Logo Ziema
IA & automatisation14 min de lecture

Prévisions des stocks avec IA : cas PME

Pilotez les prévisions de stocks en PME avec l’IA : données requises, validation, alertes et suggestions de commandes.

Julien Thomas

Julien Thomas

Co-fondateur & CEO, Ziema

Prévisions des stocks avec IA : cas PME

Résumer avec une IA

Pour mieux prévoir vos stocks avec l’IA, je vous conseille de commencer par une famille de produits, sans automatiser les commandes. Regroupez vos ventes, vos stocks et vos délais fournisseurs, puis comparez les résultats à vos règles actuelles.

Je présente 5 usages pour votre PME :

  • Prévoir la demande pour estimer les volumes à acheter.
  • Tenir compte de la saisonnalité pour préparer les pics de vente.
  • Détecter les écarts de stock pour cibler les comptages.
  • Signaler les risques de rupture pour agir avant l’épuisement du stock.
  • Suggérer des commandes fournisseurs selon les besoins, les lots et le budget.

Mon repère : une meilleure prévision ne suffit pas. Je vérifie aussi les ruptures, le surstock et la trésorerie engagée. <u>Je garde la validation humaine tant que les résultats ne sont pas confirmés.</u>

Prévisions de stocks avec IA : du pilote à la décision

Prévisions de stocks avec IA : du pilote à la décision

1. Prévoir la demande

Données nécessaires

L’objectif : passer de l’historique des ventes aux volumes à réapprovisionner.

Cas hypothétique : un grossiste français en produits d’entretien fournit des commerces indépendants. Une référence s’est vendue à 150, 165 puis 180 unités sur trois semaines comparables. Le système pourrait prévoir environ 185 unités la semaine suivante, avec une plage d’incertitude calculée par le modèle. Ces chiffres illustrent le fonctionnement, pas une performance mesurée.

Pour produire cette prévision, il faut un historique propre, avec des données alignées par référence. Réunissez, pour chaque référence et chaque semaine, les ventes, les commandes clients, le stock, les retours, les annulations, les prix, les promotions et le délai fournisseur. Détaillez ces données par canal de vente, segment client ou entrepôt.

Signalez aussi les périodes de rupture : aucune vente ne veut pas forcément dire aucune demande. Ajoutez, si nécessaire, les lancements et retraits de référence, les quantités minimales de commande et les conditionnements.

Validation et fiabilité

Testez le modèle sur des semaines postérieures à celles utilisées pour l’entraînement. Comparez ensuite ses prévisions à deux repères simples : la dernière valeur observée et une moyenne mobile.

Mesurez l’erreur en unités et par famille de produits, sans vous limiter à un score global. Affichez la date de dernière actualisation et un indicateur d’incertitude, surtout pour les références récentes ou aux ventes irrégulières. Dans ces cas, une estimation manuelle ou une règle simple peut rester préférable.

Une fois validée, la prévision sert surtout à calculer le volume à acheter pour couvrir le délai fournisseur.

Décisions de stock

Avec un délai fournisseur de deux semaines, comparez la demande prévue sur cette période au stock disponible, au stock déjà commandé et au stock de sécurité. Vérifiez ensuite les conditionnements et les minimums de commande.

La décision porte sur la quantité à commander, pas seulement sur la qualité de la prévision. L’acheteur doit pouvoir approuver, modifier ou rejeter la recommandation, notamment si un contrat client exceptionnel n’apparaît pas dans l’historique.

Bénéfices et limites

La prévision aide d’abord à repérer les besoins plus tôt et à concentrer les contrôles sur les références les plus incertaines. Mais une prévision plus juste ne garantit pas une meilleure commande. Une hausse brutale des prix ou le lancement d’une référence peut réduire l’utilité de l’historique.

Démarrez sur une famille de produits, en mode recommandation, puis suivez les ruptures et le surstock.

Quand les ventes varient selon les périodes, la saisonnalité permet d’affiner ce premier niveau de prévision.

2. Tenir compte de la saisonnalité

Données nécessaires

Pour préparer les achats avant les pics des vacances scolaires, croisez les ventes de chaque magasin avec le calendrier des zones A, B et C, les jours fériés, les soldes et les promotions. Séparez les hausses liées au calendrier de celles dues aux promotions. Ajoutez la météo uniquement pour les produits qui y sont sensibles : la température ou la pluie peuvent suffire.

