L’apport de l’IA dans le Demand-Planning

par Mangrove, partenaire IA/ML sur AWS

Le Demand Planning est une activité fondamentale pour la grande majorité des entreprises industrielles. Il s’agit en effet du processus de prévision de la demande d’un produit ou d’un service afin qu’il puisse être produit et livré plus efficacement. Le Demand Planning est donc une composante essentielle de la Supply Chain.

Cette activité est une activité stable et organisée au sein des entreprises, avec une interaction humaine forte entre les Demand Planner, les équipes commerciales, techniques, ou encore la direction. L’analyse des données disponibles au sein de l’entreprise est une des conditions essentielles d’une bonne prédiction ou forecast. L’analyse des données devient cependant de plus en plus difficile car ces données comportent parfois plusieurs centaines de milliers de références, des changements de références pour des produits similaires d’un point de vue client, des arrêts ou introduction de nouveaux produits (phase out, phase in), la saisonnalité, l’impact d’événements extérieurs comme le cours des devises, les promotions, ou encore la crise sanitaire…

Une amélioration du DPA ne serait-ce que de 1% est donc très significative, d’où l’introduction de nouvelle solution visant à aider les Demand Planner dans leur quotidien.

C’est dans ce contexte qu’un des leaders européens de l’électroménager a demandé à Mangrove de démontrer l’amélioration du DPA à l’aide d’algorithmes de Machine Learning. L’objectif donné était une amélioration de 1% minimum du DPA sur l’ensemble des pays concernés. Les résultats de ML devaient être intégrés aux processus et au calendrier extrêmement précis de la production. Le tout sans aucune modification de l’IT ! Le client ne souhaitait pas non plus modifier la constitution des équipes existantes.

A la base, une excellente collaboration entre les Demand Planner et les experts de Mangrove

La connaissance métier a été fondamentale pour comprendre finement d’une part, les données et en assurer la préparation requise pour les algorithmes de ML et, d’autre part, bien intégrer process, calendrier du Demand Planning et de la production. L’analyse des résultats avec les Demand Planner a permis également de cibler le champ d’application des algorithmes. En effet, des “poches” à très fort potentiel sont apparues à travers ces analyses conjointes. Les Demand Planner ont donc très vite utilisé les algorithmes sur certains groupes de produits sur lesquels les gains étaient très forts et stables.

De la mise au point des modèles de Machine Learning à la production mensuelle

Une fois les données préparées, plusieurs approches ont été testées en termes d’algorithmes. Certaines données relatives au Demand Planning sont assez différentes des données que nous avions eues à traiter jusqu’alors : les phase-in/phase-out de produits en sont un exemple concret. Cela demande une préparation des données particulière et un échange méthodique avec les Demand Planner. Les très bonnes performances atteintes par les Demand Planner et les contraintes de production (24h pour produire les prédictions pour 1,2 M de références sur 8 pays européens) nous ont obligé à rechercher à la fois des performances très élevées en termes de prédiction, de stabilité et de précision mais aussi en termes de temps de calcul et de fiabilisation des résultats. Cette double contrainte de performance prédictive et de rapidité des résultats a été rendue possible par une utilisation poussée des services AWS tels que Sagemaker qui s’est révélée essentielle pour atteindre une qualité des modèles, une performance élevée et une stabilité en production à un coût extrêmement compétitif.

Nous avons mis au point une modélisation et une production avec les étapes suivantes :

● Définition d’agrégats prédictifs pour différents groupes de produits avec la composante temporelle, les pays et la saisonnalité

● Gammes cibles de produits identifiées automatiquement sur lesquels le ML aura l’impact le plus positif sur les prévisions des Demand Planners

● Amélioration croisée des performances entre les pays et les produits

● Processus de validation temps réel de sélection des modèles les plus performants

Les nouvelles données sont fournies automatiquement une fois par mois. Étant intégré à un processus, les résultats prédictifs sont fournis automatiquement au plus tard 24h après. L’horizon des prévisions est à deux mois, c’est-à-dire que début octobre les prédictions de décembre sont créées.

Nous avons mené deux phases pour atteindre ces résultats :

● choix des modèles de Machine Learning adaptés au DPA

● méthode d’évaluation précise des apports de l’IA (identification des références cibles pour les modèles, intégration au cycle des demand planner)

L’approche itérative qui consiste à générer des modèles de façon automatique, nous a permis d’améliorer les performances de façon très significative en quelques mois. Nous avons testé plusieurs approches de ML. C’est un bon exemple d’apprentissage continu, élément clé du Machine Learning. Le monitoring des performances a été clé pour guider l’approche de ML et atteindre les performances souhaitées.

Ecart DPA ML vs Manual ➡ Différence de DPA sur les produits concernés

Product range ➡ Produits pour lesquels le Machine Learning est plus performant que les prédictions des Demand Planner.

Global DPA impact ➡ Amélioration du forecast en prenant en compte l’ensemble des produits, c’est-à-dire, les produits sur lesquels le Machine Learning est retenu et ceux sur lesquels il ne l’est pas (le DPA manuel est retenu)

Les performances ont progressé de 0,37% à 3,5%, soit plus de trois fois l’objectif fixé. Les performances se sont révélées stables sur toute la durée de monitoring qui a suivi (12 mois).

Vers un Demand Planner “augmenté” par l’IA…

Au-delà du problème de l’évolution des références et des données internes et externes, la compréhension des interactions humaines qui permet aux Demand Planner d’améliorer leurs prévisions jusqu’au dernier moment, a été fondamentale. Cela nous a permis de construire une orchestration des données et des modélisations sur AWS très efficace.

Les performances se sont révélées stables et nettement contributives aux résultats des Demand Planner avec un impact moyen compris entre 2 et 3% quand la demande de notre client était de 1%.

Également, le client a pu bénéficier de tous les bénéfices du Machine Learning à travers une API pour accéder aux résultats et charger ses données sur un environnement dédié construit pour eux sur AWS sans impact sur l’IT existant. La mise en œuvre du Machine Learning au sein de l’IT existant avait déjà été tentée sans succès avec un coût de projet 10 fois plus important. Enfin le coût de production mensuelle est de quelques centaines d’euros, sans investissement dans les infrastructures.

Conclusion : un impact de plusieurs centaines de milliers d’euros…

Au-delà du gain financier très important, la démonstration d’une collaboration entre l’humain et l’algorithme s’est révélée fructueuse. L’IA apporte une aide réelle au Demand Planner mais ne pourrait en aucun cas se substituer à eux. En effet, quand l’information n’est pas tracée dans les données (promotions prévues non signalées, arrêt de SKUs…) ou que les données sont inaccessibles, seul le Demand Planner, de par sa proximité avec les équipes et sa connaissance des process, est le garant des prévisions.

L’intégration au processus industriel dans une infrastructure informatique existante est une raison fondamentale de notre succès, conjuguée bien sûr aux algorithmes de ML. Nous retenons donc deux points clés :

● insérer l’IA au bon moment dans les process pour capter le maximum d’informations pertinentes et ainsi contribuer significativement à l’amélioration des résultats

● pouvoir créer rapidement et sans capex une architecture scalable, industrielle d’IA grâce aux services AWS tels que CloudFormation, S3, Glue, Quicksight, Lambda, Athena, et bien sûr SageMaker.