Synthèse des opportunités d'IA

Description du problème

Fait sous Excel avec des formules (saisonnalité, tendances de ventes, temps de prod, délais de livraison)
L'entreprise LRDM utilise actuellement un système de calcul des besoins de réapprovisionnement basé principalement sur des formules Excel, qui prend en compte différents facteurs comme la saisonnalité, les tendances de vente, les délais de production et de livraison. Ce système présente plusieurs limitations :

Le processus actuel repose sur des formules Excel relativement simples qui, bien que fonctionnelles pour un petit catalogue (environ 10 produits), risquent de devenir insuffisantes avec l'expansion de la gamme.
Un collaborateur a tenté d'améliorer le système via une solution développée avec GPT, mais cette solution reste fragile car il n'en maîtrise pas complètement le code sous-jacent, ce qui pose des problèmes potentiels de maintenance et d'évolutivité.
Les produits provenant essentiellement de Chine, les délais d'approvisionnement sont particulièrement longs, ce qui rend crucial la précision des prévisions pour éviter les ruptures de stock ou les surstocks.
Le système actuel manque de sophistication dans l'intégration des multiples facteurs qui peuvent influencer les besoins de réapprovisionnement, notamment dans un contexte où les produits ont des caractéristiques et des comportements de vente différents.
La méthode utilisée ne permet pas une adaptation dynamique aux changements soudains du marché ou aux imprévus dans la chaîne d'approvisionnement.

Impacts actuels

Charge de travail mensuelle : Le calcul et l'analyse des besoins de réapprovisionnement occupent environ une journée par mois. Bien que ce temps ne soit pas considéré comme excessif par l'équipe, il représente néanmoins une mobilisation régulière de ressources.
Risque de dégradation de la qualité : Si le catalogue de produits s'étoffe (passage de 10 à 50 produits évoqué), le système actuel risque de devenir inadéquat, ce qui pourrait entraîner une baisse de la précision des prévisions.
Fragilité technique : La solution développée avec GPT n'est pas pleinement comprise par l'utilisateur, créant un risque de dysfonctionnement ("ça peut foirer") si des modifications deviennent nécessaires ou si le volume de données augmente significativement.
Précision sous-optimale : Bien que jugé "satisfaisant" dans le contexte actuel, le système ne fournit pas le niveau de précision qu'un algorithme d'apprentissage machine pourrait offrir en intégrant davantage de variables et en analysant plus finement les données historiques.
Manque d'adaptabilité : Le système actuel n'est probablement pas assez réactif pour s'adapter rapidement aux variations imprévues du marché ou aux contraintes d'approvisionnement, particulièrement problématiques avec des fournisseurs éloignés (Chine).
Limitation au niveau de la croissance : Le système représente un frein potentiel à la croissance de l'entreprise, puisqu'il pourrait devenir un goulot d'étranglement opérationnel si le catalogue de produits s'étend significativement.
Optimisation financière limitée : Une gestion des stocks sous-optimale entraîne des immobilisations financières inutiles (surstocks) ou des manques à gagner (ruptures), impactant directement la rentabilité de l'entreprise.
Dépendance à l'expertise humaine : Le système repose fortement sur la connaissance accumulée par les personnes qui l'utilisent, créant une vulnérabilité en cas d'absence ou de départ de ces collaborateurs.

Technologie IA applicable

🤖 Machine Learning

Gains potentiels

1 jour par mois
Précision et qualité du stock

Faisabilité technique

Temps d'implémentation

Moyen terme (3-6 mois)