Retail · États-Unis · Stocks

Prévision de la demande & analyse ABC des stocks

Un détaillant US d'articles maison perdait des ventes sur les best-sellers en rupture tout en surpayant le stockage des invendus. Mission : prévoir la demande sur 18 400 références et refondre le plan d'achat.

Données : 4,2 M de lignes · 3 ans Stack : Python · Spark · Prophet · Power BI Durée : 3 semaines
demand_forecast · Power BI
mis à jour aujourd'hui
Précision des prévisions
92.4%
MAPE 7,6%
Ruptures best-sellers
−63%
moins de ventes perdues
Coût de stockage
−28%
3,1 M$ libérés
Rotation des stocks
+19%
d'une année sur l'autre

Ventes réelles vs prévision du modèle

mensuel, milliers d'unités · pointillé = prévision à 3 mois

Analyse ABC de l'assortiment

part des références vs part du CA

◆ Constats
  • La classe A (7% des références) générait 71% du CA — et était la plus souvent en rupture.
  • La demande des best-sellers suivait des cycles hebdomadaires et saisonniers ignorés des achats manuels.
  • 34% des articles classe C n'avaient pas vendu en 90 jours et gelaient le fonds de roulement.
✓ Notre solution
  • Classe A passée en réapprovisionnement piloté par la prévision avec stock de sécurité de 14 jours.
  • 1 240 références mortes retirées et le budget réinvesti dans les valeurs sûres.
  • Alertes de rupture ajoutées sept jours avant qu'un best-seller n'atteigne zéro.

Un projet similaire ?

Dites-nous ce que vous construisez. Nous répondons sous un jour ouvré avec un plan clair et un devis ferme.

Démarrer votre projet