Points essentiels
- Solution : Développer un modèle de machine learning de prévision de la demande.
- Données utilisées : 2 ans d'historique de ventes + Données Météo (API publique) + Calendrier local (ferié/fêtes).
- Gaspillage : -25% (économies directes de plusieurs dizaines de milliers de dirhams).
- Disponibilité : +15% de ventes grâce à la diminution des ruptures de stock (-80% sur les produits phares).
Le défi : Mieux prévoir la demande
L'entreprise 'Délices du Souss' souffrait d'un problème majeur : l'impossibilité de prévoir ses besoins en produits frais. Cela menait à un stock instable oscillant entre surproduction (gaspillage) et ruptures de stock.
L'IA n'était pas utilisée pour une prouesse technologique abstraite, mais pour résoudre ce problème logistique critique.
- Solution : Développer un modèle de machine learning de prévision de la demande.
- Données utilisées : 2 ans d'historique de ventes + Données Météo (API publique) + Calendrier local (ferié/fêtes).
Résultats et enseignements
Après six mois d'exploitation, l'approche a radicalement modifié la gestion de l'entreprise.
- Gaspillage : -25% (économies directes de plusieurs dizaines de milliers de dirhams).
- Disponibilité : +15% de ventes grâce à la diminution des ruptures de stock (-80% sur les produits phares).
- Impact managérial : Diminution du stress de l'équipe approvisionnement.
Leçons de terrain
- Données propres : Le succès est conditionné par la qualité et la propreté de l'historique de deux ans.
- Approche frugale : Pas besoin de réseaux de neurones complexes, un modèle simple (Gradient Boosting) a suffi.
- Dimension humaine : L'IA propose une recommandation, le gérant décide (le modèle reste sous contrôle).
AH
Auteur
AI HUB Editorial
Research Desk
fsldfjskjslfjlsdjflj
