marql

Prévision de la demande pour une chaîne de magasins : chaque magasin, chaque produit, chaque jour

La prévision d’une chaîne n’est pas un chiffre pour l’année. Ce sont des milliers de petits chiffres, un par produit, par magasin et par jour, la plupart inférieurs à une unité. Voici ce qui fonctionne à ce niveau et comment vérifier que cela fonctionne.

À retenir

  • Prévoyez là où la commande est passée : par produit, par magasin et par jour, sur le délai de livraison plus le temps jusqu’à la commande suivante.
  • Les ventes ne sont pas la demande. Les jours de rayon vide, les stocks négatifs dans le système et les remises en cachent une partie.
  • Au niveau du magasin, des méthodes simples comme le lissage exponentiel tiennent tête à l’apprentissage automatique ; les références à rotation lente demandent une méthode conçue pour la demande intermittente.
  • Mesurez l’erreur en unités sur l’horizon de la commande, avec le biais à côté, et comparez-la à une règle naïve. N’utilisez pas le MAPE sur les références à rotation lente.
  • Les promotions, les jours fériés et la météo font bouger la demande plus que le choix de la méthode : intégrez-les comme des événements connus.

Dans une chaîne de magasins, prévoir la demande consiste moins à prédire l’année qu’à prédire demain, produit par produit et magasin par magasin. La commande qu’un magasin envoie cet après-midi est une prévision de ce que ses clients achèteront avant la prochaine livraison, que quelqu’un l’ait écrite ou non. Trop haute, et la trésorerie dort en rayon ou finit à la poubelle ; trop basse, et le rayon est vide quand le client arrive. Ce guide explique quoi prévoir, quelles méthodes tiennent à ce niveau et comment savoir si la prévision est bonne.

1. Ce qu’une chaîne doit prévoir

Une prévision est utile au niveau où une décision se prend. Pour le réapprovisionnement des magasins, c’est un produit dans un magasin, jour par jour, car la commande, la livraison et le rayon vide se produisent tous là. Un total chaîne convient pour le budget, mais il lisse précisément ce dont la commande a besoin : un magasin en rupture pendant qu’un autre détient trois semaines de stock sur la même référence.

Les grandes enseignes alimentaires prévoient à ce niveau de façon systématique. Albert Heijn prévoit la demande de chaque produit dans chaque magasin pour les 50 prochains jours10, et Tesco dit utiliser l’IA pour optimiser les commandes des magasins et le niveau des remises11. Sainsbury’s a fait passer sa prévision alimentaire sur une plateforme d’apprentissage automatique et, avec le travail mené auprès de ses fournisseurs, a amélioré la disponibilité alimentaire de 190 points de base en quatre ans9. Une chaîne plus petite n’a pas besoin de leurs systèmes pour travailler au même niveau ; elle a besoin de la même unité de compte.

2. Les ventes ne sont pas la demande

Toute prévision magasin part des données de caisse, et les données de caisse enregistrent ce qui a été vendu, pas ce que les clients voulaient. Trois choses creusent l’écart entre les deux. Un produit en rupture ne vend plus rien jusqu’à la fin de la journée, quel que soit le nombre de clients qui l’ont cherché ; le guide de la demande censurée montre comment cela tire la prévision vers le bas. Un stock informatique erroné fait paraître vide un magasin qui ne l’est pas, ou plein un magasin vide. Et les remises font vendre des unités qui ne se seraient pas vendues au prix plein : dans une étude portant sur 1 705 produits dans 676 magasins d’une enseigne alimentaire européenne, la prévision de l’enseigne sous-estimait la demande les jours de remise pour environ 92 % des produits5.

Avant de choisir une méthode, nettoyez donc l’historique : marquez les jours où le rayon était vide, signalez les stocks négatifs ou figés, et séparez les jours de promotion et de remise des jours ordinaires. Des chercheurs qui ont classé 31 006 séries de produits d’une enseigne de trois magasins le disent clairement : quelle que soit la façon dont les ruptures sont détectées, elles doivent être traitées dans le modèle3.

