IA optimisation stocks multi-entrepôts

Contexte

Distributeur multi-canal (15 entrepôts, 3 000 employés, 1,5 Mds€ CA). Stocks gérés par entrepôt avec des règles de réapprovisionnement statiques (min/max). Taux de rupture de 8%, surstock de 25% en valeur. Aucune optimisation cross-entrepôts ni prise en compte de la saisonnalité fine.

Problème & Défi

→ Taux de rupture de 8% → ventes perdues estimées à 20M€/an - Surstock de 25% en valeur → 60M€ immobilisés inutilement → Règles de réapprovisionnement min/max statiques, aucune intelligence prédictive - 15 entrepôts gérés en silo, transferts inter-entrepôts manuels et sous-optimaux → Saisonnalité et promotions non intégrées – pics de demande systématiquement mal anticipés - Supply chain planners passent 70% du temps en Excel, aucun outil d'aide à la décision

Solution & Livrables

Modèle ML d'optimisation de stocks multi-entrepôts activé (Prophet + optimisation sous contraintes) Taux de rupture abaissé de 8% à 3%. récupération de 10M€/an de ventes perdues Surstock ramené de 25% à 12% : 30M€ de BFR libéré en 6 mois Optimisation cross-entrepôts automatisée : transferts inter-sites recommandés par l'IA Saisonnalité, promotions et événements intégrés → prévisions à 95% de précision Supply chain planners recentrés sur la stratégie – outil de décision temps réel livré et opéré Résultats mesurables dès le premier mois.

Technologies