Prévisions SKU × magasin
Prévisions quotidiennes ou hebdomadaires pour chaque référence dans chaque point de vente, rafraîchies à chaque import ERP.
Prévoir
Prévision de la demande par IA, par référence et par magasin
Le bon modèle pour chaque référence, sans data scientist
IRIS entraîne et compare plusieurs modèles par SKU × magasin (Prophet, LightGBM, ARIMA, ETS, XGBoost) et conserve le plus précis. Saisonnalité, Ramadan et Eid, lancements et cannibalisation sont intégrés.
Qui l'utilise
- Directeur supply chain
- Planner demande
- Chef de marque
Ce que contient le module
Sélection automatique du modèle
Chaque série reçoit le modèle qui se comporte le mieux en back-test. La précision (MAPE) et le biais sont suivis par référence.
Profils saisonniers et calendrier
Ramadan, Eid, été, rentrée, Black Friday et vos propres événements, avec comparaison année sur année.
Prévision de nouveautés
Produits comparables et rampe de lancement pour les références sans historique ; bascule sur l'historique propre après quelques semaines.
Cannibalisation
Les lancements et promotions réduisent la prévision des références qu'ils remplacent, pour ne pas surcommander les deux.
Surcharge manuelle
Les planners ajustent une prévision avec un motif ; les surcharges sont journalisées et leur précision mesurée.
Le module, écran par écran
01
Profils saisonniers par catégorie
Parfum, skincare et maquillage ont chacun leur courbe, apprise de l'historique et affichée mois par mois. Le planner voit pourquoi le modèle attend un pic avant de commander pour lui.
Profils par catégorie et par magasin
Ramadan et Eid alignés sur le calendrier lunaire
Rafraîchissement et nettoyage en un clic
02
Calendrier des événements et promotions
Lancements, campagnes, fêtes et ouvertures sont saisis comme événements avec un début, une fin et un surcroît attendu. La prévision les intègre avant que la commande soit proposée.
Événements par marque, catégorie ou magasin
Surcroît attendu saisi par le chef de marque
Vues calendrier, liste et frise
03
Méthode de prévision et horizon
La méthode d'ensemble compare Prophet, LightGBM, ARIMA, ETS et XGBoost par série et garde le plus précis. L'horizon et le lissage se règlent une fois par réseau.
Ensemble avec sélection automatique du modèle
Horizon de prévision en mois
Réglages appliqués à chaque nouveau calcul
04
Cannibalisation des lancements
Une nouveauté est liée aux références qu'elle va remplacer, avec un taux de cannibalisation par défaut. Les prévisions des anciennes références baissent d'autant, pour ne pas surcommander les deux.
Nouveau produit et produits impactés
Pourcentage de cannibalisation ajustable
Collage de la liste des références impactées depuis Excel
Bénéfices clés
Moins de ruptures sur les best-sellers
Les références qui se vendent le plus reçoivent le modèle qui leur convient, rafraîchi à chaque import.
Moins de surstock sur les rotations lentes
Cannibalisation et rampes de lancement évitent la double commande sur l'ancienne et la nouvelle référence.
Saisonnalité pilotée par les données
Les profils Ramadan, Eid, été et rentrée sont appris par catégorie, pas devinés.
Une précision que vous pouvez montrer
MAPE et biais par référence et magasin : la prévision devient un fait partagé, pas une opinion.
Les planners gardent la main
Surcharges avec motif, journalisées et mesurées face au modèle.
Pas besoin d'équipe data science
Sélection des modèles, réentraînement et supervision tournent automatiquement.
Ce que ça change
-40 à -50 %
de ruptures sur les best-sellers
MAPE suivi
par référence et par magasin
12 à 24 mois
d'historique idéalement, 6 suffisent pour démarrer
Comment ça marche
L'historique de ventes et la base articles sont importés depuis votre ERP.
Les modèles sont entraînés et comparés par SKU × magasin ; le meilleur est conservé.
Les prévisions alimentent le moteur de réapprovisionnement et tous les rapports.
Connecté à votre ERP
Alimenté par votre ERP, plusieurs fois par jour
Ventes facturées, base articles, stocks par dépôt et commandes fournisseurs en cours sont importés depuis Sage, Odoo, Dynamics 365, SAP ou NetSuite. La prévision est réentraînée selon un calendrier et après chaque import important.
Mise en service
Mise en service
Le même plan sur chaque projet. Votre équipe y consacre quelques heures par semaine ; IRISYS fait le reste.
- Semaine 1
Connecter et contrôler
Connecteur ERP ou export CSV / SFTP. Base articles, stocks par dépôt, historique de ventes, commandes d'achat en cours. Rapport de qualité des données.
- Semaine 2
Calibrer
Modèles entraînés sur 12 à 24 mois d'historique. Précision revue par catégorie avec le planner. Règles fixées : stock de sécurité, objectifs de taux de service, colisage.
- Semaine 3
Fonctionner en parallèle
Propositions IRIS comparées chaque matin au processus actuel. Écarts expliqués ; règles et événements ajoutés.
- Semaine 4
Mise en service
Propositions validées dans IRIS et créées dans l'ERP. Seuils ouverts catégorie par catégorie. Formation sur site ou à distance.
Questions sur ce module
Douze à vingt-quatre mois est l'idéal. Six mois suffisent pour démarrer ; les références avec moins d'historique s'appuient sur des produits comparables.
Oui. Les surcharges sont saisies avec un motif, journalisées, et leur précision est mesurée face au modèle.
Oui. Le Ramadan, l'Aïd el-Fitr et l'Aïd el-Adha se déplacent chaque année ; IRIS aligne l'historique sur le calendrier lunaire avant l'entraînement.
Par le MAPE et le biais par référence et par magasin sur une fenêtre glissante, affichés dans le rapport de précision et utilisés pour décider quand un modèle est remplacé.
Oui, par référence, magasin et période en CSV ou Excel, et via l'API REST pour votre outil BI.
Prêt à voir vos propres chiffres dans IRIS ?
Envoyez-nous un export de ventes anonymisé, nous vous montrons vos prévisions et vos propositions de commande sous 10 jours.