3. Les méthodes, des plus simples à l’apprentissage automatique

  • Méthode naïve et naïve saisonnière. Demain se vend ce qui s’est vendu aujourd’hui, ou mercredi prochain ce qui s’est vendu mercredi dernier. C’est la référence que toute autre méthode doit battre1.
  • Moyenne mobile. La moyenne des dernières semaines. Simple, mais chaque jour de la fenêtre pèse autant et le jour qui la précède ne pèse rien, ce qui fait sauter le résultat quand un jour inhabituel sort de la fenêtre1.
  • Lissage exponentiel. Une moyenne pondérée dans laquelle les jours récents comptent le plus et les plus anciens s’effacent progressivement, avec des coefficients pour le jour de la semaine et les jours fériés. C’est la méthode de base de la prévision en magasin.
  • Méthodes pour la demande intermittente. Quand la plupart des jours ne vendent rien, elles prévoient séparément la fréquence d’une vente et sa taille. La méthode de Croston et ses successeurs comme TSB en font partie ; le lissage exponentiel ordinaire, non1.
  • Apprentissage automatique. Les arbres de gradient boosting et les modèles similaires apprennent sur de nombreux produits et magasins à la fois, et peuvent intégrer les promotions, les prix et la météo.

L’apprentissage automatique gagne nettement sur le total de la chaîne, et beaucoup moins dans chaque magasin. Lors de la compétition M5 sur des données de Walmart, le modèle gagnant battait le lissage exponentiel de 22,4 % au global, mais de seulement 3,4 % au niveau produit et magasin, où les données sont bruitées et intermittentes. Quand Petropoulos et ses collègues ont refait le test sur une année complète de prévisions glissantes pour 28 298 séries produit-magasin, le lissage exponentiel s’est révélé légèrement plus précis qu’une réplique de l’ensemble d’apprentissage automatique gagnant, et moins coûteux à faire tourner2. Pour une chaîne de quelques magasins, une méthode simple bien réglée sur des données propres bat un modèle sophistiqué sur des données sales.

4. La plupart des références vendent moins d’une unité par jour

L’image classique d’une courbe de ventes régulière correspond rarement à un magasin. Dans l’enseigne de trois magasins citée plus haut, environ 78 % des séries étaient intermittentes, même comptées à la semaine3. Sur 46 841 séries journalières issues de 446 magasins, la série moyenne comptait 492 jours sans vente sur 7274. La prévision d’une telle référence est une fraction, 0,3 par jour, et le stock qui la couvre se compte en quelques unités, avec beaucoup d’incertitude autour.

Voici à quoi cela ressemble dans une vraie commande. Yammy Way, une chaîne de confiseries en Roumanie qui utilise marql, a un magasin à Brașov dont la commande du 17 novembre 2026 comptait 17 lignes ; marql en signalait 11 en rupture avant le prochain camion. En voici quelques-unes, telles que marql les affichait ce jour-là :

Toxic Waste Blue Raspberry Chew Bar 20 gVentes par jour1,5Le stock tient2,7 joursCe que marql afficheRupture avant le camion
Toxic Waste Apple Chew Bar 20 gVentes par jour1Le stock tient1 jourCe que marql afficheRupture avant le camion
Sour Patch Blue Raspberry 102 gVentes par jour0,4Le stock tient2,6 joursCe que marql afficheRupture avant le camion
Hello Kitty Gummi Treats Fruit 88 gVentes par jour0,3Le stock tient6,2 joursCe que marql afficheRupture avant le camion ; à vérifier d’abord, peu de données
Johny Bee 3D Gummy Cup Cake 18 gVentes par jour0,7Le stock tient0 jourCe que marql afficheStock à −3 dans l’ERP, lu comme un rayon vide ; à vérifier avant envoi
Amos Peelerz Raspberry 65 gVentes par jour0,1Le stock tient7,5 joursCe que marql afficheRupture avant le camion
Yammy Way, commande du magasin de Brașov dans marql, 17 novembre 2026. Le calendrier des livraisons depuis l’entrepôt n’est pas encore connu : le plan utilise donc un délai de livraison par défaut de 7 jours.

Trois choses dans cette commande sont typiques d’une petite chaîne. La plupart des références vendent bien moins de deux unités par jour : la prévision est donc un rythme, pas un nombre. Certains stocks sont négatifs, ce qui est impossible en rayon et doit être vérifié par une personne avant l’envoi de la commande. Et le délai de livraison n’est pas encore connu : l’horizon est donc une valeur par défaut plutôt qu’un fait. La success story de Yammy Way et Pralio présente la chaîne.

