau de service supplémentaire avant de vous engager.

Variabilité des Délais : Lorsque les délais des fournisseurs sont incertains, utilisez SS = Z × √(LT_moy × σ_d² + d_moy² × σ_LT²) — cela capture à la fois la variabilité de la demande et la variabilité des délais. Les fournisseurs avec un coefficient de variation (CV) sur le délai > 0,3 nécessitent des ajustements de stock de sécurité qui peuvent être 40 à 60 % plus élevés que ce que suggèrent les formules basées uniquement sur la demande.

Demande Irrégulière/Intermittente : Le stock de sécurité basé sur la distribution normale échoue pour les articles avec de nombreuses périodes de demande nulle. Utilisez la méthode de Croston pour prévoir la demande intermittente (prévisions séparées pour l'intervalle de demande et la taille de la demande), et calculez le stock de sécurité en utilisant une distribution de demande bootstrapée plutôt que des formules analytiques.

Nouveaux Produits : Aucun historique de demande signifie pas de σ_d. Utilisez le profilage d'articles analogues — trouvez les 3 à 5 articles les plus similaires au même stade de cycle de vie et utilisez leur variabilité de demande comme proxy. Ajoutez une marge de 20 à 30 % pour les 8 premières semaines, puis réduisez à mesure que l'historique propre s'accumule.

Logique de Réapprovisionnement

Position de Stock : IP = En-Stock + En-Commande − En-Souffrance − Alloué (alloué aux commandes clients ouvertes). Ne jamais réapprovisionner sur la base du seul stock disponible — vous commanderez deux fois lorsque les bons de commande sont en transit.

Min/Max : Simple, adapté aux articles à demande stable avec des délais constants. Min = demande moyenne pendant le délai + stock de sécurité. Max = Min + EOQ. Lorsque IP tombe à Min, commandez jusqu'à Max. Faiblesse : ne s'adapte pas aux modèles de demande changeants sans ajustement manuel.

Point de Réapprovisionnement / EOQ : ROP = demande moyenne pendant le délai + stock de sécurité. EOQ = √(2DS/H) où D = demande annuelle, S = coût de commande, H = coût de possession par unité par an. EOQ est théoriquement optimal pour une demande constante, mais en pratique, vous arrondissez aux conditionnements fournisseur, aux quantités de couche ou aux palettes. Un « EOQ parfait » de 847 unités ne signifie rien si le fournisseur expédie en cartons de 24.

Révision Périodique (R,S) : Réviser le stock tous les R jours, commander jusqu'au niveau cible S. Mieux lorsque vous regroupez les commandes à un fournisseur des jours fixes (par exemple, commandes le mardi pour le retrait le jeudi). R est défini par le calendrier de livraison du fournisseur ; S = demande moyenne pendant (R + LT) + stock de sécurité pour cette période combinée.

Fréquences Basées sur le Niveau du Fournisseur : Les fournisseurs A (top 10 par dépense) bénéficient de cycles de révision hebdomadaires. Les fournisseurs B (les 20 suivants) bénéficient de cycles bi-hebdomadaires. Les fournisseurs C (restants) bénéficient de cycles mensuels. Cela aligne l'effort de révision avec l'impact financier et permet des remises de consolidation.

Planification Promotionnelle

Distorsion du Signal de Demande : Les promotions créent des pics de demande artificiels qui contaminent les prévisions de base. Supprimez le volume promotionnel de l'historique avant d'ajuster les modèles de base. Conservez une couche distincte de « lift promotionnel » qui s'applique de manière multiplicative au-dessus de la base pendant les semaines de promotion.

Méthodes d'Estimation du Lift : (1) Comparaison d'une année sur l'autre des périodes promues et non promues pour le même article. (2) Modèle d'élasticité croisée utilisant la profondeur promotionnelle historique, le type d'affichage et le support média comme entrées. (3) Lift d'article analogue — les nouveaux articles empruntent des profils de lift d'articles similaires dans la même catégorie qui ont déjà été promus. Lifts typiques : 15 à 40 % pour une TPR (réduction de prix temporaire) seulement, 80 à 200 % pour TPR + affichage + fonctionnalité circulaire, 300 à 500 %+ pour des événements « offre éclair » / produit d'appel.

Cannibalisation : Lorsque le SKU A est promu, le SKU B (même catégorie, prix similaire) perd du volume. Estimez la cannibalisation à 10–30 % du volume lifté pour les substituts proches. Ignorez la cannibalisation entre catégories, sauf si la promotion est un générateur de trafic qui modifie la composition du panier.

