Auchan : -18% de surstocks et ruptures en promo
Algorithme de prévision promotionnelle déployé d'Ukraine à la Roumanie puis la France, avec -18% de surstocks/ruptures et +2,5% de gain CA promotionnel.
La situation
En retail, la promotion est un accélérateur de ventes mais aussi un accélérateur d'erreurs. Une prévision trop basse crée des ruptures visibles, une prévision trop haute laisse des surstocks coûteux à écouler.
Chez Auchan Retail International, le défi était d'améliorer la prévision de la demande promotionnelle avec une contrainte forte : construire un modèle industrialisable, réutilisable d'un pays à l'autre, sans repartir de zéro à chaque déploiement.
L'objectif
- Prévoir : la demande des produits en promotion
- À la maille : magasin × SKU
- Fréquence : quotidien
- Horizon : D+40 à D+55
- Pour améliorer : le niveau de service en rayon et le coût des excédents
Le modèle est né sur Auchan Ukraine (22 hypermarchés), puis a été déployé en Roumanie et en France.
Ce qui rendait le problème difficile
- Volume et variété : environ 80 000 produits, avec des comportements très hétérogènes
- Régimes atypiques : la promotion change brutalement la dynamique de vente
- Historique incomplet : une partie significative des produits n'avait pas d'historique promotionnel exploitable
- Données "métier" : dates, exécution, ruptures et retards logistiques faussent l'apparente "demande"
La solution
Modèle 1 : un baseline robuste orienté promotions
Algorithme Tree-Based riche en features, construit après une EDA poussée. Le modèle apprend principalement sur l'historique des ventes en promotion, les attributs des opérations et les caractéristiques produit/magasin.
Pour les nouveaux produits : stratégie "mirror SKU" avec NLP sur les descriptions produits pour reconstruire un jumeau crédible et générer des features promotionnelles plausibles. Gain de ~25% sur la prévision des nouveaux produits.
Modèle 2 : capturer les extrêmes
Approche "Direct Model Forecasting" plus dynamique et granulaire. Chaque jour, chaque produit et magasin disposent de leurs propres features. Réservé aux SKUs ayant suffisamment d'historique.
Résultats
- -18% de surstocks et ruptures en réel (niveau national Ukraine)
- +2,5% de gain CA promotionnel
- +25% d'amélioration vs prévisions planners en backtest
- ~30 000 heures économisées par an côté planners
- Déployé avec succès en Ukraine, Roumanie et France