Tirer profit de la révolution du Retail - Étape 1 : Créer une résilience du commerce de détail grâce à une prévision plus précise de la demande

Faire face aux changements imprévisibles des comportements d'achat des consommateurs

Une prévision précise de la demande est l'un des éléments les plus critiques d'une chaîne logistique résiliente. Lorsque des événements catastrophiques se produisent et peuvent provoquer un changement massif du comportement des consommateurs, les détaillants de toutes formes et de toutes tailles se bousculent soudainement pour ajuster leurs prévisions. L’exemple le plus récent est la pandémie qui a contraint à prolonger l’ordre de confinement, ce qui a amené la population à se découvrir un nouvel engouement pour les repas cuisinés à la maison, accentuant ainsi la pression sur les stocks de produits d’épicerie.

Alors que différentes régions du pays et du monde commencent à se rouvrir, il est possible qu'un grand nombre de ces comportements d'achat se maintiennent car les gens optent moins pour les sorties au restaurant en raison des nouvelles tendances en matière d'épicerie : chargement dans le garde-manger, travail à distance, volonté d'essayer des marques de distributeur et passage à de nouveaux canaux de distribution.

Comme les niveaux de stock restent instables, de nombreux acheteurs se contentent de ce qu'ils (ou leur acheteur personnalisé) peuvent trouver, jetant finalement la fidélité à la marque par la fenêtre pour des marques moins chères, des marques de distributeur ou des marques de magasin. Les consommateurs ont également opté pour de nouveaux canaux d’achat, en commandant en ligne et se faisant livrer des produits d’épicerie. Si le confort de ces canaux perdure, il est possible d’assister à un changement durable.

Malheureusement, le secteur des chaussures et de l’habillement a connu une situation totalement inverse. De nombreux détaillants ayant fermé pendant un certain temps, la demande s’est tarie, ce qui a entraîné une stagnation des stocks. Les achats de vêtements de première priorité ont chuté et la plupart des achats se sont déroulé en ligne, et non en magasin.

Les consommateurs opérant désormais de plus en plus en télétravail, ils sont passés à des tenues plus confortables qui favorisent également une augmentation des activités de plein air. Alors que les vêtements de cérémonie et d'affaires restent en nette diminution, les achats de vêtements de sport ont augmenté. Les chaussures ont également subi une baisse majeure des ventes, à l'exception des chaussures performantes, dont la demande a fortement augmenté.

Mais ces nouvelles considérations sur la vie et l’accent mis sur la santé personnelle vont-ils durer ? Une fois que tout sera complètement rétabli, la demande reviendra-t-elle aux comportements antérieurs ou les possibilités de travail à distance et les modes de vie actifs resteront-ils des tendances permanentes ? La même question se pose pour les magasins de bricolage et d’équipement ménager. Avec l’adoption de nouvelles activités telles que la décoration, le jardinage, les réparations et les rénovations, les projets à domicile concentrent désormais sur eux le temps et l’argent.

Relever les défis de la demande

Les défis liés aux prévisions de la demande concernent les nouveaux comportements d’achat, les fermetures imprévues de magasins et l’incertitude relatives aux tendances naissantes. Les fournisseurs de logiciels innovants basés sur l'IA s'associent aux détaillants en faisant appel à une équipe de spécialistes des données pour mettre au point des modèles d'apprentissage automatique pour leurs catégories commerciales uniques. En utilisant une fonction de demande « pandémique », le scientifique peut entraîner l'algorithme d'apprentissage machine (ML) à prendre automatiquement en compte les comportements de vente nouvellement observés, éliminant ainsi les périodes non pertinentes (achats de panique, fermetures de magasins, etc.) pour que les modèles puissent prévoir avec précision les besoins futurs.

Dans les modèles traditionnels, les planificateurs de la demande doivent mettre à jour manuellement les paramètres des séries chronologiques, les niveaux d'agrégation, attribuer des articles similaires, mettre à jour manuellement les prévisions pour la levée des promotions, etc. Mais l'apprentissage machine s'étend au-delà des impacts récents à d'autres caractéristiques de la demande telles que la prévision de nouveaux produits, qui utilise les tendances des attributs de produits et de lieux, les détails promotionnels, le halo/cannibalisation, les données externes comme la météo, les événements sociaux et locaux, etc.

Les modèles d'apprentissage machine fournissent l'automatisation et la modélisation flexible de la demande nécessaire à une prévision précise pendant et après ces temps incertains. La prochaine génération d’intelligence artificielle dans la vente au détail recourra aux réseaux neuronaux, à l’apprentissage approfondi et à d’autres techniques de modélisation pour stimuler davantage l’automatisation et la précision.

Le fait d'avoir une équipe de scientifiques des données en coulisses permettant de s’assurer que les modèles sont paramétrés de sorte à produire des résultats précis est une approche bien supérieure pour former les concepteurs de la demande dans la vente au détail à des modèles, des paramètres, en espérant qu’ils obtiennent de bons résultats. Les planificateurs de la demande doivent se concentrer sur la gestion des exceptions, l'analyse des activités, la recherche d'opportunités et, en ces temps incertains, sur la stratégie à adopter pour la prochaine norme.

Pour plus de stratégies visant à créer la chaîne logistique résiliente nécessaire à la révolution de la vente au détail, téléchargez le guide des bonnes pratiques.