A ROMMMA-FOTOLIA Quelles prévisions et planifications pour demain? Dans un environnement incertain, la demande est de plus en plus difficile à appréhender par des extrapolations statistiques d historiques passés. Néanmoins, les APS (logiciels de planification avancée) ont trouvé une parade en développant des outils collaboratifs pour aider à gérer les promotions et les lancements de nouveaux produits, éléments les plus contributeurs à l incertitude de la demande. Mais si ces produits deviennent majoritaires, ce mode de gestion moins automatisé ne risque-t-il pas de devenir trop lourd? Qu apportent de nouveau les concepts de Big Data, Demand Sensing, de DDMRP, de Machine Learning? Permettront-ils de gagner encore en performance dans un univers plus complexe? ANTREY - FOTOLIA Le monde change. «Les Suppy Chains sont de plus en plus complexes, car plus connectées et plus fragmentées, et la variabilité se propage plus rapidement, ce qui rend les systèmes plus «nerveux», assène Carole Ptak, en s appuyant sur les travaux de Debra et Chad Smith, consignés dans leur ouvrage intitulé «Demand Driven Performance, Smart Metrics for complex Supply Chain». «La donne a complètement changé : les systèmes ne sont plus linéaires mais complexes et adaptatifs. Il faut inventer de nouvelles règles pour s adapter en permanence. Pour prendre les bonnes décisions dans ce contexte, la visibilité est cruciale, de même que le suivi de la variabilité entre le planifié et le réalisé. Il faut aussi mesurer le taux de transformation de matières premières en produits finis demandés par les clients et la «cash velocity», le taux de la prochaine génération de cash», dépeint la fondatrice du Demand Driven Institute, qui voit dans le DDMRP (Demand Driven Material 74
P S Requirements Planning) une manière d appliquer ce nouveau paradigme au niveau des opérations. Une période charnière Ainsi, si dans un système linéaire, il était relativement aisé de déduire le futur du passé par des extrapolations statistiques, ce mode de prévisions atteint ses limites pour un nombre croissant de produits. De même, si l on pouvait auparavant se contenter d approvisionner en masse et de produire de grandes séries, la réduction du cycle de vie des produits et la demande de personnalisation de ces derniers poussent vers des tailles de lots plus restreintes. Nos façons de prévoir et de planifier risquent donc de se voir modifiées dans les années à venir, ou pour le moins complétées par d autres méthodes. Les APS (Advanced Planning Systems ou logiciels de planification avancée) se sont adaptés aux demandes de leurs clients et ont beaucoup évolué. «Ils ne faut pas réduire les APS à des calculs algorithmiques. Ils se sont spécialisés dans le service à rendre, avec par exemple des modules à valeur ajoutée de gestion des promotions. Ils collectent les données, font du suivi et des alertes tout au long de la réalisation, ainsi que des bilans en fin de promotion», indique Cédric Hutt, Directeur Général Adjoint d Azap. L idée est en effet d optimiser l exécution des promotions, de voir ce qu elles ont rapporté et de tirer des enseignements à intégrer dans le système pour capitaliser sur l expérience au fil du temps. De même, pour les lancements de produits, la plupart des APS disposent de bibliothèques de profils sur lesquels peuvent s appuyer les prévisionnistes, en tenant compte de leur connaissance des précédents produits similaires, mais aussi d autres critères influents (niveau d investissement publicitaire, période de l année, concurrence ). Analyser l incertitude et les variations de la demande Beaucoup d énergie est aussi consacrée d une part à concevoir la demande sous forme de «four- Carol Ptak, Fondatrice du Demand Driven Institute C.POLGE OCTOBRE 2014 - SUPPLY CHAIN MAGAZINE N 88 75
