L’IA en logistique et supply chain : prévision, stocks et tournées

La prévision de demande par IA estime les ventes futures à plusieurs horizons : quelques heures pour le réassort, plusieurs semaines pour les approvisionnements et plusieurs mois pour la planification industrielle. Les modèles analysent les historiques de ventes, les calendriers, les promotions, les ruptures passées, les prix et les délais fournisseurs. Les systèmes de demand sensing ajoutent des signaux plus récents comme les données de caisse, les recherches en ligne, le trafic web, la météo ou les événements locaux.

Les modèles disponibles vont de la régression et des modèles statistiques enrichis aux algorithmes de gradient boosting, aux réseaux neuronaux et aux approches d’ensemble. Une étude de référence publiée en 2026 sur des données structurées de demande dans le retail conclut que les modèles d’ensemble fondés sur les arbres, notamment XGBoost, ont obtenu de meilleurs résultats que les architectures de deep learning et hybrides dans son protocole d’évaluation.

La précision doit être évaluée au niveau où la décision est prise. Un modèle peut être performant au niveau national mais peu fiable par magasin et par référence. Les indicateurs utiles incluent le WAPE, le MAPE lorsque les volumes faibles le permettent, le biais de prévision, le taux de service et le nombre de ruptures évitées.

Pour obtenir des résultats exploitables :

• ▹Séparer les ventes réelles des périodes de rupture afin de ne pas apprendre une demande artificiellement faible.
• ▹Identifier les promotions, changements de prix, lancements et arrêts de produits.
• ▹Produire des intervalles de prévision plutôt qu’un seul chiffre lorsque l’incertitude est élevée.
• ▹Comparer l’IA à une référence simple, comme une moyenne mobile ou une prévision statistique existante.
• ▹Mesurer l’impact sur les achats, les stocks et le taux de service, pas uniquement l’erreur mathématique.

La prévision n’est donc pas une réponse automatique à la question « combien vendre ? ». Elle devient une recommandation de planification lorsque ses résultats sont reliés aux commandes, aux capacités et aux contraintes commerciales.

L’optimisation des stocks cherche le meilleur compromis entre disponibilité, coût de possession, coût de commande et risque d’obsolescence. L’IA améliore ce calcul en modélisant simultanément la variabilité de la demande, l’incertitude des délais fournisseurs, les niveaux de service cibles et les dépendances entre sites.

Dans une approche multi-échelon, les stocks des fournisseurs, centres de distribution, magasins et points de préparation sont étudiés ensemble. Le système peut recommander un stock de sécurité différent selon le produit, le site, la criticité et le niveau de service attendu. Cette logique évite de surstocker chaque entrepôt indépendamment et permet de tenir compte des possibilités de réallocation entre nœuds.

Le fonctionnement opérationnel suit généralement quatre étapes :

• ▹Prévoir la demande par référence, localisation et horizon.
• ▹Estimer la distribution des erreurs de prévision et les délais d’approvisionnement.
• ▹Fixer les objectifs de disponibilité, de coût et de couverture.
• ▹Générer des recommandations de commande, de transfert ou de réallocation.

Un cas publié en 2026 sur un distributeur brésilien de matériaux de construction rapporte un WAPE d’environ 0,69 % pendant la période d’évaluation, avec des résultats variables selon les références et les profils de demande. Ce chiffre illustre la valeur d’un test contrôlé, mais il ne doit pas être extrapolé à toutes les entreprises : la performance dépend du périmètre, de la granularité, de la qualité des données et de la période étudiée.

Les indicateurs à suivre sont le taux de rupture, le taux de service, la couverture moyenne, la rotation, la valeur du stock, les démarques et le taux de commandes urgentes. Le bon objectif n’est pas de minimiser le stock dans l’absolu. Il consiste à réduire l’inventaire inutile tout en protégeant les produits et clients prioritaires.

L’optimisation des tournées s’appuie sur des problèmes de recherche opérationnelle que l’IA peut enrichir avec des prévisions et des données en temps réel. Le système ne cherche pas seulement le trajet le plus court : il doit affecter les commandes aux véhicules, respecter les capacités, les horaires, les temps de service, les restrictions de circulation et les engagements clients.

Les solutions modernes combinent souvent algorithmes d’optimisation, données cartographiques, télématique et règles métier. Elles peuvent recalculer une tournée lorsqu’une livraison est annulée, qu’un véhicule tombe en panne ou qu’un retard compromet une fenêtre horaire. Dans les réseaux urbains, la prise en compte du trafic et de la densité des arrêts peut modifier fortement la faisabilité d’un planning.