5. Sur quel horizon prévoir

Une commande doit tenir jusqu’à l’arrivée de la suivante : l’horizon qui compte est donc le délai de livraison du fournisseur plus le temps jusqu’à la commande suivante. Pour un magasin qui commande chaque mardi auprès d’un fournisseur qui livre en trois jours, cela fait dix jours. Prévoir plus loin relève de la planification ; prévoir moins loin laisse un trou. Le délai de livraison lui-même varie, et cette variation demande son propre stock : les guides du point de commande et du stock de sécurité montrent comment la prévision et son incertitude deviennent une quantité.

6. Comment mesurer la précision des prévisions

Mesurez l’erreur en unités, additionnée sur l’horizon de la commande, et mettez deux chiffres côte à côte. Le WAPE, l’erreur absolue totale divisée par les ventes totales, montre de combien la prévision se trompe. Le biais, l’erreur totale avec son signe, montre si elle est en moyenne trop haute ou trop basse1. Une prévision avec un WAPE faible et un biais négatif constant vide quand même les rayons.

Évitez le MAPE pour les prévisions magasin. Il ne peut pas être calculé un jour sans vente, ce qui correspond à la plupart des jours pour beaucoup de références en magasin, et le minimiser pousse les prévisions trop bas. Même les mesures d’erreur absolue trompent sur les références à rotation lente : pour un produit qui ne se vend généralement pas, la prévision avec l’erreur absolue la plus faible est zéro, ce qui ne le réapprovisionnerait jamais1. Trois habitudes gardent la mesure honnête : comparer avec une règle naïve sur les mêmes jours, exclure les jours de rayon vide, car leurs ventes étaient plafonnées par le stock, et surveiller le biais au moins autant que l’erreur.

7. Promotions, jours fériés et météo

La plupart des grosses erreurs de prévision viennent d’événements, pas de la méthode. Les promotions font fortement varier les volumes, et la mécanique compte : dans huit supermarchés suédois, une offre sur deux articles a vendu 19,5 % d’unités de plus que la remise équivalente sur un seul article6. Les jours fériés sont pires : les enseignes alimentaires allemandes ont réalisé un chiffre d’affaires supérieur de 50 % à celui d’une semaine moyenne dans la semaine précédant Noël 2021, et certaines ont fait état d’une précision des prévisions de seulement 35 % pendant les périodes de fêtes7. La météo fait bouger des catégories entières : au Royaume-Uni, les volumes des magasins alimentaires ont baissé de 5,4 % en mai 2025 puis augmenté de 0,7 % en juin, les supermarchés invoquant la chaleur8.

Traitez-les comme des événements connus plutôt que comme du bruit. Saisissez les promotions avec leurs dates et leur mécanique, tenez un calendrier des jours fériés pour chaque pays où vous êtes présent, et laissez une personne corriger la prévision pour ce que l’historique n’a jamais vu, comme une fête locale ou des travaux devant le magasin. Le guide du réapprovisionnement par IA explique lesquelles de ces décisions laisser à l’algorithme et lesquelles à l’acheteur. De meilleures prévisions réduisent aussi le gaspillage sur les produits frais : Albert Heijn attribue à ses prévisions par magasin, combinées aux remises dynamiques, une économie de plus de 1,5 million de kilogrammes de gaspillage alimentaire en 202410 ; le guide du gaspillage alimentaire traite le reste.

Une remarque sur les sources : trois des études citées ici sont des prépublications qui n’ont pas encore été évaluées par des pairs, les chiffres des enseignes sont les leurs et mêlent la prévision à d’autres chantiers, et les chiffres de précision pendant les fêtes proviennent d’entretiens, sans mesure commune.

Comment marql le montre dans la commande magasin

Dans marql, le Gestionnaire de stock IA prépare la commande de chaque magasin à partir des ventes et des stocks qu’il lit dans la caisse et l’ERP que la chaîne utilise déjà. Chaque ligne indique combien le produit se vend par jour dans ce magasin, pour combien de jours le stock en rayon suffit et s’il sera épuisé avant la prochaine livraison. Chaque commande précise sur quoi elle repose, y compris le délai de livraison du fournisseur, et le signale comme valeur par défaut quand il n’est pas encore connu. Les lignes avec peu de données, un relevé de stock ancien ou absent, ou un stock négatif apparaissent en premier, pour que quelqu’un regarde le rayon avant l’envoi. marql calcule les quantités ; une personne les vérifie, les ajuste et envoie la commande.