DR OLIVIER WIGHT VISEO Stéphanie Duvault Alexandre, Chef de produit Futurmaster Liam Harrington, Associé du Cabinet Oliver Wight Nicolas Commare, Directeur de l activité Supply Chain, Viseo chette» plus que sous un chiffre donné et d autre part, à 75,0 % 80% fiabiliser les informations collectées au travers de mesures, 60% d analyses et de collaboration. «L outil statistique est utilisé pour initier les choses. On accorde à présent une part 40% plus importante à l analyse fine, surtout celle de l écart entre le prévu et le réellement 20% vendu. L accent est mis davantage sur l analyse de l incertitude de la demande et sur la réactivité de la Supply Chain, 0% poursuit le DGA d Azap. To increase visibility Certes, la demande est plus erratique et l on change de modèle mais pas tant que cela. En fait, on analyse l incertitude et l on dimensionne les capacités de stocks pour répondre aux aléas». Gilles Alais, Country Manager France, Barloworld Supply Chain Software, complète cette vision. «Audelà de la mesure de la justesse de la prévision (Forecast Accuracy), il est important de vérifier l exactitude des paramètres pris en compte tels que les délais fournisseurs réels (vs théoriques) pour maîtriser leur variabilité mais aussi celle des données injectées (ex : prévisions des clients). Ainsi, dans l aéronautique, nous avons instauré des tableaux de bord qui mesurent les changements en quantités, valeurs, pourcentages des prévisions des clients. Le but étant que des algorithmes statistiques définissent quelles sont les bonnes informations, ce qui est vrai et de combien». Areas of Supply Chain big data implementation 61,1 % 53,3 % 52,8 % Analytics around Supply Chain risk To enchance demand planning capabilities To enhance S&OP planning 30,6 % Product and market segmentation strategies 25,0 % 19,4 % To support sustainability initiatives Analysing data from social media to detect new market trends L APS comme outil de pilotage Gilles Alais (Barloworld SCS) souligne également le besoin de visibilité des entreprises auquel peuvent aussi répondre les APS de par leur transversalité. «Globalement, on note un besoin d outils de pilotage (processus de Sales & Operations Planning ou S&OP) par rapport à ces Supply Chains étendues et complexes. Les sociétés ont des APS mais attendent d augmenter leur visibilité sur le réseau (usines, sous-traitants, entrepôts ). Elles vont vouloir mettre en œuvre des outils collaboratifs tels que des portails web, côté clients et côté fournisseurs». Cette volonté de pilotage s exerce à plusieurs niveaux. En effet, au niveau stratégique, compte-tenu des investissements à consentir sur le long terme, les entreprises conservent plus que jamais le besoin d élaborer un plan stratégique et des budgets pour estimer ce qu elles comptent gagner et vont devoir dépenser en moyens et ressources. Où doivent-elles implanter leurs sites de production, de stockage, de distribution, etc. Par où vont-elles ensuite faire passer quels flux au niveau tactique. Avec qui vont-elles travailler en termes de fournisseurs, sous-traitants, prestataires logistiques, transporteurs, clients Tout cela reste vrai car les délais de décision continuent de l imposer. La nouveauté va sans doute être d intégrer davantage le processus budgétaire avec celui des opérations (S&OP), pour garantir leur cohérence et leur réalisation effective (IBP pour Integrated Business Planning). La volonté va être aussi de mieux capter les données d exécution pour revoir les plans si nécessaire. «Sur le court terme, les changements sont proportionnellement moins importants que ceux qui surviennent à haut niveau», tempère Liam Harrington, Associé du cabinet Oliver Wight. Ce qui évolue va être la capacité de capter de l information en masse et de voir comment l utiliser à court terme, moyen terme, voire à long terme. Mais sans pour autant sombrer dans l hyperréactivité. L avènement des Big Data Avec le développement des systèmes d information, des terminaux mobiles et des capteurs d information en temps réel, la volumétrie des données générées croît de manière exponentielle et s exprime dans des unités qui ne nous parlent quasi plus (des zettaoctets, soit 10 21 octets!). On parle de Big Data. Ces données «massives» sont de différentes natures : les «structurées», les données transactionnelles que l on trouve traditionnellement dans les ERP des entreprises, mais aussi tout un tas de données «non structurées» (issues des réseaux sociaux, d avis de consommateurs, de contrat de garanties et de services ), des données issues de capteurs (de température, d humidité, de positionnement GPS, d informations étiquettes RFID, QR Codes et des données d une autre nature telles que les images, les vidéos, les sons, les voix Selon le Gartner, les Big Data, se SOURCE LORA CECERE, FONDATRICE DE SUPPLY CHAIN INSIGHTS 76
caractérisent par «un haut volume, une forte vélocité et une grande variété». La question est donc de savoir comment améliorer la performance de sa Supply Chain grâce à une utilisation pertinente de ces données. Ce qui suppose déjà de ne pas se «noyer» dedans et donc d avoir les compétences idoines. «Hier, la Supply Chain était fondée sur le passé. On analysait les historiques et avec un peu d intelligence, on prévoyait le futur. C est ainsi que les APS se sont développés. Aujourd hui, les outils de prévisions statistiques montrent leurs limites et le plus important, dans une logique collaborative entre les hommes, est d associer une vision terrain à celle mathématique. Demain, nous aurons toujours le socle collaboratif, mais s y ajoutera une partie prédictive sur des données non structurées (issues des réseaux sociaux, des avis de consommateurs ) qu il faudra collecter et transformer en informations exploitables, prévoit Charles Turri, Senior Manager de Vinci Consulting. Et de poursuivre : Cela a de multiples conséquences. Il faut déjà avoir le matériel et les logiciels informatiques capables de traiter un nombre gigantesque de données. Mais surtout, il faut des profils alliant des connaissances métiers, techniques et analytiques. On les trouve principalement chez de gros industriels qui travaillent dans une logique de CPFR [ndlr : Collaborative Planning Forecasting & Replenishment] avec les distributeurs et dans l e-commerce, où ils sont en contact direct avec les internautes, et apprennent à traduire ces éléments en impacts sur les ventes.» Certains préfèrent d ailleurs le terme de «Smart Data» à celui de «Big Data». «Nous avons de vraies demandes de bases de données multidimensionnelles avec de nombreux niveaux d analyse, afin de répondre au plus vite aux événements imprévus, explique Stéphanie Duvault-Alexandre, Chef de produit Futurmaster. Le terme de Smart Data me semble plus approprié pour désigner la capacité, par de puissants algorithmes, d extraire des données clefs pour prendre les bonnes décisions.» ROMMMA-FOTOLIA Demand Sensing, une autre vision de la demande Le Demand Sensing se propose justement d aller chercher les bonnes données pour affiner la vision de la demande. «Le Demand Sensing regarde plus OCTOBRE 2014 - SUPPLY CHAIN MAGAZINE N 88 77
VISEO QUINTIQ C.POLGE Yves Cointrelle, Directeur de la Stratégie et du Développement Business Intelligence, Viseo Henri Beringer, Directeur de Quintiq France Gilles Alais, Country Manager France, Barloworld Supply Chain Software le comportements des clients 30% que les composantes de la 27,8 % demande. Il décèle les relations entre les produits par de 25% la reconnaissance de modèles (pattern recognition)», expose 20% Robert Byrne, DG et Fondateur de Terra Technology, promoteur du Demand Sensing, 15% avec notamment Smartops (acquis par SAP) et Toolgroups. Cela peut aussi consis- 10% ter à trouver des variables 5% exogènes (ex : météo sensibilité, données de panélistes, cours du pétrole ) qui expliquent l évolution de la 0% To increase visibility demande d un marché. Si la demande est fortement corrélée à cette variable, et si cette dernière est prévisible, cela revient à établir des prévisions sur cette variable pour en déduire la prévision de la demande du produit. Mais en général, le problème est plus complexe car il se peut que plusieurs variables exogènes entrent en jeu et que leur degré d