Les détaillants doivent être en mesure de comprendre quels produits mettre en stock dans quels magasins au niveau de détail adéquat pour s’assurer que leurs clients sont servis et que les produits sont disponibles en rayon, afin que les clients puissent les acheter quand ils le souhaitent. La talentueuse équipe de la chaîne d’approvisionnement de Tesco a contribué à la mise en œuvre de nouveaux algorithmes de prévision basés sur l’apprentissage automatique, qui offrent la possibilité de gérer plus de 3 000 magasins et plus de 30 millions de produits sur une période de 21 jours. — Rob Armstrong, directeur de la science des données, Tesco
Prévision de la demande Walmart a entraîné ses algorithmes d’apprentissage automatique 20 fois plus rapidement grâce aux bibliothèques open-source NVIDIA RAPIDS™ pour le traitement des données et l’apprentissage automatique. Basée sur CUDA-X AI™ et les GPU NVIDIA, la technologie RAPIDS a permis à Walmart de proposer plus efficacement les bons produits dans les bons magasins, de réagir en temps réel aux tendances d’achat et de réaliser des économies d’échelle en termes de gestion des stocks. Regarder la vidéo : Comment Walmart améliore ses prévisions (40:27)
Prévision des routines de commande Les comportements d’achat des consommateurs changent rapidement, c’est pourquoi de plus en plus de détaillants souhaitent exécuter des prévisions quotidiennes sur des millions de combinaisons d’articles en magasins tout en bénéficiant d’une précision accrue. Les détaillants se doivent d’accroître l’agilité de leurs chaînes d’approvisionnement avec des prévisions plus rapides et plus fiables afin d’optimiser la gestion des stocks. Une façon d’accroître cette l’agilité consiste à prédire les réapprovisionnements en fonction de l’historique d’achat des clients. Lire le blog : Meilleures pratiques dans l’utilisation de l’IA pour développer la solution de prévision de vente au détail la plus précise (mars 2021)
Prévisions quotidiennes pour les établissements de restauration rapide (QSR) Une chaîne de restaurants de premier plan comptant plus de 2 000 établissements éprouvait des difficultés dans son approche de modélisation des prévisions visant à assurer l’approvisionnement en produits pour les commandes au jour le jour. Son ancien moteur de prévision était imprécis, indiquait des tendances de ventes avec du retard, ne prenait pas en compte les influences externes ni la saisonnalité et n’était pas adapté aux modèles sur mesure. Quantiphi lui a fourni un moteur de prévision tirant parti du Deep Learning via des GPU NVIDIA. Ce moteur a augmenté la précision de plus de 20 %, tout en permettant la mise en œuvre de la visualisation, de l’analyse et des alertes, mais aussi la mise en place de variables de contrôle. Regarder la vidéo : Comment la solution de Quantiphi automatise les prévisions des QSR (19:47)