Comment fiabiliser la prévision des ventes et optimiser les

Comment fiabiliser la prévision
des ventes et optimiser les promotions ?
La compréhension des facteurs aléatoires
et de la météo-sensibilité
Accenture - Grande Consommation
*La haute performance. Réalisée.

Face à un déficit de croissance, la
principale stratégie mise en œuvre par
l’ensemble des entreprises du secteur
de la grande consommation a été,
ces dernières années, d’intensifier
l’activité promotionnelle. Aujourd’hui,
les promotions représentent, pour la
majorité des catégories, de l’ordre de
50% des ventes et ce pourcentage ne
cesse de croître.
Pour suivre cette tendance, les fabri-
cants ont dû sophistiquer l’ingénierie
de la promotion (panel élargi de
mécaniques promotionnelles différen-
ciées par segment de produits) et
faire face à des exigences de réacti-
vité toujours plus prégnantes de leurs
chaînes logistiques et d’approvision-
nement.
Ces pratiques – ainsi que l’imperma-
nence de l’offre produit - ont accru
la volatilité de la demande et l’ont
rendue difficilement modélisable. La
plupart des entreprises du secteur a
été logiquement confrontée à une
dégradation de la fiabilité de ses
prévisions de ventes, entraînant
notamment une augmentation du
taux de rupture, des stocks et de
l’obsolescence des produits finis et
des emballages.
Une demande plus difficile à prévoir
Les services dédiés à la prévision et à
la planification des ventes cherchent
donc à regagner le terrain perdu en
adoptant des approches de modélisa-
tion intégrées aux processus de
l’entreprise. A ce titre nous observons
deux tendances lourdes :
• La refonte du processus S&OP
(Sales & Operations Planning) ou
PIC (Plan Industriel et Commercial)
qui permet une circulation plus
fluide de l’information entre les
acteurs de la chaîne.
• L’industrialisation des modèles
statistiques de prévision.
Notre point de vue consiste à dire
qu’il existe des relais d’amélioration
de la prévision de vente grâce à
l’émergence de nouveaux outils et
usages de collaboration dans l’entre-
prise et son écosystème et à une
meilleure prise en compte statistique
des facteurs exogènes et aléatoires.
A ce titre, l’économétrie – c'est-à-dire
l’utilisation de techniques statistiques
avancées – s’est considérablement
vulgarisée pour entrer de plein pied
dans le monde industriel et devenir
une source potentielle d’avantages
concurrentiels.
La météo est une bonne illustration
des voies explorées par certains
acteurs du secteur de la grande
consommation car elle a un impact
considérable sur la vente de
nombreuses catégories de produits.
Les comportements des consomma-
teurs varient en fonction de la météo
et donc de la région dans laquelle ils
se trouvent au moment de l’achat.
Les entreprises qui connaissent
l’exposition de leurs produits au
risque météo améliorent sensiblement
leur prévision de la demande et
peuvent adopter des approches
promotionnelles et de distribution
optimales.
Des relais d’amélioration de la prévision des ventes

Les évolutions décrites dans le
paragraphe précédent mettent en
exergue les axes de travail possibles :
1 Faire évoluer le processus de prévi-
sion de ventes vers plus de collabo-
ration et d’agilité.
2 Identifier et introduire dans la
modélisation les facteurs aléatoires,
en particulier le facteur
météorologique.
3 Renforcer le processus de prévision
des promotions.
1. Faire évoluer le processus de
prévision de ventes vers plus de
collaboration et d’agilité
Les entreprises du secteur de la
grande consommation disposent
généralement d’une équipe dédiée à
la prévision et à la planification et
d’un processus plus ou moins struc-
turé de prévision de la demande. La
plupart du temps nous observons les
caractéristiques suivantes :
• Une fonction "Demand Planning",
souvent intégrée au sein de la
direction logistique, élabore la
prévision de la demande. Les prévi-
sionnistes s’appuient sur leur con-
naissance des marchés et des
produits, ainsi que sur des compé-
tences analytiques qui leur permet-
tent de manipuler des modèles
prédictifs plus ou moins élaborés.
• La prévision de la demande est
effectuée sur les trois horizons de
planification de l’entreprise :
long-terme (de un à trois ans pour
le plan et le budget), moyen-terme
(de trois à douze mois pour plani-
fier les moyens logistiques et les
approvisionnements à délais longs)
et court-terme (de une à trois
semaines pour planifier les opéra-
tions et approvisionnements).
• Le calcul de la prévision des
ventes s’appuie en partie sur des
modèles statistiques qui intègrent
plus ou moins bien les facteurs
exogènes tels que les tendances du
marché, la saisonnalité et les prin-
cipaux événements calendaires, la
promotion et le lancement des nou-
veaux produits.
Trois axes de travail
Gestion des
commandes
Planification
logistique
Prévisions
ajustées
Prévisioniste
- Connaissance marché
- Ajustement des
hiérarchies produit,
des paramètres de
modélisation, et des
algorithmes
Prévisions
client
Historique
de la
demande
Paramètres
du modèle
Elaboration
de la prévision
- Evaluation de la
baseline historique
(élimination de
l’impact des facteurs)
- Prévision de baseline
- Intégration du plan
promo
- Intégration des autres
facteurs (internes et
externes) modélisés
Ajustement de
la prévision
- Intégration des facteurs
non modélisés
(qualitatifs)
- Ajustement du
management (ventes,
marketing, finance)
- Simulation
Outil
de
Prévision
Comité Plan Industriel
et Commercial
fig. 1 - Comment fiabiliser la prévision des ventes et optimiser les promotions ?

