Optimiser la gestion des stocks dans le retail : entreposer le bon produit au bon endroit

Frais d’expéditions supplémentaires, augmentation des livraisons fractionnées, suivi du niveau des stocks… à l’occasion de la publication des résultats trimestriels, ces sujets sont régulièrement évoqués par les dirigeants du secteur du retail. Et pour cause ! Dans le secteur de l’habillement aux États-Unis, par exemple, le bénéfice avant intérêts et impôts a chuté de 30% en raison de l’accélération des commandes en ligne.

Focalisés sur l’amélioration de leurs marges bénéficiaires, les détaillants s’efforcent aujourd’hui de maintenir leurs stocks au plus bas, de proposer moins de démarques en fin de saison et d’optimiser l’utilisation des ressources dont elles disposent au sein de leur réseau en fonction des demandes des clients. Bien entendu, les frais d’expédition continueront toujours d’empiéter sur les marges mais de façon beaucoup moins conséquente si la gestion des stocks est mieux organisée géographiquement en fonction de la demande. Dit autrement, les détaillants doivent anticiper la demande, savoir d’où elle proviendra et placer leurs stocks au plus près des clients, de sorte à maximiser leur rentabilité. 

Ne pas se laisser submerger par la gestion des stocks

Pour les détaillants, la gestion des stocks reste sans aucun doute l’un des plus grands défis, notamment depuis la pandémie et l’essor de l’achat en ligne au détriment de l’achat en physique. 

Deux exemples illustrent la complexité des problématiques auxquelles ils sont confrontés :

Le Surstockage - Dans le domaine du retail, la rotation des stocks – ou fréquence de renouvellement des produits en fonction de la demande – constitue un des principaux indicateurs de performance. Une analyse approfondie des rapports annuels des détaillants met en évidence les problèmes de surstockage auxquels ils sont confrontés. Or, le surstockage entraîne des problèmes de trésorerie et impacte la capacité de stockage en magasin et dans les entrepôts, obligeant l’entreprise à brader ses stocks pour libérer de la place, ce qui affecte sa rentabilité. 

Les frais d'expédition élevés - Selon les analystes, le développement des activités en ligne d'un détaillant peut entraîner une baisse proportionnellement équivalente des marges bénéficiaires. La pandémie COVID a même accentué le problème. Sur un marché où la souplesse et la rapidité de livraison constituent des critères différenciateurs pour le client, dispatcher ses stocks au plus près du client est d’autant plus essentiel que cela permet d’éviter des coûts de stockage exorbitants. Or, beaucoup de détaillants sont encore incapables d’anticiper la demande afin de mieux organiser leurs stocks géographiquement. 

Comment cloud et analyse de données simplifient la donne

C’est pourquoi, aujourd’hui, les détaillants ne cherchent plus seulement à optimiser leurs stocks ; ils veulent aussi stocker leurs produits au meilleur endroit. Ils sont de plus en plus nombreux à abandonner la prévision ‘manuelle’ de la demande saisonnière en se basant sur leurs intuitions et les ventes réalisées les années précédentes.
Plutôt que de se baser sur des intuitions ou des estimations, ils préfèrent désormais s’appuyer sur leur patrimoine de données et des analyses avancées pour mieux comprendre les tendances ou besoins du marché et notamment avoir une meilleure estimation de la demande (en fonction des saisons par exemple).

Architecture fonctionnelle de référence

Ainsi que nous venons de le voir, les détaillants en quête de plus fortes marges sont confrontés à un double défi. D’une part, ils doivent mieux prédire la demande de façon à maintenir les stocks au plus bas niveau. D’autre part, ils doivent adapter l’entreposage géographique des produits en fonction de la demande afin d’optimiser l’occupation des espaces et des ressources dont ils disposent au sein de leur réseau logistique. 

Dans cette perspective, l’équipe Google Cloud a développé une architecture fonctionnelle qui s’appuie sur les technologies Google Cloud, services AI/ML compris, afin d’aider les détaillants à prédire la demande et à entreposer le bon produit au bon endroit. Elle a été spécialement conçue pour les aider à améliorer leurs marges bénéficiaires, en maintenant les stocks au plus bas niveau et en planifiant mieux l’utilisation des ressources et espaces de stockage.

Explorons-la de plus près.

Prédire la demande

Notre architecture de référence comprend un service qui permet de prédire la demande pour une période donnée à venir. D’un détaillant à l’autre, les prédictions peuvent varier en fonction :

• Du niveau de détail des produits (en fonction des familles de produits, en fonction du code-barre ou ‘SKU’, etc.) et du mode de livraison (livraison à domicile, retrait en magasin, achat en magasin, etc.).

• La période de prédiction, qui peut s’étendre de 9 à 18 mois dans le futur.

Prédire la rentabilité

Le service de prévision de la rentabilité, intégré à notre architecture de référence, calcule la rentabilité par références de produits (SKU) et agrège les résultats au niveau supérieur de la hiérarchie des produits (par exemple la sous-catégorie). 

La rentabilité peut être calculée de deux façons :

• À partir du prix de vente moyen unitaire (AUR), du coût unitaire débarqué (coût d’achat du produit augmenté des frais de transport, de douane et de manutention), du coût de réalisation (coût des opérations nécessaires pour préparer et expédier le produit au client) et du coût d’expédition (coût du transport du produit du lieu de stockage au lieu de livraison).

• En utilisant un calcul pondéré basé sur le nombre d’unités vendues (pour chaque SKU). La rentabilité est pondérée en fonction du poids de chaque référence dans le chiffre d’affaires. Les données calculées sont enregistrées pour chaque sous-catégorie, chaque mode de livraison (à domicile, au point relai, en magasin…) et chaque lieu de stockage (magasin physique, magasin satellite, site de distribution ou de préparation de la commande).