Validation et fiabilité

Comparez la prévision à une période équivalente de l’année précédente, en alignant les vacances plutôt que les seules dates. Testez le modèle sur des périodes passées, avec les seules données disponibles à ce moment-là. N’y ajoutez pas de données météo connues après coup. Traitez les ruptures et les promotions à part pour ne pas les confondre avec une tendance saisonnière.

Décisions de stock

La saisonnalité ajuste l’estimation d’achat ; le responsable valide ensuite cet ajustement. Il vérifie les dates des vacances, les opérations commerciales prévues et l’utilité des signaux météo retenus. Il contrôle ensuite que le stock réel correspond bien au stock prévu.

Bénéfices et limites

Ce réglage aide à anticiper les pics récurrents, mais reste fragile lorsque l’historique est limité. Pour un nouveau produit, un calendrier atypique ou une météo hors norme, privilégiez la revue humaine. L’étape suivante consiste à repérer les écarts entre le stock enregistré et le stock réel.

3. Détecter les écarts de stock

Un stock mal compté fausse les prévisions et les alertes de réapprovisionnement.

Données nécessaires

Chez un distributeur de matériel électrique, comparez le stock informatique au comptage physique et aux mouvements enregistrés : réceptions, expéditions, retours, transferts et casse. Chaque relevé doit indiquer la référence, l’emplacement, l’unité de mesure et l’heure du comptage.[3][4] L’historique des écarts aide ensuite l’IA à distinguer une anomalie isolée d’un problème récurrent.[5][6]

Validation et fiabilité

Illustration hypothétique : un distributeur gère 1 200 références. Son ERP indique 240 bobines de câble, mais le comptage en trouve 232. L’alerte porte sur huit bobines ; elle invite à vérifier les transferts récents et les articles endommagés non enregistrés, sans conclure à une perte.[1][2]

Constater l’écart ne suffit pas : il faut en trouver la cause. Demandez un recomptage indépendant, puis vérifiez les mouvements en attente et leur synchronisation avec le comptage.[2][7] Une règle fixe détecte l’écart ; l’IA classe les écarts par priorité selon leur impact financier, leur répétition et leur contexte.[5][6]

Décisions de stock

L’alerte déclenche une enquête, pas une correction automatique. Le responsable valide ensuite un changement d’emplacement, une réception manquante ou un ajustement de quantité. Pour chaque modification, conservez le motif, les justificatifs, les anciennes et nouvelles valeurs, la date et l’approbateur. Un second responsable doit valider la correction.[8][9][10]

Bénéfices et limites

Cette démarche réduit les corrections tardives et concentre les contrôles sur les emplacements à risque. Mais les scans manquants, les références en double et les saisies tardives multiplient les fausses alertes. La valeur de l’IA se mesure au nombre d’écarts confirmés et au délai de résolution, pas au volume d’alertes.[11][12] La précision des alertes de rupture dépend aussi de la justesse du stock utilisé pour décider des réapprovisionnements.

4. Signaler les risques de rupture

Données nécessaires

Partez d’un stock corrigé après comptage. Calculez ensuite le stock projeté chaque jour : stock disponible + réceptions confirmées − demande prévue. Croisez le stock réservé, les commandes clients, les dates de réception attendues et les délais réellement observés chez les fournisseurs. Ne comptez pas deux fois une commande client déjà intégrée aux prévisions. Testez plusieurs scénarios de délai plutôt que de vous limiter à une moyenne.[15]

Validation et fiabilité

Par exemple, un commerçant dispose de 80 unités, attend 20 unités dans cinq jours et prévoit 25 ventes par jour. Sur un délai fournisseur de dix jours, la demande projetée atteint 250 unités, soit un manque de 150 unités. Le calcul quotidien permet surtout d’estimer la date d’épuisement ; le bilan global, à lui seul, ne dit pas quand la rupture surviendra.[14]

L’alerte doit préciser la date d’épuisement estimée, les quantités manquantes, le niveau d’incertitude et les hypothèses retenues. Avant d’agir, vérifiez la confirmation du fournisseur et les ventes anormales récentes.

Testez ensuite les alertes sur des périodes passées, en utilisant uniquement les informations disponibles à l’époque. Comparez les résultats aux ruptures constatées.

