FuturMaster affine et automatise son Demand Planning avec "Forecast at Scale"
Sous la bannière "Forecast at Scale", c’est une innovation technologique associant Big Data et Machine Learning que l’éditeur tricolore FuturMaster a introduit en fin d’année dans sa plateforme Bloom Demand Planning (nom adopté depuis son reformatage en mode Cloud). « La formule "at scale" souligne l’enjeu de passage à l’échelle dans la volumétrie de données traitées pour établir des prévisions de la demande plus fines et plus précises, au plus près des consommateurs, tout en multipliant les variables externes prises en compte, nous explique Gilles Lefebvre, directeur Produit et R&D de FuturMaster. Ces volumes deviennent considérables lorsque ce Demand Planning se fonde sur des données de vente, en sell out, avec l’objectif d’établir des prévisions pour chaque magasin d’un vaste réseau. Idem lorsqu’il s’agit d’évaluer pour chacun l’impact de facteurs externes : météo, évènements anticipables ou pas, tendances sur les réseaux sociaux… Et ces données ne sont pas forcément binaires –du type soleil vs. pluie– si l’on veut par exemple définir un seuil d’écart de température à partir duquel l’effet est significatif sur la consommation ». Pour cela, un saut technologique s’imposait dans la capacité de traitement, de mise à jour et d’analyse des données, en mode Big Data, sans parler de la capacité de la solution à mener des calculs parallèles. « Ce n’est pas d’aujourd’hui que notre prévision-planification intègre des facteurs externes, ou peut choisir via l’IA le meilleur modèle à appliquer à un type de vente, saisonnières, occasionnelles ou autres. Mais les technologies qui sous-tendent Forecast at Scale permettent par exemple d’appliquer d’emblée le modèle le mieux adapté pour chaque couple produit-point de vente par exemple, sans tous les tester par le calcul, ou d’automatiser la prise en compte de nouvelles données externes, sans passer par une phase préalable et fastidieuse de calcul de corrélation, en mode projet et à grand renfort de conseil », fait valoir Gilles Lefebvre. Le type de données externes que la solution Bloom peut intégrer est illustré par le partenariat également signé en fin d’année par FuturMaster avec l’américain PredictHQ : celui-ci s’est fait la spécialité de prévoir l’impact à l’échelle locale de multiples catégories d’évènements, prévisibles ou non : évènement sportif, concert, vacances scolaires, phénomènes météorologiques sévères. Le tout dans 19 catégories et à partir de plus de 350 sources, ces données pouvant désormais alimenter Bloom Demand Planning via une API. MR