influence évolue. L e-commerce devient à ce titre un terrain d analyse intéressant. «Amazon croise ce que consultent les internautes sur le site, dans une zone donnée, avec l anticipation des stocks. Par exemple, si 150 personnes regardent le Nikon J3 dans le département 93, statistiquement, 25 vont l acheter et Amazon avance la quantité en stock dans l entrepôt le plus proche», illustre Nicolas Commare, Directeur de l activité Supply Chain de Viseo. Amazon va même plus loin en proposant aux internautes de les livrer avant qu ils n achètent, quitte à retourner les produits sur l entrepôt s il s est trompé A voir si ce modèle tapageur sur le plan marketing sera viable et pour quels produits! Planifier à long terme pour être agile «Dans les premières étapes de la maturité, l analyse des données requiert beaucoup de ressources et d énergie afin de bien comprendre la demande et de déceler les corrélations. Une fois que l on a bien compris les corrélations, on peut les modéliser et enfin, comparer avec la réalité», décrit Liam Harrington (Oliver Wight). Il met cependant en garde les entreprises sur la vision «court-terme» du Demand Sensing. «Le Demand Sensing est focalisé sur les variations de la demande à court terme (les deux à trois semaines à venir). Mais si les entreprises sont à l aise avec ces process court terme, elles le sont moins sur la planification moyen-long terme (de 3 à 24 semaines). Appréhender la demande avec plus de précision n a pas grand intérêt si vous n êtes pas en mesure d y BIG DATA : Areas with the greatest expected level of ROI in Supply Chain 25,0 % To enhance demand planning capabilities 16,7 % 16,7 % Analytics around Supply Chain risk To enhance S&OP planning 5,6 % 5,6 % Product and market segmentation strategies To support sustainability initiatives 2,8 % Analysing data from social media to detect new market trends répondre! Il devient donc essentiel pour les entreprises de planifier à plus long terme, avec une stratégie de segmentation, et de gagner en agilité pour répondre aux aléas, une fois que le reste a été planifié», recommande-t-il. DDMRP, mieux planifier sur le court-terme Dans la droite ligne de ces conseils avisés, le DDMRP veut aider les entreprises à mieux répondre à une demande fluctuante avec plus d efficacité. «Le Demand Driven MRP est une solution de planification multi-niveaux des stocks et des matières, et une solution d exécution», résume Carol Ptak (Demand Driven Institute). Selon elle, toutes les SC souffrent d une distribution bimodale des stocks : elles en ont trop ou pas assez. Le DDMRP propose de modéliser l environnement puis de réajuster cette modélisation en cinq étapes : 1. Concevoir la Supply Chain en définissant où placer les points de découplage stratégiques, 2. Déterminer le niveau de stock nécessaire, 3. Comment ajuster ces stocks de manière dynamique, 4. Etablir le plan tiré par la demande et 5. Exécuter de manière visible et collaborative. «Ce système tient compte de six facteurs : le degré de tolérance du client en matière de délai, les délais potentiels du marché, la variabilité de l offre et de la demande, la flexibilité des stocks et la matrice de la nomenclature, la structure de l amont et de l aval de la SC, ainsi que les ressources critiques. Il réagit aux évolutions de la demande et aligne en permanence un taux de service élevé avec une diminution des stocks et des urgences», assure Carol Ptak, résultats d Unilever, de Le Tourneau Technology, d Oregon Freeze Dry, Romac Industries à l appui. «Le DDMRP est une synthèse du MRP, du DRP et du Lean Manufacturing qui reprend la force de ces trois concepts. SOURCE LORA CECERE, FONDATRICE DE SUPPLY CHAIN INSIGHTS 78
