Le numéro 203 est en accès libre

Feuilletez gratuitement Stratégies Logistique 203 - octobre/novembre 2023.

En bref

CMA CGM ajoute une jauge de décarbonation à son outil de cotation en ligne

ID Logistics gagne un nouveau client au Brésil : Wella Company

Découvrez l'abonnement numérique

Accueil / Supply Chain / Start-up

Léo, data scientist chez Vekia : le bon stock au bon moment

, par Benoît Tonson

Léo Perard, 24 ans, casquette vissée sur la tête assis derrière son ordinateur, va -peut-être- changer votre façon de gérer vos stocks afin que vous ayez toujours « le bon stock au bon moment ».

Bac scientifique en poche, Léo s’oriente vers l’étude des mathématiques, mais pour lui « c’est trop théorique », il veut appliquer sa science, c’est l’informatique et l’intelligence artificielle qui le passionnent. Il intègre, à la suite de sa licence, le Master MOCAD : Modèles Complexes, Algorithmes et Données, à l’université de Lille. Première année, premier stage : il découvre le monde de la recherche dans un laboratoire public, mais là encore « c’est trop théorique ! »

Le bon stock au bon moment

C’est lors de sa deuxième année qu’il trouve réellement sa voie. Il la passe en alternance dans la start-up lilloise Vekia spécialisée dans les systèmes de pilotage des stocks et des approvisionnements dans le secteur du retail. L’entreprise promet à ses clients de toujours « avoir le bon stock au bon moment ». Le rêve de tout commerçant. A la fin de sa formation Léo signe son premier CDI dans cette entreprise et devient Data Scientist.

Chacun a déjà entendu parler de big data, de machine learning et d’intelligence artificielle, mais que se cache-t-il derrière ces mots ? La réponse tient en trois lettres : Léo. Son travail consiste à « prévoir »les ventes, et pour cela, pas de boule de cristal mais son ordinateur. Afin de réaliser ses pronostics, il part d’abord de ce que lui donne son client. Prenons l’exemple d’un magasin de vêtements. Ce dernier lui fournit son fichier de ventes des années précédentes. C’est le jeu de données avec lequel il va travailler : le fameux big data : plus ces fichiers sont précis et décrits, plus Léo pourra être pertinent dans ses prévisions.

Comment utilise-t-on le Big Data ?

Une fois les données reçues, il va les « nettoyer », comprenez enlever des chiffres aberrants et ajouter le maximum d’informations qu’il peut récolter. Dans notre exemple de magasin, qui en moyenne ferait 1000€ de chiffre d’affaire par jour, un chiffre qui semblerait incohérent serait une journée à 10 000€. Deux options s’offrent alors : une journée exceptionnelle pour le magasin ou une erreur de saisie manuelle dans le fichier de vente.

Léo peut détecter ces aberrations simplement en traçant des graphiques du CA en fonction des jours et voir un pic anormal. Ce qu’il ne peut pas faire, c’est l’expliquer. Une partie très importante du travail doit donc se faire en étroite collaboration avec son client. C’est lui qui aura l’explication. Un jeu d’allers-retours se met en place. C’est une partie extrêmement sensible de son travail, car s’il part sur une mauvaise base de données, ses projections seront, de facto, faussées.

A quoi sert le machine learning ?

Vient alors la partie plus « technique » et les mots compliqués qui en découlent : machine learning, algorithmes et intelligence artificielle. Il faut tout d’abord « modéliser » les ventes, c’est à dire créer un modèle mathématique (une fonction) qui va décrire le plus finement possible les ventes en fonction des jours.

Pour expliquer finement un phénomène, il faut cibler les paramètres qui font varier les ventes. Par exemple si notre boutique propose des vêtements légers, elle fera sans doute plus de ventes les jours de beau temps : la météo est donc un facteur à prendre en compte. Si ses produits sont issus de grandes marques, leurs ventes peuvent varier en fonction des publicités à la télévision.

Léo va donc tenter d’identifier un maximum de paramètres. Ce travail n’est pas aisé, mais Léo peut compter sur les membres de son équipe. « Pour expliquer finement un phénomène il faut souvent s’y mettre à plusieurs ». Mais pour lui, résoudre ces problèmes c’est « vachement jouissif ».

A la recherche de l’algorithme parfait

Le but est donc de créer un algorithme performant : une suite d’opérations ou d’instructions permettant de résoudre un problème, à savoir et toujours dans notre exemple : quelle quantité de vêtement faut-il commander pour satisfaire la demande de mes clients tout en évitant de créer un stock coûteux et inutile ? A chaque commande, le gérant du magasin va enclencher l’algorithme qui, en fonction de tous les paramètres établis va proposer un nombre d’articles à commander.

Un tel algorithme facilite donc déjà bien la vie des gestionnaires de stocks mais Léo peut encore aller plus loin : créer un algorithme auto-apprenant : le machine learning. Il s’agit d’un des champs d’études de l’intelligence artificielle.
Disons que l’algorithme ait proposé pour la dernière commande d’acheter cent robes mais que dans la réalité notre boutique n’en ait vendu que quatre vingt. Il a fait une erreur. L’algorithme doit être capable de prendre en compte cette bourde pour ne pas la répéter à la prochaine commande.

Léo explique : « Regardez un bébé qui apprend à marcher, il va essayer de se mettre debout, faire un pas en avant puis tomber, il va alors comprendre qu’il n’a pas fait le bon geste et va essayer de le corriger lors de sa prochaine tentative, ou prochaine itération pour parler en langage informatique ». Un algorithme auto-apprenant parfait devrait être capable de s’améliorer automatiquement à chaque itération (chaque proposition d’achat de stock). Cependant l’intelligence artificielle n’est pas encore parfaite et il faut de temps en temps « donner la main à l’algorithme », en ajoutant un paramètre que l’on avait oublié par exemple.

C’est le travail de Léo, le data scientist : analyser les big data, programmer une machine learning puis lui tenir la main pour qu’elle continue sa route sans tomber et optimiser encore et toujours la gestion des stocks de ses clients.

Le magazine et les hors-séries

Stratégies Logistique 205 - février / mars 2024

Stratégies Logistique n°205 est paru.

Supplément immobilier / SIMI 2023

Téléchargez ou feuilletez ce hors-série consacré au salon SIMI qui s’est tenu à Paris du 12 au 14 décembre 2023.

Cliquez ici pour télécharger ce hors-série.

Hors-série n° 23 - Eco Class Logistics

Téléchargez ce hors-série consacré à l’événement Eco Class Logistics, qui s’est tenu à Paris le 28 septembre 2023.

Cliquez ici pour télécharger ce hors-série.