Décisions de stock

L’alerte avertit ; elle ne commande pas. Le point de commande déclenche le réassort lorsqu’un seuil est atteint. Ce seuil tient compte de la demande pendant le délai fournisseur et du stock de sécurité, une réserve prévue pour faire face aux imprévus.[13][16]

Face au risque décrit, l’acheteur peut demander une livraison anticipée, transférer du stock ou proposer un équivalent. Pour choisir, il compare la marge préservée, les frais express et le risque de surstock. Une fois l’alerte validée, il reste à chiffrer la commande.

Bénéfices et limites

Ces alertes aident à concentrer l’attention sur les références menacées. Mais leur utilité dépend du temps restant pour agir : même exacte, une alerte trop tardive aide peu.

Suivez les ruptures anticipées, les fausses alertes, les coûts d’urgence, le taux de service et le niveau de stock moyen. Les articles en rupture faussent l’historique, tandis que les nouveautés manquent de recul. Validez manuellement les achats importants, les produits à forte valeur et les prévisions peu fiables avant de calculer la commande à passer.

5. Suggérer des commandes fournisseurs

Après l’alerte de rupture, l’IA calcule le besoin net et propose une date de commande.

Données nécessaires

La prévision sert à calculer le besoin net, pas directement la quantité à acheter. Chez un fabricant, reliez-la aux nomenclatures et au plan de production pour déterminer les besoins nets en composants.

La quantité à commander se calcule ainsi : position cible − position disponible, avec un arrondi au multiple de commande du fournisseur. Le calcul doit intégrer le stock utilisable, les réservations, les réceptions confirmées, les délais fournisseurs, les minimums de commande et les conditionnements. Vérifiez ensuite que le prix, le budget et la place disponible permettent cet achat.[17][18][20]

Exemple : 80 moteurs par semaine pendant quatre semaines, 60 de sécurité, 100 en stock utilisable, dont 80 réservés, et 50 confirmés ; position cible 380, position disponible 70, commande proposée 310, arrondie à 350 par lots de 50.[17][18][20]

L’acheteur vérifie en priorité que la réception précède la date de besoin. Une fois le volume calculé, il contrôle les hypothèses retenues et les contraintes du fournisseur.

Validation et fiabilité

La proposition doit présenter le calcul, la date d’extraction du stock, les réceptions prises en compte et les contraintes appliquées. Attention à ne pas compter deux fois les engagements de production.

Comparez les résultats aux règles de réapprovisionnement existantes. Testez trois scénarios - demande faible, demande de base et demande forte - pour mesurer le compromis entre risque de rupture et trésorerie immobilisée.[18][19]

Décisions de stock

La date de commande dépend de la date de besoin, du délai fournisseur et des jours où les commandes peuvent être passées. Si le minimum est de 500 unités pour un besoin de 310, l’acheteur peut négocier, fractionner les livraisons ou changer de fournisseur.[17][18][20]

Il approuve, modifie ou refuse la proposition. Le système conserve la quantité proposée au départ, la décision finale et son motif.[18][19]

Bénéfices et limites

Le gain attendu : des achats préparés de façon plus cohérente, pas une économie garantie. Testez les propositions en lecture seule pendant plusieurs semaines sur une famille de produits. Suivez les ruptures, le surstock, la trésorerie engagée et les corrections apportées par les acheteurs.

Les recommandations peuvent être erronées si les données de stock sont incomplètes, si les réceptions ne sont pas à jour ou si les délais ont changé. Le système peut aussi prendre un pic promotionnel ou une commande exceptionnelle pour une demande récurrente. Le test en lecture seule doit donc s’accompagner d’une revue humaine et d’un rapprochement régulier entre les données et le stock physique.[18][19]

Données nécessaires et validation des prévisions

Standardisez les données avant de comparer les cas d’usage. Ce cadre commun permet de choisir parmi les cinq usages présentés. Attribuez à chaque produit un identifiant stable, relié aux anciennes références, aux variantes et aux remplacements. Harmonisez les unités et les conditionnements. Distinguez aussi la date de l’événement de sa date de saisie : une réception saisie en retard ne doit pas modifier artificiellement l’historique disponible au moment de la décision.[24]

Le tableau suivant présente les données minimales et le critère de validation à privilégier pour chaque usage.