C est une démarche intéressante et pertinente qui rend les stocks évolutifs en fonction de la demande et assure la cohérence des processus Supply Chain depuis la prévision jusqu à l organisation de la production, en passant par l optimisation des stocks intermédiaires», estime Charles Turri (Vinci Consulting). DDMRP vs Prévisions? Ce pilotage court-terme supprime-t-il le besoin de faire des prévisions? Non, justement! «Dans le MRP, les prévisions commerciales sont prévues pour le pilotage des opérations. Dans le DDMRP, ce n est pas le cas. On adapte le buffer par rapport à ce qui a été vendu sur les derniers mois. Et les prévisions servent uniquement au processus S&OP pour se projeter à trois à six mois en termes de capacités», expose Paul Cordié, Managing Director d O2X Conseil. Même point de vue de Laurent Penard, Fondateur de Citwell : «La prévision de la demande est une question d horizon. Le DDMRP ne le résout pas à court/moyen terme, il traite la demande connue à court/moyen terme. C est un modèle adapté aux produits de grande consommation et aux industries à forte cadence. Quand on l adopte, on continue à faire des prévisions comme avant mais sur un axe famille technologique et S&OP pour tenir compte des contraintes industrielles et répondre aux problèmes de lissage de l activité (dans le cas où les moyens sont saturés) et de besoin d anticipation. En fait, les solutions sont complémentaires : Si l on a des prévisions fiables à la référence, on n a pas besoin de DDMRP. Il faut segmenter les produits pour savoir comment les traiter au mieux et faire un tableau de décisions en fonction de divers critères (moyens sur-capacitaires ou pas, beaucoup de renouvellement d articles ou pas )», poursuit-il. Machine Learning, le pouvoir des «agents» Ainsi, l avenir tendrait vers une segmentation des méthodes par type de produits pour prendre la plus adaptée. Un bon moyen de gagner en performance certes, mais sans doute pas de réduire la complexité. Va-t-on pouvoir compter sur les APS pour apprendre par eux-mêmes (machine learning) et guider les utilisateurs? Selon Gilles Alais (Barloworld SCS), les APS sont déjà auto-apprenants : «Si l on considère les analyses de risques demande et fournisseurs issus de l analyse des AZAP Cédric Hutt, Directeur Général Adjoint d Azap OCTOBRE 2014 - SUPPLY CHAIN MAGAZINE N 88 79
VINCI CONSULTING DR C.POLGE Charles Turri, Senior Manager, Vinci Consulting Paul Cordié, Managing Director d O2X Conseil Laurent Penard, Fondateur de Citwell historiques, les systèmes auto-adaptatifs [ndlr : l APS calcule de lui-même le meilleur algorithme d approche d une série statistique] et l apprentissage à l issue des premières ventes dans le module promotion, on peut considérer que l on fait déjà un peu de machine learning. Mais pour aller plus loin, notre R&D est en train de tester les Advanced Agent Based Modeling (ABM), une approche utilisée dans des secteurs complexes (biologie, banques, assurances ) pour définir des interrelations entre des entités autonomes. Nous sommes en train de monter un pilote avec un gros acteur international de la boisson afin d allouer la demande en temps réel aux centres de distribution», révèle-t-il. La société israélienne C-B4 semble d ailleurs avoir déjà trouvé comment s y prendre avec ce type d agents (voir encadré page 82). De nouveaux algorithmes en gestation Futurmaster n est pas non plus en reste côté réflexions. «Nous avons lancé un programme avec une équipe de chercheurs d une université à Pékin pour mettre au point de nouveaux algorithmes capables de trier une grande masse de données issues des bases de données marketing (panélistes, etc.) et de l entreprise elle-même (classification de produits selon divers axes) pour en déduire des comportement de consommation. Nous sommes en cours de mise en œuvre chez un client et devons délivrer ces nouveaux algorithmes d ici fin 2015», avance Michel Ramis, Directeur Commercial de l éditeur. Yves Cointrelle, Directeur de la Stratégie et du Développement Business Intelligence de Viseo, voit quant à lui arriver de nouveaux systèmes dans le domaine des données non structurées : «Des automates sont déjà capables d exploiter des données numérisées (ex : factures, BL ) sous forme de fichiers pdf. De nou- veaux systèmes arrivent pour faire de l analyse sémantique de mots clefs dans un