L’architecture fonctionnelle prend en compte les contraintes de capacité, qui sont liées au nombre de produits entrants et sortants qui peuvent être traités dans une semaine mais aussi à la capacité de stockage. Il est ainsi possible de déterminer la demande maximale pouvant être attribuée à un lieu de stockage pour une semaine donnée.

Elle intègre également un outil d’optimisation (un solveur) pour maximiser la rentabilité, en prenant en compte les prédictions hebdomadaires de la demande et les contraintes de capacité pour chaque lieu de stockage. Il livre des recommandations qui permettent ensuite de savoir combien de produits il faut avoir dans chaque lieu de stockage et comment les distribuer aux clients selon leur choix de livraison (retrait en magasin, point relai ou livraison à domicile). La planification est effectuée pour chaque catégorie ou référence de produits et pour la durée prédéterminée. 

Cela étant, les détaillants peuvent ignorer les recommandations de cet outil en donnant la priorité à des contraintes business spécifiques.

Architecture technique

Partant des fonctionnalités décrites ci-dessus, voici un bref descriptif de l’architecture technique et des technologies Google Cloud embarquées dans la solution :

Une Couche d'intégration et d'ingestion des données qui rassemble tous les services Google Cloud d’ingestion et de traitement des données à commencer par :

• Dataflow : Système serverless de traitement des données par flux et par lot. À la fois rapide et économique, Dataflow transfert dans BigQuery les données relatives aux ventes, aux stocks, au système d’identification des produits (SKU), aux promotions et calendrier des événements promotionnels planifiés.

• Dataproc : Service managé permettant d'exécuter des traitements de données sur des clusters Apache Spark et Apache Hadoop. Dataproc peut gérer tout type de traitement en batch.

• Cloud Composer : Service managé d'orchestration de workflows conçu à partir d'Apache Airflow. Cloud Composer est utilisé pour planifier les traitements par batch devant être exécutés à intervalles réguliers.

• Apigee : Solution native de gestion des APIs de Google Cloud. Elle permet de simplifier l’accès aux services backend en les exposant à travers des proxies d’API. Tous les services de la plateforme, qu'il s'agisse du chargement de données, de l’agrégation des ventes, des calculs de rentabilité, de prédiction de la demande ou de l’outil d'optimisation, sont traités comme des services Web qui s'appuient sur Apigee pour construire, gérer et sécuriser leurs APIs.

Un Data cloud qui fournit une approche unifiée et ouverte pour stocker les données ingérées et les données traitées. Le Data Cloud inclut des services d’IA et permet de réussir sa transformation « data-driven » (pilotée par la donnée) grâce à une grande rapidité de traitement de données à grande échelle et en toute sécurité. Les services Google Cloud intégrés à cette couche sont notamment :

• Cloud Storage : notre service managé pour le stockage de données non structurées. Vous pouvez stocker n'importe quelle quantité de données et les récupérez aussi souvent et quand vous en avez besoin. Les données relatives aux contraintes de capacité, à l’exécution, à l'expédition et aux coûts de main-d'œuvre provenant de systèmes externes sont stockées dans Cloud Storage avant d'être traitées et stockées dans BigQuery.

• BigQuery : notre entrepôt de données serverless, hautement évolutif et économique. Il apporte de l’agilité et une meilleure visibilité sur les activités à l’entreprise. BigQuery est utilisé pour stocker les données ingérées et les données traitées (dont les données agrégées sur les ventes, la demande hebdomadaire et les données sur la rentabilité des produits).

• D’autres services de base de données de données de Google Cloud sont également accessibles dont  Cloud Spanner (une base relationnelle managée avec une montée en charge illimitée avec un haut niveau de cohérence et de disponibilité) pour stocker la classification des produits (SKU) ou les données relatives aux promotions par exemple ou encore Cloud SQL (un service de base de données managée pour MySQL, PostgreSQL et SQL Server) pour stocker les données transactionnelles liées aux ventes et à l'inventaire.

Des services ML et IA avancés : la couche IA/ML - intégrée au data cloud - pour mettre en œuvre des services avancés basés sur l’Intelligence Artificielle et le Machine Learning pour, par exemple, prédire la demande, anticiper la rentabilité ou encore trouver la meilleure façon de gérer les stocks et les livraisons afin de maximiser les marges.

• Vertex AI :  notre plateforme unifiée pour l’entraînement, l'hébergement et la gestion des modèles ML. Vertex AI est utilisé pour construire, déployer et mettre à l'échelle rapidement des modèles ML (y compris pour estimer la demande, effectuer des prévisions de rentabilité ou encore trouver la meilleure façon de gérer les stocks et les livraisons), avec des outils ML entièrement managés.

• Une couche de restitution (front-end platform) permettant aux détaillants de construire des rapports et visualisations avec des solutions cloud native pour ensuite les déployer dans Google Cloud.

Compte tenu de l'accélération de la vente en ligne, des changements dans les comportements d’achat et des coûts associés à l'expédition et au traitement des retours, il est grand temps pour les détaillants d’envisager sérieusement l’exploitation de leurs données et l’utilisation d’outils et de services avancés, y compris les services IA/ML de Google Cloud, afin de mieux prédire la demande et entreposer le bon produit au bon endroit. 

L’approche ici proposée leur permet d’améliorer leur rentabilité en maintenant des stocks bas, en limitant les démarques de fin de saison, et en adoptant un modèle à même d’anticiper la demande et d’optimiser les allocations au sein du réseau. 

Pour en savoir plus sur la mise en œuvre de cette architecture de référence ou discuter des défis propres à votre entreprise, contactez votre représentant commercial Google Cloud.