Chaque fois qu'un commercial ouvre l'écran de commande d'un client, le moteur Suggested Order produit une liste classée de produits avec des quantités recommandées. Derrière cette simple liste se trouve un modèle de machine learning qui combine sept signaux distincts en une seule recommandation optimisée. Comprendre comment chaque signal contribue vous aide à faire confiance aux suggestions et à configurer le système selon votre stratégie commerciale.
Le signal numéro un est l'historique d'achats. C'est la fondation. Le modèle analyse ce que chaque client a commandé par le passé, à quelle fréquence, en quelles quantités et à quels intervalles. Il identifie les schémas de réapprovisionnement réguliers, les achats ponctuels et les tendances graduellement croissantes ou décroissantes. Un magasin qui commande 10 caisses d'une boisson toutes les deux semaines verra ce produit suggéré au bon moment avec la bonne quantité. Le modèle détecte également quand un client cesse de commander un article auparavant régulier, signalant un risque d'attrition au niveau de la référence.
Le signal numéro deux est la saisonnalité. La demande FMCG est fortement saisonnière. Les commandes de boissons fraîches augmentent en été, les ventes de chocolat culminent avant les fêtes, la demande de produits d'entretien augmente pendant le Ramadan. Le modèle capture ces schémas à plusieurs niveaux : saisonnalité au niveau produit, tendances au niveau catégorie et cycles à l'échelle du marché. Il ajuste automatiquement les quantités recommandées en fonction de la position dans la courbe saisonnière, sans configuration manuelle. Un magasin dans une zone touristique peut présenter un profil saisonnier différent d'un magasin en quartier résidentiel, et le modèle capture cette granularité.
Le signal numéro trois est l'affinité de vente croisée. Les produits ne sont pas achetés indépendamment. Un magasin qui achète du cola achète probablement aussi des chips. Un magasin qui commande de la lessive commande souvent de l'assouplissant. Le modèle apprend ces affinités à partir des données transactionnelles et les utilise pour suggérer des produits complémentaires que le client n'aurait peut-être pas envisagés. C'est particulièrement puissant pour les introductions de nouveaux produits, où le modèle peut identifier quels produits existants sont les plus associés à la nouvelle référence et cibler ces clients.
Le signal numéro quatre est l'éligibilité promotionnelle. Les promotions actives sont un signal de premier ordre, pas un ajout après coup. Le modèle vérifie quels produits ont des promotions actives, si le client est éligible en fonction de son niveau, de sa région ou de son historique d'achats, et comment la tarification promotionnelle affecte la composition optimale de la commande. Les produits en promotion reçoivent un bonus dans le classement, mais le modèle équilibre la couverture promotionnelle avec les schémas de demande réels du client pour éviter la sur-commande d'articles promus qui resteront invendus.
Le signal numéro cinq est la limite de crédit. Chaque recommandation doit respecter la réalité financière. Le modèle vérifie le solde de crédit disponible du client et plafonne la valeur totale de la commande en conséquence. Lorsque la limite de crédit est contraignante, le modèle priorise les produits à forte marge et les articles de réapprovisionnement essentiels par rapport aux ajouts accessoires. Cela évite le problème courant de commerciaux qui construisent des commandes dépassant la capacité de crédit du client, pour voir la commande rejetée à l'exécution.
Le signal numéro six est l'état des stocks. Si le client dispose encore d'un stock important d'un produit depuis la dernière commande, en suggérer davantage est contre-productif. Le modèle estime les niveaux de stock actuels en fonction de la vitesse de consommation historique et du temps écoulé depuis la dernière commande. Les produits avec un stock estimé sain sont déprioritisés, tandis que les produits approchant de la rupture sont renforcés. Ce signal réduit directement les sur-commandes et le gaspillage associé aux stocks excédentaires périmés ou endommagés.
Le signal numéro sept est le taux de retour. C'est le signal que la plupart des systèmes de suggestion de commandes ignorent, et c'est l'un des plus impactants. Si un produit a un taux de retour élevé pour un client ou un type de magasin spécifique, le modèle le pénalise dans la recommandation. Les retours sont coûteux pour tous les acteurs de la chaîne d'approvisionnement. En intégrant les schémas de retour historiques, le modèle évite de suggérer des produits susceptibles de revenir, protégeant les marges du distributeur et du détaillant.
Le mécanisme de combinaison mélange ces sept signaux à l'aide d'un ensemble pondéré. Chaque signal produit un score pour chaque produit candidat, et l'ensemble les combine en un score de recommandation final. Les poids sont configurables au niveau du locataire, vous permettant de mettre l'accent sur différents signaux selon vos priorités commerciales. Une entreprise axée sur la réduction des retours peut augmenter le poids du signal de taux de retour, tandis qu'une entreprise lançant de nouveaux produits peut renforcer le signal d'affinité de vente croisée.
La gestion du démarrage à froid est une capacité critique. Lorsqu'un nouveau client n'a pas d'historique d'achats, les signaux un, six et sept n'ont pas de données. Le modèle recourt à une approche hiérarchique : d'abord il utilise les données de clients similaires dans le même canal et la même région, puis les tendances au niveau catégorie sur l'ensemble du locataire, et enfin les best-sellers au niveau de la population. À mesure que le client construit son historique de commandes, le modèle passe progressivement de ces approximations aux signaux personnalisés. La plupart des clients voient des suggestions entièrement personnalisées en trois à cinq cycles de commande.
Un exemple concret illustre comment les signaux interagissent. Prenons un commerce de proximité qui commande régulièrement des boissons et des snacks. Nous sommes mi-juillet (la saisonnalité renforce les boissons fraîches), il y a une promotion active sur une nouvelle boisson énergétique (signal promotionnel), la dernière commande de cola du magasin remonte à huit jours et il commande habituellement tous les sept jours (l'état des stocks suggère qu'il est en rupture), et il a un taux de retour de 15 % sur une marque de jus particulière (le signal de retour la pénalise). Le modèle suggérera une quantité de réapprovisionnement de cola, renforcera la recommandation de la nouvelle boisson énergétique, et réduira ou exclura la marque de jus problématique, tout en maintenant la commande totale dans la limite de crédit du magasin.
L'explicabilité est intégrée à chaque recommandation. La réponse de l'API inclut les scores de contribution par signal pour chaque produit suggéré, afin que le commercial puisse voir exactement pourquoi un produit est recommandé et pourquoi à une quantité spécifique. Cette transparence construit la confiance avec l'équipe terrain et permet des conversations informées avec les gérants de magasin sur les raisons pour lesquelles certains produits sont suggérés.