Maîtriser les ruptures dans les magasins est un sujet à enjeux. Des études montrent qu’un produit de grande consommation sur 12 est en rupture, l’enjeu financier serait de plus de 3 milliards d’euros par an pour la Grande Distribution (source ECR France). Sans compter les risques et impact sur la fidélisation des clients.
Malgré de nombreux investissements réalisés dans les logiciels et les outils de pilotage des approvisionnements, les taux de rupture restent toujours élevés car les prévisions sont de plus en plus difficiles à réaliser pour deux principales raisons :
- Des clients plus exigeants : le nombre de références dans les magasins ne cesse d’augmenter (nombre moyen de références en supermarchés + 47 % en 15 ans, source Nielsen) sans que le CA augmente dans les mêmes proportions, ce qui signifie que le volume des ventes de chaque référence diminue.
- Les promotions : les ventes promotionnelles sont en augmentation constante et dépassent 20 % du CA des hypers ce qui influence fortement le rythme des ventes de fond de rayon car certains clients stockent chez eux jusqu’à la prochaine promotion !
Les coûts logistiques et les délais d’approvisionnement des rayons sont influencés par :
- la distance entre l’entrepôt et le point de vente,
- la densité des magasins sur une zone géographique,
- La fréquence et la taille unitaire des livraisons qui peuvent être fortement influencées par la saisonnalité (un magasin bord de mer peut voir ses volumes multipliés par 10 en été),
- la longueur de la chaîne logistique depuis l’industriel jusqu’au magasin (il peut y avoir jusque 3 ou 4 ruptures de charge…),
- la disponibilité du personnel pour la mise en rayon,
- le temps d’opérations (chargement , réception, mise en rayon…),
- le volume des stocks disponibles en entrepôts.
Pour arriver à maîtriser les approvisionnements de plus en plus complexes, l’utilisation d’outils mathématiques puissants et dynamiques est indispensable. Ils permettent d’analyser, prévoir, simuler et optimiser les différents scénarios d’approvisionnement possibles pour limiter les ruptures tout en maîtrisant les coûts.
Nous aidons les Directions Supply Chain à mettre en place différentes stratégies pour optimiser leurs approvisionnements. Voici des exemples de projets réalisés :
- Optimisation des fréquences d’approvisionnement : pour un réseau de 400 magasins spécialisés, nous avons adapté les fréquences des approvisionnements en maîtrisant les coûts et en tenant compte de toutes les caractéristiques du réseau : taille des magasins, proximité avec les entrepôts, densité géographique, saisonnalité, volume des livraisons unitaires… Nous avons mené une expérimentation avec ce client sur un échantillon de magasins. Nous avons pu démontrer que le chiffre d’affaires des magasins qui étaient passés de une à deux livraisons par semaine avaient augmenté de plus de 4% et ceux qui étaient passés à 4 livraisons de plus de 7 %. Nous avons ensuite défini les fréquences idéales en prenant en compte l’augmentation des coûts versus l’augmentation du chiffre d’affaire (calcul du breaking point ou point de rupture).
- Livraisons directes magasins : nous avons aidé notre client Orlait à identifier les clients intéressants en livraison directe puis à cadencer et optimiser ses livraisons. Le délai de réapprovisionnement est plus court et les coûts liés à une rupture et un stockage sont économisés. Il est nécessaire d’avoir une bonne communication avec chaque point de vente pour organiser les tournées de livraison : volume, date et heure.
- Mutualisation : nous avons étudié pour plusieurs industriels les enjeux de la mutualisation, ce qui permet généralement de diminuer les stocks de leurs clients en entrepôt ou en magasin si le volume des commandes permet des livraisons directes. Il est nécessaire que le réseau de magasins accepte la synchronisation de ses commandes auprès des industriels qui se sont mutualisés.
- Améliorer les prévisions : nous distinguons trois types de prévisions : les ventes de fond de rayon pour les produits en phase de maturité ; les prévisions de vente induites par les promotions pour lesquelles une collaboration avec l’équipe commerciale est nécessaire pour identifier et qualifier les promotions passées et communiquer les promotions futures ; enfin les prévisions des produits avec peu ou pas d’historique (ex : produits en phase de lancement) pour qui les méthodes classiques sont inefficaces. Pour ce dernier cas nous mettons en place des méthodes basées sur le machine learning, qui exploitent des données exogènes (ex : données marketing, site web, réseaux sociaux, youtube…) et apprennent sur les lancements passés.
Conclusion : diminuer les ruptures tout en maîtrisant les coûts est un sujet très complexe qu’il faut sans cesse améliorer. Beaucoup de données sont disponibles mais ne sont pas bien exploitées. La nécessité d’avoir un outil dynamique qui permette de s’adapter aux contraintes, de simuler rapidement plusieurs scénarios et d’en voir les impacts sur les coûts se fait de plus en plus ressentir.
De plus la digitalisation des magasins va augmenter le volume de données pertinentes. Aujourd’hui les nouvelles technologies dont le Big Data, l’Intelligence Artificielle et le Machine Learning sont des pistes très sérieuses pour améliorer la disponibilité des produits en rayon.