  1. Kolassa, S., Rostami-Tabar, B., Siemsen, E. (2023). Demand Forecasting for Executives and Professionals. Chapman & Hall/CRC. doi:10.1201/9781003399599. dfep.netlify.app
  2. Petropoulos, F., Grushka-Cockayne, Y., Siemsen, E., Spiliotis, E. (2025). Wielding Occam's razor: Fast and frugal retail forecasting. Journal of the Operational Research Society 76(8), 1564-1583. doi:10.1080/01605682.2024.2421339. arxiv.org
  3. Svetunkov, I., Sroginis, A. (2025-11-13). Why do zeroes happen? A model-based approach for demand classification. arXiv:2504.05894 (preprint). arxiv.org
  4. Hobor, L., Brčić, M., Polutnik, L., Kapetanović, A. (2026-03-11). Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting. arXiv:2506.05941 (preprint). arxiv.org
  5. Winkelmann, D., Elbracht, T., Brenker, J., Gerzen, A. (2026-02-04). Discounted Sales of Expiring Perishables: Challenges for Demand Forecasting in Grocery Retail Practice. arXiv:2602.04464 (preprint). arxiv.org
  6. Gravert, C., Mormann, M. (2025). In-store food promotions increase sales as well as household food waste. Scientific Reports 15, 18035. doi:10.1038/s41598-025-01800-x. doi.org
  7. Obermair, A., Holzapfel, A., Kuhn, H. (2023). Operational planning for public holidays in grocery retailing: managing the grocery retail rush. Operations Management Research 16, 931-948. doi:10.1007/s12063-022-00342-z. doi.org
  8. Office for National Statistics (2025-07-25). Retail sales, Great Britain: June 2025. ons.gov.uk
  9. J Sainsbury plc (2025). Annual Report and Financial Statements 2025, strategy overview. sainsburys.co.uk
  10. Ahold Delhaize (2025). Annual Report 2024. aholddelhaize.com
  11. Tesco PLC (2026-05-15). Sustainability Report 2026. tescoplc.com

SujetsPrévision de la demande, Réapprovisionnement, Précision des prévisions, Commandes magasin

Tous les articles

Blog

Questions fréquentes

C’est estimer quelle quantité de chaque produit les clients achèteront dans chaque magasin sur une période à venir, généralement jour par jour, pour que les commandes, les livraisons et le stock y correspondent. Elle part de l’historique des ventes et le corrige des ruptures, des promotions, des jours fériés et des autres événements connus.

Une prévision des ventes prédit ce qui sera vendu, ce qui est plafonné par le stock en rayon. Une prévision de la demande prédit ce que les clients achèteraient si le produit était là. Pour commander, c’est la demande qu’il faut, et c’est pourquoi les jours de rayon vide doivent être traités avant de prévoir.

Pour chaque produit dans chaque magasin, le lissage exponentiel avec des coefficients pour le jour de la semaine et les jours fériés est un bon choix par défaut, avec une méthode distincte comme Croston ou TSB pour les références qui ne se vendent que certains jours. L’apprentissage automatique apporte le plus au niveau agrégé et là où les promotions et les prix pilotent la demande.

Additionnez l’erreur absolue en unités sur l’horizon de la commande et divisez-la par les unités vendues (WAPE), indiquez le biais à côté, et comparez les deux avec une règle naïve sur les mêmes jours. Excluez les jours où le rayon était vide, et n’utilisez pas le MAPE sur les références à rotation lente.

Aussi souvent que de nouvelles ventes arrivent, et au moins avant chaque commande, ce qui veut dire chaque jour pour la plupart des magasins. La prévision doit couvrir le délai de livraison du fournisseur plus le temps jusqu’à la commande suivante.

Empruntez le profil de produits similaires (même catégorie, même gamme de prix, ou le produit qu’il remplace), mis à l’échelle des magasins où il entre. Remplacez ce profil emprunté par les ventes propres du produit dès que quelques semaines de ventes existent.