Des projets concrets avec des résultats mesurables. Chaque cas d'usage détaille le contexte, l'approche et les enseignements tirés.
Une prévision probabiliste dès le jour du lancement, testée sur 76 483 lancements réels de 14 clients : -43 % de coût de mauvaise prévision à la commande d'ouverture, jusqu'à -60 % sur les réassorts.
Lire le cas d'étudePrévision quotidienne à 15 semaines des palettes homogènes et non homogènes sur tout le réseau. Un critère combiné amélioré de 41 % face à l'algorithme en place, et une erreur de 7,5 % à la maille réseau.
Lire le cas d'étudePrévision à 65 semaines des palettes homogènes et non homogènes sur tout le réseau, avec Chronos-2. Jusqu'à -35 % d'écart face à la baseline, et une erreur de 5,6 % à la maille réseau.
Lire le cas d'étudeChallenger un pipeline de prévision des flux d'entrepôt (colis entrants/sortants) à J+28. Sur une précision déjà très élevée (93,4%), une approche alternative a atteint 94,1%.
Lire le cas d'étudeDéploiement d'un portefeuille de modèles fondationnels pour lancer rapidement une brique de prévision sans dette technique. +25% vs naïf en backtest, livré en 3 semaines.
Lire le cas d'étudeModèle sur mesure produisant en quelques secondes un prix de rachat et de revente, avec contraintes métier strictes : monotonicité, cohérence et pilotabilité.
Lire le cas d'étudeAlgorithme de prévision à 24 mois sur 6 pays avec 11 mois d'historique moyen et 30% de nouveaux produits. -19% de surplus et ruptures au global.
Lire le cas d'étudeRefonte d'un système de pricing à grande échelle avec simulation d'impact, modélisation du cannibalisme et optimisation multi-objectif volume/marge.
Lire le cas d'étudeSystème combinant prévision mensuelle à 6 mois et optimisation par simulation sous contraintes pour recommander quels rayons agrandir ou réduire, avec jusqu'à +2,5% de CA attendu.
Lire le cas d'étudeAlgorithme de prévision promotionnelle déployé d'Ukraine à la Roumanie puis la France, avec -18% de surstocks/ruptures et +2,5% de gain CA promotionnel.
Lire le cas d'étudeModèle de prévision J+6 (cantine × catégorie × service) recalculé quotidiennement. Résultat : ~20% de réduction d'erreur relative vs l'outil éditeur, biais neutre, et mise en production.
Lire le cas d'étudeUne méthode d'analogues qui donne à chaque lancement un historique emprunté à des produits proches. Résultat : une erreur stabilisée à 36 %, contre 121 % en moyenne pour les estimations manuelles.
Lire le cas d'étudeParlons-en. Je construis le moteur de prévision adapté à votre contexte, de la donnée brute à un pipeline opérationnel, documenté et maintenable par vos équipes.