contexte, y compris métier, afin de faciliter la capture d information depuis les réseaux sociaux, par exemple. Ces nouvelles techniques vont pouvoir mieux capter et filtrer les informations de ressenti et de perception des consommateurs». Ainsi, de nombreux programmes sont en gestation pour automatiser la capture de données de natures et de sources de plus en plus variées, mais aussi pour faciliter leur interprétation afin de prendre de meilleures décisions. Une connexion directe du consommateur au producteur L augmentation de la puissance de calcul des Transstockeur machines (loi de Moore) et le fait Jungheinrich que l on puisse utiliser à un instant t davantage de capacités serveurs via le Cloud sont autant de facilitateurs de ces nouvelles approches. Cela permet d une part de faire tourner les plans en quelques minutes contre des batchs de plusieurs heures auparavant. D autre part, cela ouvre la voie vers la capture de données en temps réel. Henri Beringer, Directeur de Quintiq France, dans un exposé sur les «Big Calculations» a pris l exemple de l application GPS Waze. «Google centralise les informations sur les embouteillages et le trafic en provenance de conducteurs. Ces informations peuvent être transmises à des transporteurs, qui embarquent dans leurs véhicules des systèmes de géo-positionnement et de prise de commande. Ainsi, avec des systèmes d optimisation peut-on détourner un camion pour gagner quelques kilomètres et assurer un meilleur service. C est un exemple d optimisation en continu», relève-t-il. Et Nicolas Commare (Viseo) de compléter : «On parle beaucoup d objets connectés depuis un an. Des lunettes, des miroirs interactifs peuvent récupérer des informations en temps réel qu ils communiquent aux SI pour aider les fabricants à mieux sentir les évolutions des besoins et les attentes des clients. Cet univers connecté va créer un lien direct entre le consommateurs et le fabricant», annoncet-il. Et que dire de l impression 3D? Des imprimantes 3D à installer chez soi sont déjà disponibles. «Cela va révolutionner complètement la manière de fabriquer et d approvisionner : plus besoin de produits fabriqués qui devancent la demande, de les brader en cas de mauvaise estimation Nous allons vers plus de développement durable», se réjouit Yves Cointrelle (Viseo). «Les 10 prochaines années vont être passionnantes!», conclut Charles Turri (Vinci Consulting) dans un même élan d enthousiasme. CATHY POLGE MIKKOLEM-FOTOLIA 80
Une expérience du Demand Sensing dans le luxe TAKASU-FOTOLIA «Le terme de Demand Sensing n est pas normé, commence cette experte de la SC du luxe. En ce qui concerne notre activité, la valeur dans notre Business consiste surtout à être bon dans le lancement de nos produits, car cela a des impacts positifs, notamment sur notre image et sur nos coûts. Nous avons voulu remonter la vraie demande sell-out captée sur l intégralité de notre chaîne et dans le monde entier pour améliorer la fiabilisation des prévisions de nos lancements de produits». Ce grand groupe mondial réalise des prévisions mensuelles au niveau produit/marché et a mis en place un processus S&OP (Sales & Operations Planning). Au niveau des lancements de produits, il s appuie sur des historiques. A partir de comparaisons avec d autres produits, en tenant compte de divers paramètres (niveau d investissement media, bibliothèque d événements passés ), il estime un profil de lancement potentiel. «Nous sommes en train de mettre en œuvre du partage de données avec les distributeurs pour compléter la remontée des sorties de caisses de nos boutiques intégrées», poursuit l experte. L idée est en effet d avoir de meilleurs retours des ventes réelles au démarrage d un produit pour pouvoir corriger les prévisions de lancement en conséquence». «Nous travaillons avec Retail Solutions, qui a développé une compétence aux Etats Unis de collecte de données massive (Big Data) et d analyse de ces informations pour améliorer le Business (qualité de l assortiment, disponibilité des produits nouveaux et en promotion) dans la distribution. A l heure actuelle, nous faisons pas mal d expérimentations, et l intelligence de lecture de ces informations s accroît», observe-t-elle. Pour garantir la pérennité de ce nouveau processus, il sera décrit et intégré dans le processus de lancement et inséré dans le Book de formation des prévisionnistes, afin que ce savoir-faire se transmette. CP OCTOBRE 2014 - SUPPLY CHAIN MAGAZINE N 88 81
