Étude de cas · Intelligence opérationnelle

Publicité, demande et un plan réellement utilisé.

Retail et distribution · opérations multicanal. Une seule couche par-dessus des systèmes qui ne se réconcilient pas, des budgets publicitaires qui suivent la demande au lieu de la subir, et un plan de demande qu'un planificateur valide vraiment.

La situation

Trois systèmes, un tableur, la photo du mois dernier

Commandes, stocks et dépenses dans des systèmes distincts, réconciliés à la main chaque semaine

Ce que nous avons trouvé

Les commandes dans un système, les stocks dans un autre, les dépenses dans un troisième, et une équipe qui réconciliait les trois dans un tableur chaque semaine. Le marketing dépensait donc sur la photo du mois précédent : les références qui tournaient partaient en rupture en pleine campagne pendant que la trésorerie dormait dans des stocks que personne ne poussait.

Ce que nous avons construit

Une couche qui unifie ces systèmes et encode les règles de réconciliation que l'équipe gardait en tête, y ajoute la demande au niveau du SKU et réaffecte les budgets entre canaux et créations en fonction de ce qui va réellement se vendre. Les anomalies — un canal qui cesse de remonter des données, une référence dont les retours s'envolent, un fournisseur qui s'écarte des tarifs convenus — partent vers la personne responsable de ce chiffre, sous forme d'alerte, pas d'un tableau de bord de plus.

Les résultats

La dépense suit la demande ; la trésorerie cesse de dormir en stock.

Chiffres issus de la mission en cours ; nom du client non communiqué.

+28 %
de retour sur investissement publicitaire
−18 %
de coût d'acquisition client global
−30 %
de jours de stock
−22 %
de fonds de roulement immobilisé en stock
Ce qui change La réconciliation hebdomadaire cesse d'être un travail manuel, et les exceptions arrivent sous forme de message à un responsable nommé, au lieu d'attendre dans un tableau de bord que quelqu'un vienne les chercher.
Capacité mise en avant · prévision de la demande

Un plan de demande qu'un planificateur va vraiment utiliser.

N'importe qui sait ajuster un modèle sur deux ans d'expéditions. Que le plan soit utilisé se décide dans le processus, pas dans la modélisation — c'est donc cela que nous avons construit.

L'historique est sale, et personne ne vous le dit

Une semaine à zéro vente parce que la référence était en rupture n'est pas une demande nulle : c'est une observation censurée, et s'entraîner dessus apprend au modèle à sous-estimer précisément les références qui se vendent trop bien. Nettoyer les ruptures, les promotions et les montées en charge de l'historique, c'est cela le produit.

Un planificateur qui ne voit pas pourquoi n'utilisera pas le chiffre

La base de référence arrive décomposée — tendance, saisonnalité, promotion, événement, prix — sous forme de cascade qu'un planificateur peut discuter barre par barre, au lieu d'une courbe unique qu'il ne peut qu'accepter ou rejeter en bloc.

Le modèle ne publie jamais un chiffre seul

Chaque valeur qui sort du système a été acceptée ou fixée par un planificateur nommé, avec un code motif. Les cellules sur lesquelles le modèle hésite sont routées vers une personne ; le reste passe automatiquement.

Les corrections manuelles sont évaluées face au réel

La valeur ajoutée de la prévision — la correction du planificateur a-t-elle battu le modèle ou l'a-t-elle dégradé — est mesurée nominativement. C'est l'indicateur qui transforme une prévision en discipline, et la raison pour laquelle le plan est encore crédible au neuvième mois.

1 · Ingérer
Historique des ventes au grain le plus fin disponible — SKU × canal × période Indicateur de disponibilité / rupture Calendrier promotions & événements
2 · Nettoyer
Décensurer les ruptures reconstruire la demande masquée Retirer l'effet promotions & montées en charge
3 · Base + facteurs
Cascade décomposée tendance · saisonnalité · promotion · événement · prix
4 · Revue planificateur
Exceptions vers un planificateur nommé Correction avec code motif Verrouillage du consensus
5 · Approvisionnement
Consolidation au SKU Plan d'achat / production / allocation
6 · Évaluer
Précision & biais par canal Valeur ajoutée par planificateur
Le RoI, pas une promesse de précision L'argument, c'est l'empilement des leviers, pas un chiffre de MAPE : ventes récupérées grâce à moins de ruptures, fonds de roulement et pertes de péremption grâce à moins de surstock, heures de planificateur, et meilleurs engagements sur les événements et le quick-commerce. La précision est le mécanisme — aucun de ces quatre leviers n'est un chiffre que nous annonçons avant d'avoir lu vos données.
La stack, et où vivent vos données

Construit sur votre entrepôt de données.

Construit sur
Databricks / Snowflake / BigQuery Modèles de prévision & de décomposition Raisonnement LLM anomalies & explications Votre ERP / OMS / WMS API des régies publicitaires Votre dépôt
Périmètre des données Cette couche est construite sur votre entrepôt — les données ne viennent jamais chez nous. Les appels aux modèles passent par votre propre point de terminaison cloud (Bedrock, Vertex ou Azure OpenAI) dans votre région, sans rétention et sans entraînement sur vos données. L'accès passe par votre IAM.

Votre prévision est-elle un plan, ou un objectif commercial sous un autre nom ?

Le premier livrable se limite souvent à la mesure — une victoire rapide et incontestable. En cinq jours de cadrage, nous passons votre propre historique et vous montrons ce que les ruptures dissimulaient.

Réserver 30 minutes