•Une étape d’ajustement plus ou
moins consensuel de la prévision,
regroupant les ventes, le marketing
et le trade marketing, la finance, la
supply chain et la production qui
permet d’intégrer des connaissances
métier, des contraintes spécifiques
et des informations qualitatives.
Certaines entreprises sont allées plus
loin que les autres en matière d’agilité
des processus. Elles ont fluidifié les
interfaces entre fonctions, par exem-
ple en synchronisant les grandes
étapes du processus de planification
au regard des besoins de chaque
acteur. Elles ont également défini les
règles du jeu et les prérogatives de
chacun des acteurs du processus afin
d’éviter les visions parcellaires et les
biais d’un consensus forcé. Elles ont
formalisé la nature des informations
échangées (dates de lancement des
nouveaux produits, objectifs, modifi-
cations des prix, nouvelles tendances
décelées…) et ont mis en place des
outils d’échange et de partage des
données.
On note également l’émergence de
pratiques collaboratives de planifica-
tion dont l’objectif est d’intègrer les
clients distributeurs, ceci permettant
de détecter rapidement les nouvelles
tendances du marché et d’adapter
l’offre en conséquence. Par exemple,
Danone a développé des approches
collaboratives de prévisions avec la
grande distribution pour intégrer le
"sell-in" et "sell-out" par magasin à
une fréquence hebdomadaire dans
son modèle de planification de la
demande.
2. Identifier et introduire
dans la modélisation les fac-
teurs aléatoires, en particulier
le facteur météorologique.
L’entreprise a une action détermi-
nante sur de nombreux facteurs liés
au marketing (nouveaux produits,
déréférencements, prix, effets de
cannibalisation, …), au trade marke-
ting (activités promotionnelles, qua-
lité de l’exécution des promotions,
mise en avant des produits), au
département commercial (promotions,
couverture des points de vente et
fréquences de visite, …).
En revanche, l’entreprise subit les fac-
teurs macro-économiques (pouvoir
d’achat, consommation..), les facteurs
de marché (innovations de la concur-
rence, évolutions législatives et socié-
tales...), les facteurs climatiques et
calendaires, etc… (météo, saisonnalité,
événements spécifiques …).
La modélisation des facteurs externes
est perfectible dans la plupart des
entreprises, soit parce que des fac-
teurs critiques (ayant une corrélation
forte avec les ventes) ne sont pas pris
en compte dans le modèle, soit parce
que leur modélisation n’est pas satis-
faisante.
Une analyse statistique de corrélation
permet de mettre en évidence le pou-
voir explicatif de certaines variables
négligées qui mériteraient pourtant
d’être modélisées compte tenu de leur
impact sur les ventes.
C’est le cas de la météo qui offre des
possibilités de modélisation scien-
tifique permettant de déceler des cor-
rélations avec la demande dans de
nombreux secteurs de la grande con-
sommation.
CL!MPACT, expert de l’impact du
climat sur les activités des entreprises,
a réalisé une étude portant sur
300 catégories de produits de grande
consommation qui a permis d’identi-
fier 134 catégories météo-sensibles,
et de mesurer pour chacune d’elles
son indice de compétitivité climatique
(ICC). Selon CL!MPACT, un degré de
plus en été peut faire augmenter les
ventes de bière de plus de 5 % et
faire chuter celles du chocolat de 3 % !