Demand sensing : définition et apport en machine learning
Qu’est-ce que le demand sensing ?
Le terme de demand sensing peut littéralement se traduire par détection de la demande. Il s’agit d’une technique qui exploite des fonctions prédictives basées sur l'analyse des données de la chaîne d'approvisionnement afin de dégager la tendance de la demande future sur une échelle de temps variable. Parmi ses principaux cas d'usage, elle permet notamment d’équilibrer l’offre et la demande, notamment pour éviter toute rupture dans la supply chain.
Le demand sensing permet d'obtenir des résultats qui gagnent en fiabilité par rapport à d’autres techniques d’analyse qui, elles, s’appuient uniquement sur les précédentes commandes, le chiffre d’affaires et leur fluctuation. Afin de préserver la compétitivité d’une entreprise, il fait dorénavant partie intégrante des outils d’exploitation pour mettre en œuvre la stratégie de la chaîne d’approvisionnement.
Comment le demand sensing fonctionne-t-il ?
Le demand sensing implique la sollicitation d’une intelligence artificielle (IA) spécifique. Dans ce cas, le principe du machine learning (apprentissage automatique) permet de déployer les algorithmes nécessaires à l’usage des fonctions prédictives. Pour ce faire, le système ne s’appuie pas sur une seule catégorie de données, mais sur plusieurs variables. Pour ne citer que quelques exemples, on peut évoquer :
- L'historique des commandes,
- Les stocks actuels,
- Les commandes à venir,
- Les insights consommateurs et les évolutions des modes de consommation.
Il est même possible d’intégrer des facteurs indirects, apparemment étrangers à l’activité elle-même, comme le changement climatique ou le contexte social qui peuvent évidemment avoir un impact sur la demande de certains produits. Le demand sensing se sert d’une série temporelle ou chronologique. Autrement dit, d’un ensemble de valeurs qui évolue au fil du temps.
Qu'apporte le machine learning au demand sensing ?
Egalement appelé apprentissage automatique, le machine learning permet au système de demand sensing de s’améliorer par lui-même. Il n’est pas nécessaire de recourir à l’intervention d’un programmeur pour intégrer de nouvelles règles ou données. Grâce à un réseau de couches neuronales artificielles, le système dispose de la structure de base pour apprendre de manière autonome. La sélection de ses variables est importantes pour obtenir les perspectives et tendances désirées.
Les algorithmes de ce type génèrent les prévisionnels (diagramme, graphique…) en fonction d’un calendrier prédéterminé ou de demandes spécifiques. Ce qui permet d'optimiser la charge de travail des équipes en interne, notamment des membres opérationnels des services du marketing, de la finance ou de la supply chain.