Prévision de la demande dans le secteur alimentaire : les 3 grands dilemmes

Pour les entreprises agroalimentaires, un processus de prévision efficace est essentiel. Sans des prévisions de demande précises, les mauvais produits se retrouvent en stock, le gaspillage augmente et les exigences des distributeurs ne peuvent être satisfaites. Cependant, anticiper la demande future est plus complexe que jamais.

Quelle est la valeur prédictive des données de ventes historiques ? À quel niveau faut-il établir les prévisions lorsque les planificateurs se font rares ? Et comment réagir aux fluctuations d’un marché extrêmement volatile ?

Dans cet article, nous explorons ces trois dilemmes majeurs en détail et vous donnons des conseils pour prendre les bonnes décisions.

Un environnement exigeant pour l’industrie agroalimentaire

Les entreprises manufacturières et commerciales du secteur agroalimentaire font face à une pression considérable. La demande est imprévisible, et les distributeurs exigent une fiabilité de livraison exceptionnelle. Le taux On Time In Full (OTIF) doit dépasser 99 %, sous peine de pénalités. Parallèlement, les produits périssables doivent être aussi frais que possible lorsqu’ils atteignent les rayons.

Les entreprises du secteur sont souvent prises au dépourvu par des campagnes promotionnelles ou des changements de dernière minute de la part des distributeurs, alors même qu’elles ont planifié leurs achats et leur production des semaines à l’avance. Quelle frustration de constater que vos capacités de production limitées ont été allouées aux mauvais produits !

Les décisions au sein de la Supply Chain

Pour les entreprises agroalimentaires, établir une prévision des ventes précise est essentiel. Plus elles anticipent avec justesse les commandes des clients, plus elles peuvent livrer de manière fiable et fraîche. Cela permet également d’optimiser la production et de réduire le gaspillage.

Cependant, l’enjeu principal ne réside pas tant dans la prévision elle-même, mais dans son utilisation. Comment transformer une prévision en un plan de demande équilibré ? Comment traduire ce plan en une stratégie d’approvisionnement et de production alignée avec les objectifs financiers ? Et comment ajuster en continu les opérations pour suivre la stratégie ?

En fin de compte, ce sont ces décisions clés qui déterminent si une entreprise alimentaire prospère ou rencontre des difficultés.

De la prévision à la planification de la demande

Une prévision se compose généralement de deux éléments : une composante statistique et une composante pragmatique.

• La partie statistique estime la demande à partir des données de ventes historiques, en s’appuyant sur des algorithmes mathématiques et, de plus en plus, sur l’IA et le machine learning ;
• La partie pragmatique intègre des informations externes sur le marché – des données qui ne peuvent pas être déduites des tendances historiques mais qui sont souvent connues des équipes commerciales ou d’autres départements.

Cela inclut les contrats à venir avec de nouveaux clients distributeurs, les modifications des agencements en rayon ou encore le retrait progressif de certains produits. Ces événements planifiés peuvent avoir un impact significatif sur la demande et doivent être pris en compte dans le processus de planification de la demande.

Les 3 dilemmes de l’industrie agroalimentaire

Dilemme 1 : Quelle est la valeur des données historiques ?

Avec la COVID-19, l’inflation, la guerre en Ukraine et d’autres événements perturbateurs, la demande des consommateurs est devenue extrêmement volatile. Les chiffres de ventes passés et les données contextuelles ont perdu une grande partie de leur pouvoir prédictif, rendant plus difficile l’utilisation des seules données historiques. Si la prévision statistique reste la base, les insights marché et les données clients deviennent de plus en plus essentiels.

Un exemple clair est celui des promotions en grande distribution. Celles-ci peuvent provoquer des pics de demande importants, obligeant les équipes Supply Chain à être informées le plus tôt possible.

Notre recommandation : intégrez explicitement les données externes dans le processus de prévision. Les calendriers promotionnels et les prévisions des distributeurs doivent être rapidement et précisément intégrés aux systèmes de planification, plutôt que d’être oubliés dans la boîte mail d’un commercial.

Un reproche fréquent est la mauvaise qualité des prévisions des distributeurs. Cela peut être vrai, mais ce n’est pas une raison pour les ignorer. Pour les clients clés, il est judicieux de comparer leurs prévisions avec vos projections internes et de toujours faire évaluer les écarts par un planificateur ou un commercial.

Dilemme 2 : À quel niveau faut-il prévoir la demande ?

