10 millions de prévisions par jour : Monoprix confie le remplissage de ses rayons à l'IA

L'algorithme n'avait pas vu venir la raclette. Quelques mois après sa mise en service, lorsque les températures ont commencé à baisser, en octobre, le nouveau modèle de prévision des ventes de Monoprix n'a pas su anticiper l'envolée de la demande pour ce plat d'hiver et les équipes chargées de l'approvisionnement ont dû donner l'alerte. L'anecdote a été racontée mardi 29 septembre à Paris, lors du Dataiku Summit, par Valérie Latchoumanin, la Cheffe de département Data Science de Monoprix. Elle a discuté d’un système d'apprentissage automatique qui prévoit chaque jour, pour chaque produit de chaque magasin, les ventes des deux semaines à venir, afin de réapprovisionner les rayons de tous les Monoprix de France sans les engorger. 

Devant le public de ce rendez-vous annuel de l'éditeur de logiciels Dataiku, dont la plateforme fait tourner le dispositif, la démonstration tranchait avec l'air du temps. L'outil de Monoprix, lui, ne doit rien aux grands modèles de langage : c'est de l'apprentissage automatique classique, qui calcule plutôt qu'il ne converse. Et qui, depuis deux ans et demi, progresse surtout en corrigeant ses erreurs. Le problème de départ est familier à tout client : chercher un produit acheté chaque semaine et tomber sur un rayon vide. “Ça génère beaucoup de frustration client”, souligne Valérie Latchoumanin. Pour Monoprix, l'une des sept enseignes d'un groupedu groupe Casino, qui revendique plus de 24 000 salariés et 6 400 points de vente en France, c'est aussi du chiffre d'affaires perdu, voire un client qui file chez le concurrent. Remplir davantage les réserves n'est pas une solution. La place manque et le stock coûte cher, en espace comme en pertes, par vol ou par casse. “L'objectif, ce n'est pas de maximiser les stocks, c'est vraiment d'avoir des stocks les plus justes, pour à la fois limiter la rupture mais aussi limiter le surstock”, explique la Cheffe de département Data Science de Monoprix. 

Jusqu'ici, l'outil de réapprovisionnement de l'enseigne se contentait d'une moyenne mobile pondérée des ventes des quatre semaines précédentes. Efficace en période calme, la méthode déraille dès que le rythme change. Au Monoprix de Beaugrenelle, dans le 15e arrondissement de Paris, les ventes de pâtes en témoignent : l'été, quand les Parisiens partent en vacances, la moyenne mobile surestime les ventes et à la rentrée, elle les sous-estime. Les prévisionnistes corrigeaient ces écarts à la main, un travail “très manuel, assez fastidieux” à l'échelle de plusieurs centaines de magasins et de plusieurs milliers de produits. D'où la commande passée à l'équipe de data science avec une prévision par magasin, par produit et par jour, sur quatorze jours, recalculée quotidiennement. Soit environ 10 millions de chiffres à produire chaque jour. 

Météo, fêtes et festival de Cannes 

Pour y parvenir, l'équipe a combiné deux approches. Des séries temporelles, d'abord, pour capter les tendances et les saisonnalités de chaque magasin et de chaque produit. Puis une couche d'apprentissage automatique afin d’intégrer les facteurs extérieurs qui font varier les ventes. Après avoir testé plusieurs algorithmes, dont les forêts aléatoires et XGBoost, Monoprix a retenu LightGBM, un modèle de régression courant en apprentissage automatique. Le modèle ingère l'historique des ventes, qui reste la variable la plus déterminante, mais aussi le calendrier, les fêtes, de Noël à la Chandeleur, les vacances scolaires, la température et la pluie ou encore les opérations commerciales comme les soldes et la foire aux vins.  L'intérêt de l'apprentissage automatique est donc de saisir les interactions entre ces facteurs. “Qu'il fasse 29 °C fin juillet, ce n'est pas la même chose que quand il fait 29 °C fin octobre”, illustre Valérie Latchoumanin. 

