Cet article est issu d'une collaboration entre Bpifrance Université et DataGenius dans le cadre du lancement de l'application Digital Guide.
Machine Learning : analyser le passé pour prédire l'avenir
Le Machine Learning, ou apprentissage automatique en français, est une sous-catégorie de l’Intelligence Artificielle. Il s’agit d’algorithmes capables d’apprendre et de s’améliorer en étant alimentés en données. A partir des historiques de ventes, le machine learning peut permettre de comprendre les ventes passées pour mieux anticiper les ventes futures. En ajoutant à cela des données externes telles que les tendances du marché, la saisonnalité, la zone géographique, il est alors possible de prédire au plus près les besoins clients et les prévisions de ventes associées.
L'IA permet aujourd’hui d’analyser finement de nombreuses variables extérieures (météo, réseaux sociaux, recherches sur les différents dispositifs digitaux de l’annonceur, volumes de vente, etc.) afin de prédire les volumes de vente d’un produit. Les avantages sont nombreux et concernent avant tout l’optimisation de la logistique (fabrication, stockage, transport, etc.).
Le groupe Sephora a par exemple entrepris un projet de prédiction des ventes quotidiennes de sa plateforme de e-commerce grâce au machine learning. Sephora revendique depuis une optimisation significative des forecasts (prédictions de vente). La marque note un gain de 15 points de précision apportés par le machine learning entre les forecasts et le chiffre d'affaires réalisé.
Quelques pré-requis nécessaires :
Veiller à la qualité des données : Les algorithmes se basent entièrement sur les données fournies en entrée pour fonctionner. S’assurer de la qualité des données utilisées est donc l’étape fondamentale de tout projet de Machine Learning.
Bien cadrer le projet dès le début : La direction à donner au projet et les modèles à développer sont directement dépendants de la problématique adressée. Il est vivement conseillé de prendre le temps en début de projet de bien définir la question posée et le ROI souhaité avant de commencer le développement du modèle.
Contraintes légales et RGPD : L’utilisation de données personnelles est soumise à de nombreuses réglementations regroupées dans le Règlement Général sur la Protection des Données (RGDP). Il est primordial de veiller à s’inscrire dans cette démarche, notamment pour l’anonymisation des données utilisées.
Principales étapes d'un projet de prévision de ventes :
Formalisation du besoin : Il est important de définir précisément les variables à prédire (types de produits, prédiction sur une courte ou longue durée, etc.). Un des enjeux est de définir le niveau de précision minimal à atteindre.
Sources de données et l’environnement technique : Les prédictions à réaliser sont faites à partir d’historiques de ventes. Il est donc primordial d’avoir une sauvegarde de ces données. Une réflexion concernant l’implémentation de l’outil de prédiction est nécessaire (outil dédié ? implémentation dans un ERP existant ? etc.).
Mesure de la qualité des données : Une première analyse exploratoire permet de mesurer la qualité des données (taux de complétion, formats corrects, etc.). Des données de mauvaise qualité ne permettent pas de développer un modèle performant.
Exploitation des données externes : Il est possible de consolider ses données internes avec des données externes (Open Data, etc.). Il est par exemple intéressant de qualifier des acheteurs avec des données descriptives fournies par l’INSEE (données d’entreprises, données démographiques, etc.).
Développement du modèle : Le développement du modèle prédictif nécessite des compétences spécifiques en Machine Learning (régression, séries temporelles, etc.). Une mesure de la performance est ensuite possible avant une mise en production. Cela est réalisé en tentant de prévoir des "ventes passées" pour comparer la prévision et la réalité.
Mise en production : L’algorithme développé est alors mis en production et implémenté sur serveur. Il est ensuite exploitable soit grâce à une API (Application Programming Interface) ou directement via une plateforme web dédiée. Une amélioration continue du modèle est mise en place avec un ré-entraînement automatique pour correspondre aux données les plus récentes.
Pour conclure, au delà de simples statistiques de vente, le Machine Learning permet d'inclure des paramètres et variables de manière plus complexes, dont des variables externes influant sur les ventes et d'en sortir un modèle prédictif plus précis. Vous souhaitez améliorer vos prédiction de vente grâce au Machine Learning ? Contactez-nous !
Vous retrouverez cet article en plus détaillé dans le Digital Guide. Grâce à des étapes courtes et concrètes, le Digital Guide permet d’expliquer et de simplifier la transformation numérique avec des contenus comportant :
4 à 6 questions pour se positionner en termes de connaissances et d’actions entreprises
des chiffres-clés et informations préliminaires pour convaincre le dirigeant de l’intérêt du sujet
des étapes concrètes à suivre et les outils recommandés pour activer le sujet dans son entreprise
des liens externes pour creuser le sujet et connaître l’offre de Bpifrance sur le sujet
Testé et plébiscité par plus de 200 dirigeants en 2018, ces contenus courts (5 à 10 minutes par sujet/guide) et opérationnels sont rédigés par des experts à destination des équipes dirigeantes de PME.
Pour télécharger l'application : version iOS, version Android
--
Taha Zemmouri
Pierre Tcherkawsky