Un autre aspect clé pour les entreprises est de déterminer le niveau le plus efficace pour prévoir. Faut-il prévoir la demande totale pour tous les produits en une seule fois, ou calculer la demande future pour chaque article et chaque client séparément ?

Nous observons que les équipes de planification préfèrent prévoir au niveau client/article, car cela fournit des insights plus concrets et est particulièrement utile pour les promotions spécifiques aux clients. Le raisonnement est souvent que plus c’est détaillé, mieux c’est. Cependant, en matière de prévision, ce n’est pas toujours le cas. Prévoir au niveau client/article demande beaucoup de temps aux planificateurs et augmente le risque de se perdre dans les détails. De plus, il y a souvent moins de données disponibles à ce niveau granulaire, rendant les prévisions statistiques intrinsèquement moins fiables.

Au niveau client ou groupe de produits, la demande peut être prédite avec une bien meilleure précision par un système qu’au niveau client/article, en particulier lorsqu’un article n’est commandé que quelques fois par an.

L’essentiel est de structurer le processus de prévision de manière à maximiser l’utilisation de la technologie tout en tirant le meilleur parti des insights du marché fournis par les équipes commerciales. L’approche idéale est une combinaison : prévoir un nombre restreint de grands clients au niveau client/article, tout en prévoyant un « groupe restant » de clients plus petits au niveau article.

De cette façon, on obtient le meilleur des deux mondes :

• Les grands clients, qui passent des commandes chaque semaine et génèrent une quantité importante de données, sont bien adaptés aux prévisions statistiques et méritent une attention particulière des équipes commerciales ;
• Les petits clients, qui commandent moins fréquemment, sont mieux prévus à un niveau d’agrégation plus élevé, garantissant que les planificateurs ne passent pas un temps disproportionné sur eux.

Dilemme 3 : Comment réagir face aux écarts ?

Les promotions et autres événements peuvent entraîner d’importantes fluctuations de la demande. Dans l’industrie alimentaire, où les produits ont une courte durée de vie, ces fluctuations peuvent facilement générer du gaspillage. Il est donc crucial non seulement de prévoir ces pics avec précision, mais aussi de les reconnaître, les interpréter et y répondre de manière appropriée dans la planification de la demande.

Pour y parvenir, il est recommandé de mettre en place un processus robuste de détection des valeurs aberrantes et d’utiliser les bons outils. Grâce à des logiciels intelligents et/ou au machine learning, les écarts de demande peuvent être détectés avec une précision croissante. De plus, lors de l’interprétation des données, il est essentiel de différencier selon le type de client :

• Pour les clients clés (A), un planificateur de la Supply Chain doit examiner l’écart ;
• Pour les clients plus petits, l’efficacité doit primer, en laissant le système prendre la décision.

Réagir efficacement aux écarts nécessite une interaction équilibrée entre l’expertise humaine et l’automatisation du système. Les planificateurs de la Supply Chain sont actuellement très sollicités et doivent concentrer leur temps uniquement sur les tâches où ils apportent le plus de valeur. Notre recommandation est d’appliquer les principes du management par exception : automatiser autant que possible les décisions de routine et de n’impliquer les planificateurs humains que lorsqu’un écart important survient ou lorsqu’il s’agit de clients clés.

Pour cela, un système avancé de planification de la Supply Chain est essentiel : il doit être capable d’identifier les écarts, de les hiérarchiser et de les assigner à la personne appropriée pour agir.

Logiciel et expertise

La prévision dans le secteur alimentaire est essentielle à la survie, mais comme nous l’avons montré dans cet article, elle comporte de nombreux pièges. Utilisez les informations du marché, choisissez le bon niveau d’agrégation et concentrez-vous sur les exceptions. Ce ne sont là que quelques conseils que nous partageons régulièrement avec nos clients du secteur alimentaire qui utilisent nos solutions.

Depuis près de 30 ans, notre équipe et notre plateforme basée sur l’IA (Slim4) améliorent les chaînes d’approvisionnement à l’échelle mondiale. Nos solutions sont conçues pour aider les entreprises de tous secteurs à prendre de meilleures décisions en matière de Supply Chain. Grâce à la Slimstock Academy, nous accompagnons nos clients ainsi que toutes les personnes engagées dans une démarche d’amélioration continue.

Si vous souhaitez en savoir plus sur la prévision et la planification dans l’industrie alimentaire, n’hésitez pas à nous contacter. Nous serons ravis de vous expliquer ce que nous pouvons offrir et comment nous pouvons vous aider sur cet aspect essentiel de votre activité.