C'est là que la raclette a joué les révélateurs. En regardant de plus près, les “data scientists” ont compris que leur modèle unique diluait l'effet de la météo, la plupart des produits y étant insensibles. Ils ont donc réparti les références en trois familles : celles qui décollent avec la chaleur (glaces, gaspacho, mozzarella), celles qui profitent du froid (soupes, lentilles, raclette) et celles que le thermomètre laisse indifférentes (pâtes, papier toilette). Chacune a donc désormais son propre modèle. 

Mieux vaut trop que pas assez 

Le modèle ne livre pas ses chiffres bruts. Statistiquement équilibré, il se trompe autant par excès que par défaut. Or Monoprix a fait un choix : “Même si le surstock nous coûte de l'argent, on souhaite quand même favoriser la disponibilité en magasin.” Les prévisions sont donc gonflées par un coefficient, plus élevé pour les produits phares, qu'il faut “sécuriser” et plus faible pour ceux dont les ventes sont faciles à prévoir. Selon Valérie Latchoumanin, le nouveau système gagne en moyenne 5 points de fiabilité par rapport à l'ancien et davantage lors des fêtes, des vacances scolaires ou des événements particuliers.  L'enseigne veut désormais affiner ce réglage par catégorie. Pour les produits exposés au vol, comme l'alcool, l'objectif sera plutôt de limiter le surstock, synonyme de perte de marge. Pour les autres, il s'agira de continuer à privilégier la disponibilité. 

L'autre exigence était d'éviter le “modèle laboratoire”, dont les prévisions dorment dans un fichier Excel. Toute la chaîne tourne alors dans la plateforme de Dataiku : récupération des données de ventes stockées dans l'entrepôt de données Snowflake, interrogation de services météo, préparation, calcul, puis envoi automatique des prévisions vers le logiciel de réapprovisionnement des magasins. Le processus, “100 % automatisé”, tourne chaque jour sans intervention, à partir des données de la veille : il ne s'agit pas de temps réel. Mais il reste “à la main du métier.” Les équipes d'approvisionnement fournissent les dates des événements locaux ou des opérations de dernière minute, surveillent les prévisions sur des tableaux de bord et peuvent les corriger en appliquant des coefficients. Chaque magasin peut aussi signaler une anomalie. Interrogée sur les événements imprévus, comme des feux de forêt, Valérie Latchoumanin a reconnu que, “cette année, on n'était pas très bon sur les prévisions” et que les équipes avaient dû les ajuster “par rapport à l'actualité.” Le modèle a d'autres angles morts. Il ignore les promotions de la concurrence, pourtant décisives sur des produits comme les chocolats de Noël, a admis la Cheffe de département Data Science de Monoprix. Et le groupe doit encore harmoniser ses catégories de produits, chaque service ayant les siennes. Ce que la logistique classe comme “festif” ne correspond pas forcément à ce que le marketing range sous cette étiquette. 

L'IA générative en seconde ligne 

Déployé dans tous les Monoprix de France, le système vient d'être étendu aux magasins bio Naturalia et est testé sur les petits formats. Il ne couvre encore que les produits réapprovisionnés automatiquement, excluant donc les fruits et légumes, une catégorie sous forte tension sur laquelle une expérimentation est prévue. L'IA générative n'arrive qu'ensuite. Monoprix envisage de s'en servir pour repérer, dans des données non structurées, les événements locaux que les équipes de terrain ne signalent pas toujours. Ou pour permettre aux prévisionnistes d'interroger le système en langage naturel, afin de comprendre pourquoi les ventes d'un magasin ont été surestimées (une route fermée, une livraison manquée, etc). Le groupe réfléchit aussi à faire dialoguer, peut-être grâce à des agents d'IA, ses nombreux modèles de prévision, qui s'ignorent aujourd'hui comme les activités en caisse, réceptions des colis, ventes promotionnelles ou commandes en ligne. 

La première version de l'outil a été bouclée en quatre semaines. Deux ans et demi plus tard, l'équipe en est à la seizième ou dix-septième. “ C'est un sujet sur lequel on est encore en train de travailler”, résume Valérie Latchoumanin.