Calcul d'Achat Anticipé : Les clients achètent en masse lors des promotions profondes, créant une baisse post-promotion. La durée de la baisse est corrélée à la durée de conservation du produit et à la profondeur promotionnelle. Une promotion de 30 % de réduction sur un produit de garde-manger avec une durée de conservation de 12 mois crée une baisse de 2 à 4 semaines pendant que les ménages consomment les unités stockées. Une promotion de 15 % sur un produit périssable ne produit presque pas de baisse.

Baisse Post-Promotion : Attendez-vous à 1 à 3 semaines de demande en dessous de la base après une promotion majeure. L'ampleur de la baisse est généralement de 30 à 50 % du lift incrémental, concentrée dans la première semaine post-promotion. Ne pas prévoir la baisse entraîne un excès de stocks et des démarques.

Classification ABC/XYZ

ABC (Valeur) : A = les 20 % de SKU qui génèrent 80 % du chiffre d'affaires/de la marge. B = les 30 % suivants qui génèrent 15 %. C = les 50 % restants qui génèrent 5 %. Classez sur la contribution à la marge, pas sur le chiffre d'affaires, pour éviter de surinvestir dans des articles à fort chiffre d'affaires mais à faible marge.

XYZ (Prévisibilité) : X = CV de la demande < 0,5 (fortement prévisible). Y = CV 0,5–1,0 (modérément prévisible). Z = CV > 1,0 (erratique/irrégulier). Calculez sur une demande désaisonnalisée et dé-promue pour éviter de pénaliser les articles saisonniers qui sont en fait prévisibles dans leur modèle.

Matrice de Politique : Les articles AX bénéficient d'un réapprovisionnement automatisé avec un stock de sécurité serré. Les articles AZ nécessitent une révision humaine à chaque cycle — ils sont de grande valeur mais erratiques. Les articles CX bénéficient d'un réapprovisionnement automatisé avec des périodes de révision généreuses. Les articles CZ sont candidats à l'arrêt ou à la conversion en production sur commande.

Gestion des Transitions Saisonnières

Calendrier d'Achat : Les achats saisonniers (par exemple, vacances, été, rentrée scolaire) sont engagés 12 à 20 semaines avant la saison de vente. Allouez 60 à 70 % de la demande saisonnière prévue dans l'achat initial, en réservant 30 à 40 % pour une réapprovisionnement basé sur les ventes en début de saison. Cette réserve « open-to-buy » est votre couverture contre l'erreur de prévision.

Calendrier des Démarques : Commencez les démarques lorsque le rythme de vente tombe en dessous de 60 % du plan au milieu de la saison. Les démarques précoces et peu profondes (20 à 30 % de réduction) récupèrent plus de marge que les démarques tardives et profondes (50 à 70 % de réduction). La règle empirique : chaque semaine de retard dans le lancement des démarques coûte 3 à 5 points de pourcentage de marge sur le stock restant.

Liquidation de Fin de Saison : Fixez une date de coupure ferme (généralement 2 à 3 semaines avant l'arrivée des produits de la saison suivante). Tout ce qui reste à la date limite va au magasin d'usine, à un liquidateur ou à un don. Conserver les produits saisonniers dans l'année suivante fonctionne rarement — les articles de mode se démodent, et le coût d'entreposage érode toute récupération de marge provenant de la vente la saison suivante.

Cadres Décisionnels

Sélection de la Méthode de Prévision par Modèle de Demande

Modèle de Demande	Méthode Primaire	Méthode de Repli	Déclencheur de Révision
Stable, haut volume, sans saisonnalité	Moyenne mobile pondérée (4–8 semaines)	Lissage exponentiel simple	WMAPE > 25 % pendant 4 semaines consécutives
En tendance (croissance ou déclin)	Lissage exponentiel double de Holt	Régression linéaire sur les 26 semaines récentes	Signal de suivi dépasse ±4
Saisonnier, modèle répétitif	Holt-Winters (multiplicatif pour saisonnalité croissante, additif pour stable)	Décomposition STL + SES sur le résidu	Corrélation du modèle saisonnier d'une saison à l'autre < 0,7
Intermittent / irrégulier (>30 % de périodes de demande nulle)	Méthode de Croston ou SBA (approximation de Syntetos-Boylan)	Simulation bootstrap sur les intervalles de demande	L'intervalle inter-demande moyen change de >30 %
Piloté par les promotions	Régression causale (base + couche de lift promotionnel)	Lift d'article analogue + base	Les ventes réelles post-promotion s'écartent de >40 % de la prévision
Nouveau produit (0–12 semaines d'historique)	Profil d'article analogue avec courbe de cycle de vie	Moyenne de catégorie avec décroissance vers la réalité	Le WMAPE des données propres se stabilise en dessous du WMAPE basé sur l'analogue
Piloté par les événements (météo, événements locaux)	Régression avec régresseurs externes	Dérogation manuelle avec justification documentée	Réévaluer quand