Rencontre avec David Strauss, director customer solutions d’E2open

La solution de Demand Sensing se situe au cœur de l’offre proposée par votre plateforme E2open. Pouvez-vous revenir sur ses spécificités ?
On peut dire que nous avons inventé le terme Demand Sensing (prévision de la demande) avec la société Terra Technology [fournisseur de solutions supply chain pour les grandes entreprises dans le secteur des PGC] que nous avons rachetée en 2016. Il y a 15 ans, l’expression n’existait pas et on faisait appel à des planificateurs. La prévision était alors mauvaise, avec un taux moyen de 50 % d’erreurs que l’on ne réussissait pas à améliorer. Un planificateur peut très bien intégrer des données relatives à une promotion produit ou un facteur météo et parvenir à une meilleure prévision que celle offerte par une machine, mais il n’est pas en mesure de le faire à l’échelle d’une société entière, qui doit disposer de ces prévisions chaque jour, pour chaque SKU, à chaque emplacement. L’outil de Demand Sensing a permis de faire ressortir des « patterns » [modèles] et des prévisions de courbes. Les algorithmes vont chaque jour comparer ce qui s’est réellement passé avec la prévision précédente. Cela permet une réduction du taux d’erreur avec une prévision plus proche de la réalité. Il va ainsi être possible de positionner ses stocks de manière plus précise et de les réduire pour libérer du capital. Dans le domaine des PGC, cela signifie également moins de matières périmées, tandis que dans le secteur de la mode, cela permet de retirer un produit de la vente plus rapidement.

Les pics de consommation étant aujourd’hui de plus en plus nombreux et dilués dans l’année, ils rendent de fait cet exercice de prévision de plus en plus complexe ?
En effet. Par défaut, le Demand Sensing évoluant quotidiennement, il est en mesure de proposer un nouveau forecast chaque jour. Il rend ainsi possible, durant la Black Friday Week par exemple, de réagir au niveau granulaire (quelle va être ma demande pour chaque produit à chaque emplacement ?) avec une prévision qui va s’ajuster très précisément, permettant de réagir au jour le jour en matière de réapprovisionnement. Il y a 15 ans, le Demand Sensing tournait autour de trois données : la commande, l’expédition et l’inventaire. On y intègre désormais le sell in et le sell out (ce qui est commandé et ce qui est vendu), mais aussi la météo, ou encore des notions de démographie : par exemple, quel est le profil démographique dans un rayon de 3 km autour d'un supermarché précis ?

Quelles évolutions sont encore à venir dans ce domaine ?
Nous sommes actuellement en train de déplacer l’intelligence du Demand Sensing davantage en amont de la supply chain alors qu’elle était traditionnellement située au niveau du point de consommation. Dans une usine, elle va ainsi être en mesure de prévoir la consommation de matières premières entrantes. On parle également actuellement de « Social Sensing » qui consiste à suivre les réseaux sociaux tels que le compte Twitter d’une société, ses abonnés, les mots clefs autour des produits vendus. Les données des réseaux sociaux étant géolocalisées par défaut, elles vont par exemple offrir des informations sur l’appréciation d’un produit dans certaines régions d’Europe et permettre de réaliser du prédictif d’après cette information. Nous n’avons pas encore commercialisé cette solution mais nous avons déjà mis en place plusieurs pilotes et nous pensons qu’il faut poursuivre cette démarche, peut-être en nouant des partenariats avec d’autres sociétés…