C-B4 ROBERT KNESCHKE-FOTOLIA Professeur Irad Ben Gal, de l Université de Tel Aviv, Président et Fondateur de C-B4 Ld A l issue des échanges que nous avons eu avec les experts métiers au sujet du concept de Flowcasting, porté par André Martin et JDA Software, il semble qu il soit loin de faire l unanimité. Déjà, beaucoup ne l ont pas compris et le réduisent à la réalisation de prévisions sur la base de sorties de caisses. En fait, le principe du Flowcasting est de calculer une prévision à un seul endroit de la Supply Chain pour déduire les besoins en amont Le Flowcasting, cet incompris? et éviter de l effet coup de fouet résultant des sécurités que chaque maillon de la chaîne prend chaque fois qu il recalcule des prévisions à son niveau. Ces prévisions sont calculées au niveau le plus aval, à la maille produit/magasin, sur un horizon de 26 à 52 semaines. Voilà pour la théorie. Mais plusieurs obstacles se dressent. «Il est souvent très difficile d obtenir les données de sorties de caisse en France, contrairement aux pays anglo-saxons», souligne Séverine Duvault Alexandre (Futurmaster). «La plupart des distributeurs ne parviennent pas à calculer des prévisions à l article/magasin parce qu elles sont majoritairement erratiques. De plus, l algorithme proposé par le Flowcasting est un modèle de type Croston auquel on a ajouté une particularité : si je prévois 1 et que je vends 0, je reporte la vente non réalisée, démythifie Charles Turri (Vinci Consulting), qui poursuit : En plus, quel est l intérêt de ce degré de finesse compte-tenu des contraintes de merchandising (en mettre plusieurs pour en vendre un) et d approvisionnements (arrondis de commande) pour les produits à faible rotation?», interroge-t-il. Bref, le Flowcasting semble peiner à convaincre en France C-B4, une solution prometteuse «C-B4 est issu d une longue recherche universitaire (de huit/neuf ans) pour créer de nouveaux algorithmes capables de calculer des prévisions par SKU au niveau magasin, commence le Professeur Irad Ben Gal, de l Université de Tel Aviv, Président et Fondateur de C-B4 Ld. C-B4 fournit une solution automatisée de correction au plus tôt des prévisions qui peut être utilisée quotidiennement par des planifica teurs, des responsables produits ou des ventes. La solution C-B4 identifie le moment où la demande change, les nouvelles tendances et les principales variables explicatives, ce qui permet des analyses de causes et des actions correctives rapides. Les données d entrées peuvent être les suivantes : classiquement les prévisions, les stocks et les ventes, mais aussi, si elles sont disponibles, la localisation, les conditions météo, les événements, des informations en ligne, les prix, les promotions En sortie, la solution produit à la SKU par magasin/ boutique internet, par client et par niveau de localisation : des alertes sur les produits à rotation lente, des alertes de correction de prévisions, des nouveaux modèles de demande et de stock, des détections d anomalies et des profils clefs de business (des moteurs de règles exposent automatiquement des «hidden pattern» qui impactent la demande ou toute autre variable cible)». Pour illustrer ces «règles cachées», on peut prendre le fait, par exemple, que placer des packs de bière à côté des couches augmente les ventes de 20 % ce qui peut donner une idée de levier. Autre particularité de la solution : «Les algorithmes de C-B4 sont auto-apprenants». Implantée en Israël, C-B4 veut ouvrir un bureau aux Etats-Unis et en Europe pour répondre à la demande de ses clients étrangers. A suivre CP 82