Cas d’usage Données à réunir Validation prioritaire
Prévision de demande Ventes par référence, date, site et canal ; quantités, unités, prix, promotions, retours, annulations, cycle de vie Erreur par référence et horizon
Saisonnalité Historique régulier, calendrier, promotions, événements exceptionnels Performance en pic et hors pic
Détection d’écarts Stock théorique, mouvements, achats, réceptions, expéditions, ajustements, comptages physiques horodatés Écarts confirmés, faux positifs
Alertes de rupture Disponibilité, prévisions, commandes ouvertes, délais observés, historique des ruptures Ruptures non signalées, délai d’anticipation, faux positifs
Suggestions de commande Besoin prévu, stock disponible, réceptions attendues, contraintes fournisseurs, objectifs de service Taux d’acceptation ; service, surstock, valeur immobilisée

Chaque usage a ses besoins et ses critères : un bon score global ne suffit pas à tous les valider.

Identifiez les périodes d’indisponibilité et les commandes en attente. Pour reconstituer la demande perdue, utilisez uniquement une méthode documentée.[21][22]

Validez les prévisions avec des dates de coupure glissantes, en gardant un dernier bloc de données récentes intact pour le test final. À chaque date T, utilisez seulement les informations connues à cet instant : ni inventaire corrigé après coup, ni délai futur connu plus tard.[25][26]

Méthode Données nécessaires Interprétabilité Saisonnalité Maintenance
Moyenne mobile Historique de ventes propre Très élevée Faible sans correction saisonnière Faible
SARIMA Série régulière et plusieurs cycles observés Moyenne, plus technique Convient aux cycles récurrents Réestimation et suivi
Apprentissage automatique Historique enrichi : ventes, prix, promotions, ruptures, sites, canaux et cycle de vie Explications à prévoir Convient si les facteurs sont bien renseignés Élevée : données, dérive et réentraînement

Comparez la MAE et la WAPE, puis le biais. La WAPE est indéfinie lorsque la demande totale est nulle. Pour une demande intermittente, évaluez séparément les périodes avec et sans demande.[23][25]

Pour détecter les écarts, choisissez le degré de complexité : règles métier, seuils statistiques ou anomalies apprises. Ne passez à une approche plus complexe que si l’équipe peut traiter les alertes et consigner leur résultat. Suivez les faux positifs, les anomalies confirmées et la charge de contrôle pour éclairer les décisions de stock.

Décisions de stock, arbitrages et options de déploiement

Une prévision ne déclenche pas une commande à elle seule. Elle aide à calculer le besoin pendant le délai fournisseur, à partir d’un stock déjà fiabilisé. Il faut ensuite définir qui valide, qui déclenche et ce qui peut être automatisé.

Fixez le niveau de service selon la criticité du produit, sa marge et la fiabilité du fournisseur. Les garde-fous doivent limiter les ruptures sans multiplier les surstocks, immobiliser trop de trésorerie ou alourdir les validations. Bloquez toute proposition qui dépasse le budget, la capacité de stockage ou la durée de conservation. Pour chaque proposition, affichez la quantité, la date, la couverture en jours, les hypothèses et la valeur immobilisée en euros.

Trois modes permettent de passer de l’alerte à l’exécution :

Mode de décision Fonctionnement Usage adapté Contrôle indispensable
Alerte uniquement Signale un risque ; l’équipe décide de l’action Démarrage, données encore fragiles, produits sensibles Revue humaine avant toute commande
Proposition à approuver Prépare la quantité, le fournisseur, la date et la justification Achats courants qui demandent un contrôle Droits de validation, seuils et historique des modifications
Réapprovisionnement automatique encadré Passe commande dans des limites définies Références stables, données et fournisseurs fiables Plafonds de montant et de quantité, couverture maximale, arrêt manuel

Chaque mode a sa contrepartie. L’alerte laisse le contrôle à l’équipe, mais lui demande du temps. La proposition réduit le travail de préparation, avec le risque d’une approbation trop hâtive. L’automatisation accélère l’exécution, mais peut aussi propager une erreur.

Plus les données sont stables, plus vous pouvez déléguer l’exécution. Le temps gagné ne justifie pas l’automatisation si l’incertitude reste forte. Un même besoin métier peut donc rester en alerte, passer en proposition à approuver ou être automatisé selon la fiabilité des données et la fréquence des exceptions.

Choisissez l’outil selon vos processus, pas selon son étiquette « IA ». Comparez le coût complet : licences, nettoyage des données, intégrations, formation et maintenance. Une configuration standard suffit si ses règles et ses connecteurs couvrent le besoin. Le sur-mesure se justifie lorsque les contournements et les doubles saisies persistent.

