La question qui détermine la pertinence
Le stock est du capital immobilisé. La question est de savoir combien de capital est immobilisé en trop : parce que le stock de sécurité est surdimensionné, parce que certaines références en surstock tournent mal, ou parce que la politique de réapprovisionnement n’est pas calibrée sur la variabilité réelle de la demande et des délais de livraison.
L’autre face du problème est le coût de la rupture. Si les ruptures entraînent des ventes perdues, des arrêts de production ou des pénalités contractuelles, le risque de manquer de stock est aussi réel que le coût d’en avoir trop.
L’optimisation des stocks par l’IA a d’autant plus de sens que la demande est variable, que le catalogue de références est hétérogène et que l’erreur coûte cher (prix de l’article, périssabilité ou pénalité en cas de rupture).
Évaluer l’opportunité
Quatre chiffres donnent l’ampleur du problème : les jours de stock actuels comparés à ceux qui suffiraient pour le même taux de service, le taux de rupture et le coût de chaque rupture, le coût des pertes ou des provisions pour obsolescence, et le fonds de roulement investi dans les stocks avec son coût de financement.
L’IA ne résout pas tous les problèmes de stock aussi bien. Son avantage est le plus net dans la gestion d’un grand nombre de références (SKU), lorsque leur nombre rend la gestion manuelle impossible, face à une demande variable soumise à des facteurs externes (saisonnalité, promotions, événements) qui affectent chaque référence différemment, et dans les chaînes d’approvisionnement aux délais de livraison variables.
Les données nécessaires
L’historique des mouvements de stock. Entrées, sorties, retours, ajustements d’inventaire. La granularité temporelle (le niveau journalier est un minimum pour la plupart des modèles) et la profondeur historique (plus l’historique couvre de cycles de demande, mieux c’est) sont les deux paramètres critiques.
La demande réelle (et non les commandes). La demande réelle et les commandes reçues peuvent différer sensiblement lorsque des ruptures suppriment des commandes. Pour modéliser la demande latente, il faut repérer dans l’historique les périodes de rupture et estimer la demande qui a existé sans être satisfaite.
Les délais de livraison des fournisseurs (avec leur variabilité, pas seulement le délai nominal). Le stock de sécurité optimal dépend de la variabilité du délai de livraison, et non du délai moyen. Si le fournisseur livre en deux à six semaines, le stock de sécurité nécessaire est très différent de celui qu’exige un fournisseur qui livre toujours en quatre semaines exactement.
Les données de coût. Pour arbitrer entre coût d’immobilisation et coût de rupture, il faut connaître le coût du capital par unité immobilisée et le coût ou la marge perdus en cas de rupture.
Coûts et complexité
La complexité augmente avec le nombre de références, la profondeur de la chaîne d’approvisionnement (plusieurs échelons : usine, entrepôt central, entrepôts régionaux) et le nombre de fournisseurs aux délais hétérogènes.
L’intégration avec l’ERP ou le système de gestion d’entrepôt est le poste de coût le plus variable : avec des systèmes bien structurés, elle est simple ; avec un ERP aux données fragmentées ou incohérentes, elle peut devenir la partie la plus coûteuse du projet.
Évaluer les risques
Optimiser sans visibilité complète sur la chaîne. Un modèle qui optimise le stock d’un entrepôt sans voir le stock en transit, en usine ou dans d’autres entrepôts peut produire des décisions optimales localement mais sous-optimales globalement.
Ne pas intégrer les contraintes opérationnelles réelles. Minimums de commande, multiples d’achat, contraintes de place en entrepôt et accords fournisseurs sont autant de contraintes que le modèle doit intégrer. Si elles sont mal prises en compte, ses recommandations ne sont pas applicables en pratique.
Des ruptures d’approvisionnement non modélisées. L’historique des délais peut ne pas refléter le risque réel de perturbations (défaillance d’un fournisseur, pénurie de matières premières, crise logistique). Les modèles d’optimisation fondés sur l’historique ont un angle mort face aux événements sans précédent.
Indicateurs de réussite
- Jours de stock (DIO), avant et après
- Taux de rotation des stocks par catégorie
- Taux de rupture (fill rate, taux de service commande, taux de service ligne)
- Pertes et provisions pour obsolescence en % du stock total
- Fonds de roulement libéré
Comment elle génère un ROI
Les leviers de valeur sont la libération de fonds de roulement (baisse du stock × coût du capital), la réduction des pertes sur les produits à durée de vie limitée, la baisse des ventes perdues pour cause de rupture et la diminution des coûts d’urgence (commandes urgentes plus chères, logistique express).
Dans l’industrie, l’optimisation des stocks de matières premières et de composants peut aussi réduire les arrêts de production par manque de matière, dont le coût dépasse largement la valeur du stock supplémentaire qui aurait permis de les éviter.
Questions fréquentes
Quelle différence entre l’optimisation des stocks par l’IA et les méthodes statistiques classiques ? Les méthodes classiques (quantité économique de commande, point de commande, stock de sécurité fondé sur l’écart type) sont calibrées référence par référence et supposent des distributions de demande standard. Les modèles de machine learning peuvent apprendre des schémas croisés entre références, intégrer des variables externes de façon non linéaire et capter la variabilité réelle de la demande, même lorsqu’elle ne suit pas une distribution standard. L’avantage du machine learning augmente avec le nombre de références et l’hétérogénéité de leur demande.
L’optimisation des stocks par l’IA exige-t-elle une intégration en temps réel avec l’ERP ? Cela dépend du cycle de réapprovisionnement. Pour un réapprovisionnement quotidien ou en temps réel (e-commerce, grande consommation), l’intégration en temps réel est nécessaire. Pour des cycles hebdomadaires ou mensuels, une intégration par lots suffit. La fréquence de mise à jour du modèle doit suivre le rythme réel des décisions d’achat.