Les objectifs les plus fréquents sont :

• ▹Réduire les kilomètres parcourus et le temps de conduite.
• ▹Augmenter le nombre d’arrêts réalisables par véhicule.
• ▹Diminuer la consommation de carburant ou la recharge nécessaire.
• ▹Respecter les créneaux de livraison et les contraintes réglementaires.
• ▹Réduire les kilomètres à vide et les retours inutiles.

UPS indique que son système ORION économise environ 100 millions de miles et 10 millions de gallons de carburant chaque année. Il s’agit d’un résultat communiqué par l’entreprise dans un réseau de très grande échelle ; une PME doit mesurer ses propres gains sur un périmètre pilote.

Avant le déploiement, il faut fiabiliser les adresses, les coordonnées GPS, les temps de déchargement, les capacités de chargement et les horaires réels. Une tournée théoriquement optimale devient irréalisable si les données indiquent quinze minutes de service alors qu’il en faut quarante. Le suivi doit couvrir les kilomètres par livraison, le coût par arrêt, le taux de livraison dans le créneau, le taux de remplissage et les kilomètres à vide.

Un projet d’IA supply chain fonctionne rarement comme un outil isolé. Les données de commandes et de stocks proviennent souvent de l’ERP, les mouvements d’entrepôt du WMS, les expéditions du TMS et les positions des véhicules d’un système télématique. Les données externes peuvent inclure la météo, le trafic, les calendriers, les événements ou des signaux commerciaux.

L’architecture doit organiser quatre couches :

• ▹Une couche de données qui standardise les références, sites, unités, horaires et historiques.
• ▹Une couche de modèles qui prévoit la demande, estime les risques et optimise les décisions.
• ▹Une couche d’exécution qui transmet les commandes, transferts, tournées ou alertes aux systèmes existants.
• ▹Une couche de pilotage qui explique les recommandations et mesure les résultats.

Les plateformes de supply chain comme Blue Yonder, o9 Solutions et Relex Solutions proposent des fonctions d’optimisation des stocks multi-échelons et de planification fondée sur la demande. Des environnements cloud comme Amazon Forecast et Amazon SageMaker Canvas ont également été utilisés dans des travaux appliqués d’optimisation prédictive des stocks.

Le choix d’une solution doit porter sur les capacités réelles plutôt que sur le seul vocabulaire marketing. Vérifiez la granularité des prévisions, la gestion des intermittences, les scénarios promotionnels, les contraintes multi-sites, les API, les droits d’accès, la traçabilité des décisions et les possibilités de reprise manuelle.

Une approche pragmatique consiste à commencer avec un périmètre limité : une famille de produits, un entrepôt, une région ou un type de tournée. Le pilote doit comparer une période de référence et une période assistée par IA, avec des règles identiques pour les stocks, les coûts et le niveau de service. L’objectif est de démontrer une amélioration opérationnelle reproductible avant d’étendre le dispositif.

Le déploiement commence par un problème mesurable, et non par un modèle. Une entreprise peut choisir de réduire les ruptures sur les références prioritaires, d’améliorer le taux de livraison dans les créneaux ou de diminuer les kilomètres à vide. Chaque objectif doit être associé à une métrique principale et à des garde-fous opérationnels.

Une feuille de route efficace comprend généralement :

• ▹Cartographier les flux, les décisions et les sources de données.
• ▹Sélectionner un cas d’usage disposant d’un volume suffisant et d’un responsable métier.
• ▹Nettoyer les données et établir une référence historique.
• ▹Tester plusieurs modèles avec une validation temporelle.
• ▹Faire fonctionner les recommandations en mode conseil avant l’automatisation.
• ▹Mesurer les gains financiers et opérationnels sur une période définie.
• ▹Étendre progressivement aux autres sites, produits ou transporteurs.

Les principaux risques sont la mauvaise qualité des données, les changements d’assortiment, les promotions exceptionnelles, les ruptures historiques, la dérive des modèles et le rejet des recommandations par les planificateurs. Un modèle précis sur l’historique peut devenir moins fiable après un changement de fournisseur ou de réseau. Il faut donc surveiller le biais, l’erreur par segment, la fraîcheur des données et les écarts entre recommandations et décisions humaines.

L’automatisation doit rester proportionnée au risque. Une commande de réapprovisionnement courant peut être automatisée avec des seuils de contrôle ; une décision affectant un produit critique, un client stratégique ou une capacité limitée doit conserver une validation humaine. Les gains les plus durables viennent d’un système où l’IA calcule, alerte et recommande, tandis que les équipes arbitrent les exceptions et améliorent les règles métier.