L’outil qui porte le flux influence aussi le choix du mode de décision :

Option Temps de déploiement Flexibilité Intégration Gouvernance
Pilote Excel Le plus court sur un périmètre limité Souple, mais fragile avec plusieurs utilisateurs Imports souvent manuels Versions, accès et responsable du fichier à définir
ERP ou SaaS standard Intermédiaire si les modules conviennent Limitée aux paramètres disponibles Connecteurs et API à vérifier Droits, journaux et référentiels selon l’outil
Application centralisée sur mesure Plus long qu’un pilote simple ; dépend du périmètre Adaptée aux règles spécifiques Connexions conçues selon les systèmes existants Circuit d’approbation centralisé et traçabilité à prévoir, puis à maintenir

Si vos données sont dispersées et vos circuits d’approbation lourds, Ziema peut concevoir une application centralisée sur mesure. Le code livré appartient au client à 100 %.[27]

Conclusion : choisissez un cas d’usage adapté à vos données

Partez du cas d’usage que vos données permettent de fiabiliser. Selon l’usage, il vous faudra un historique de ventes, assez de recul sur les cycles saisonniers, un stock traçable, des délais à jour ou des règles d’achat explicites. Un périmètre simple facilite une mesure fiable des gains.

Testez d’abord ce périmètre sur une référence simple. Une fois le test validé, comparez les résultats à ceux de vos pratiques actuelles. Mesurez l’erreur, les ruptures, le surstock et le temps de préparation, puis chiffrez l’impact financier.

N’augmentez l’automatisation que si le gain se confirme. Une prévision plus juste n’apporte rien si elle immobilise trop de trésorerie. Gardez une validation humaine pour les achats inhabituels.

FAQs

Combien d’historique me faut-il pour démarrer ?

Aucun seuil fixe d’historique n’est requis pour démarrer avec l’IA. Commencez par un audit rapide : vos données sont-elles complètes et fiables ? Repérez ce qui peut être automatisé et ce qui demande un nettoyage manuel.

Pour un pilote, gardez un périmètre simple : un seul flux et une seule source de données. Appuyez-vous sur vos documents courants et sur des fichiers de test anonymisés pour comparer la précision des résultats et mesurer le temps gagné par rapport au traitement manuel.

Comment prévoir les ventes de mes nouveaux produits ?

Pour prévoir les ventes de nouveaux produits, l’IA analyse les données de marché : volumes de recherche, concurrence, tendances et coût par clic. Elle repère ainsi les opportunités les plus prometteuses.

Vous pouvez affiner ces prévisions en croisant ces données avec vos règles métier. Les logiciels standards ne suffisent pas ? Le développement sur mesure permet d’intégrer vos propres paramètres de calcul pour mieux anticiper la demande.

Comment calculer la rentabilité de mon pilote IA ?

Mesurez le temps passé sur le processus actuel, ressaisies et contrôles compris. Testez ensuite un seul flux documentaire pendant 30 jours, en fixant des critères d’acceptation pour chaque champ extrait.

Comparez les résultats sur des données comparables : taux d’extraction correcte, temps par pièce et coût total. Ce coût doit inclure le paramétrage, l’intégration, les éventuels abonnements, la maintenance, la vérification et la correction. Le gain dépend d’une baisse effective de la charge administrative, sans multiplier les corrections.

Julien Thomas, cofondateur et CEO de Ziema

Écrit par

Julien Thomas

Co-fondateur & CEO de Ziema

Je dirige Ziema, où nous concevons les logiciels métier que les éditeurs du marché ne font pas : applications métier, plateformes opérationnelles et SaaS verticaux. Au forfait, avec un périmètre et un délai engagés. Nos références : 24 Heures Le Mans, E.Leclerc, Théra-Connect.

Suivre sur LinkedIn

Votre première application métier en production en 30 jours.

On développe l'application métier calquée sur votre activité, celle qui vous fait gagner le plus de temps. Le code vous appartient.

  • Le code livré sur votre infrastructure, à votre nom
  • En production en 30 jours, du cadrage à la mise en ligne
  • Prix ferme une fois le périmètre validé
Découvrir l'offreNous écrire

Une question sur votre projet ?

Décrivez-le en deux lignes, on vous répond sous 24h.

À lire également