Stocker trop d'un produit, ou pas assez, coûte aux détaillants des centaines de milliards de dollars chaque année. S'ils stockent trop peu et s'épuisent, le client prendra probablement ses affaires ailleurs, coûter de l'argent au détaillant. S'ils stockent trop, bien que, le détaillant se retrouve avec un excédent de stock.

Un article à paraître dans Recherche opérationnelle , co-écrit par Amr Farahat, professeur invité du MIT Sloan, Doctorat '04, et Joonkyum Lee, professeur assistant à la Sogang Business School en Corée du Sud, présente une nouvelle façon de s'attaquer à ce problème. Leur approche axée sur les données peut aider les détaillants à prendre des décisions plus éclairées et à augmenter leurs profits.

Bien que les détaillants se contentent de réapprovisionner un article lorsqu'ils en manquent peut sembler raisonnable, cette approche ne fonctionne pas pour beaucoup. "Les acheteurs n'attendront pas que le détaillant se réapprovisionne pour faire un achat, " a déclaré Farahat.

Au lieu, les détaillants doivent prévoir à l'avance combien ils vont vendre des articles spécifiques. Ce n'est pas facile, surtout pour les produits dont les délais de réapprovisionnement sont longs par rapport à la durée de leur haute saison de vente.

L'effet de substitution

Aider, Farahat et Lee ont développé ce qu'ils appellent la transformation de similarité approximative.

"Cet algorithme reconnaît qu'il existe une relation entre le stock des détaillants et leurs bénéfices. Cette relation est compliquée, nous l'avons donc remplacé par un plus simple qui fournit une limite supérieure sur les ventes, mais c'est une borne supérieure serrée. Faire face à ce plus simple, encore approximatif, la fonction commerciale conduit finalement à de meilleures décisions, " a déclaré Farahat.

Les détaillants fondent généralement leurs décisions de stockage sur les ventes passées tout en tenant compte de la période de l'année, comment va l'économie, ce qui est à la mode, et quels nouveaux produits sont sortis qui devraient se vendre, entre autres.

Selon Farahat, si un détaillant stocke un seul article, déterminer la quantité optimale de stock à transporter est simple. Lorsqu'un vendeur vend de nombreux articles, cela devient plus compliqué en raison du fait que les clients substituent un article à un autre. "Si je veux acheter une chemise bleue à rayures pour un cadeau, et je ne trouve pas la taille dont j'ai besoin en stock chez Macy's, au lieu de décider d'acheter le cadeau dans un autre magasin, Je peux regarder une chemise bleue unie, une chemise violette rayée, ou une autre marque. Des effets de substitution complexes se produisent - c'est la nature du choix du consommateur, " a déclaré Farahat.

Étant donné que les consommateurs peuvent prendre un certain nombre de décisions en fonction de l'inventaire disponible, il est pratiquement impossible de déterminer les niveaux de stocks optimaux. "Mathématiquement, c'est l'un des problèmes les plus difficiles en informatique, " a déclaré Farahat.

Une approche data-driven

Il est impossible de déterminer précisément les besoins d'inventaire optimaux, mais la transformation de similarité approximative produit des recommandations basées sur des « approximations manifestement bonnes ». Les recherches de Farahat et Lee indiquent qu'en suivant ces recommandations, certains détaillants peuvent s'attendre à des augmentations de leurs bénéfices de 2 à 3 %.

Il y parvient en utilisant les données que les commerçants ont déjà collectées sur leurs clients, telles que les attentes de trafic basées sur la saison et la façon dont leurs consommateurs font leurs choix. Il se rapproche ensuite d'une prévision de vente qui peut aider à prendre des décisions d'inventaire.

« Nous essayons de faire des recommandations aux détaillants qu'ils peuvent utiliser comme point de départ pour leurs décisions finales. Pour que nous puissions le faire, nous devons nous appuyer sur les capacités d'analyse prédictive que de nombreux détaillants développent déjà, " a déclaré Farahat.

À mesure que les entreprises perfectionnent leurs capacités de collecte de données, la qualité de ces données s'améliorera et l'algorithme de Farahat et Lee deviendra plus utile. "Au fur et à mesure que ces modèles et prévisions deviennent plus précis, cette pièce prescriptive de prise de décision devient plus pertinente, " a déclaré Farahat.

Partager la recherche

Farahat et Lee ont mené des milliers d'expériences numériques basées sur les expériences des détaillants pour tester leur algorithme. Ces tests ont tous indiqué que l'algorithme fonctionne aussi bien ou mieux que les méthodes précédentes pour aider les détaillants à planifier leur inventaire car il fournit des limites supérieures plus strictes, ou des attentes de profit plus précises, dans plus de 99% des tests.

Les chercheurs aimeraient toujours tester la transformation de similarité approximative avec les détaillants. Pour l'instant, bien que, ils l'ont rendu disponible sur GitHub pour deux raisons :ils veulent que des collègues qui pourraient s'appuyer sur leur travail puissent le faire sans avoir à repartir de zéro; and "if a company has some in-house capabilities that they can take this and test it they are welcome to do so."