Point de commande d’une chaîne de magasins : pourquoi « 7 jours de couverture, compléter à 14 » fait perdre de l’argent

Demandez à une chaîne de magasins comment elle décide quand recommander, et la réponse est souvent une règle empirique en jours de couverture : quand un produit n’a plus qu’environ une semaine de ventes en stock, on commande de quoi revenir à deux semaines. Elle est facile à expliquer, facile à mettre dans un tableur, et fausse d’une manière qui dépend du fournisseur. Cet article confronte cette règle à l’alternative des manuels, montre ce que la différence a valu sur une année simulée dans quatre chaînes, et applique la formule à deux fournisseurs.

1. Deux façons de décider quand commander et combien

Notons μ les ventes quotidiennes moyennes d’un produit dans un magasin et IP sa position de stock, c’est-à-dire le stock en magasin plus le stock déjà commandé. La règle empirique, un jour de commande du fournisseur : si IP est inférieure à 7μ, commander jusqu’à 14μ².

La formule de révision périodique, dite (R, S), pose une autre question : combien de temps cette commande doit-elle tenir ? Une commande passée aujourd’hui arrive après le délai de livraison L et doit tenir jusqu’à ce que la commande suivante puisse arriver, R jours plus tard, R étant l’attente jusqu’au prochain jour de commande du fournisseur. Sur ces L + R jours, le magasin prévoit de vendre μ(L + R), et il ajoute un stock de sécurité pour la dispersion de la demande σ et du délai σ_L : S = μ(L + R) + z·√((L + R)σ² + μ²σ_L²). À chaque jour de commande, il commande jusqu’à S. Le facteur z fixe le niveau de service ; la version ajustée de Retail-Bench utilise 2,05, 1,64 et 1,28 pour les produits des classes de chiffre d’affaires haute, moyenne et basse, soit environ 98 %, 95 % et 90 %, et plafonne les produits à courte durée de vie aux ventes attendues pendant leur durée de conservation².

2. Ce que montre une année simulée

Retail-Bench, le banc d’essai ouvert construit par marql, simule quatre chaînes pendant un an après trois mois de mise en route : des magasins de proximité à Londres, une enseigne de produits frais à Manchester, une enseigne maison et jardin à Bristol dont les fournisseurs sont à quatre à six semaines de bateau, et une chaîne de parapharmacies à Leeds réservée à la validation. Chaque participant affronte les mêmes clients et les mêmes camions en retard, sur vingt simulations par chaîne, si bien que les écarts ne viennent que des décisions. Le bénéfice est compté après le coût de possession du stock, les pertes et les coûts de commande^{1, 2}. Par rapport à la formule ajustée, la règle empirique a réalisé :

La tendance suit le délai de livraison. Quand les fournisseurs livrent en un ou deux jours, la règle coûte quelques pour cent du bénéfice ; quand ils sont à plusieurs semaines, elle en coûte la moitié. Sur l’échelle propre au banc d’essai, qui va de la règle empirique à zéro jusqu’à un participant qui connaît l’avenir à cent, la formule ajustée capte 60 % de tout ce qu’une meilleure commande pourrait gagner¹.

3. Pourquoi la règle perd : un exemple chiffré

Prenons un produit qui se vend en moyenne à quatre unités par jour, avec une dispersion quotidienne de trois, pour un niveau de service de 95 %. Achetons-le auprès de deux fournisseurs : un fournisseur proche qui livre en trois jours et prend les commandes une fois par semaine, et un importateur qui livre en 38 jours, à quatre jours près, commandé lui aussi chaque semaine.

Pour le fournisseur proche, la cible de la règle est à peu près juste, mais pas son déclencheur. Elle ne compare le stock qu’à une semaine de ventes, et oublie que la prochaine occasion de commander est dans une semaine et que le camion suivant met encore trois jours. Trente unités paraissent suffisantes et durent sept jours et demi. Pour l’importateur, la règle est tout simplement trop courte : deux semaines de stock pour une commande qui doit tenir six semaines et demie. Les deux erreurs ont la même origine : la règle compte les jours de couverture, mais pas les jours que cette couverture doit tenir.

La règle n’a pas non plus de moyen de voir un fournisseur irrégulier. Les livraisons en retard élargissent σ_L, et la formule élargit le stock de sécurité avec lui ; la règle garde les mêmes sept et quatorze jours pour un fournisseur ponctuel comme pour un fournisseur peu fiable.

4. Ce que la formule demande à vos données

La première donnée compte plus qu’il n’y paraît. Une journée terminée rayon vide enregistre des ventes faibles, pas une demande faible ; l’inclure dans la moyenne tire μ vers le bas, et la commande suivante avec lui. La formule de Retail-Bench lit ces journées au niveau des journées normales², et le guide des ruptures de stock explique comment les repérer. Arrondissez le résultat au colisage et au minimum de commande du fournisseur, et vérifiez aussi l’autre extrémité : c’est en appliquant le même calcul au stock qui ne se vend pas que le guide du stock dormant repère les excédents.

5. Là où la formule ne suffit pas

La formule est une référence solide pour une bonne raison. Quand une vente perdue coûte bien plus que la conservation d’une unité en stock pendant un certain temps, les règles de recomplètement sont proches du meilleur possible ; dans Retail-Bench, une unité perdue coûte autant de marge que le stockage de cette unité pendant 506 à 1 128 jours². Elle est la plus faible sur les produits périssables, où chaque unité en trop risque de finir en perte : dans la chaîne de produits frais, la formule ajustée n’a capté qu’une petite partie de ce qu’une prévision parfaite aurait permis¹.

Quant à savoir si l’IA y ajoute quelque chose, la question est moins tranchée que ne le laissent entendre les éditeurs. Dans InventoryBench, un banc d’essai universitaire de 2026 portant sur des décisions de stock pour un seul produit, un modèle de langage qui révisait une politique de stock de base plafonnée a obtenu 0,538 contre 0,445 pour la politique seule, et les auteurs notent que les modèles « identifient parfois à tort des changements de demande quand il ne s’agit que de bruit »³. Le guide de l’IA pour réapprovisionner les magasins présente les résultats de terrain sur le travail conjoint des personnes et des algorithmes.

6. Limites

Les chiffres de la section 2 proviennent d’une simulation, calibrée sur des chaînes réelles mais non mesurée dans celles-ci, et de la version du banc d’essai du 19 septembre 2026. La simulation ne modélise pas encore la substitution, la capacité des rayons, les remises ni un centre de distribution. marql construit le banc d’essai et y participe ; les références discutées ici ne sont pas celles de marql, et l’ensemble des résultats est publié, y compris les tours où le propre moteur de marql a perdu.

Comment marql utilise cette formule

Dans Retail-Bench, la formule ajustée est la barre à laquelle chaque participant est mesuré, y compris le propre moteur de réapprovisionnement de marql. Le premier tour a placé ce moteur sous la formule dans trois chaînes sur quatre, et les rejeux ont montré pourquoi : un stock de sécurité aveugle à l’irrégularité d’un fournisseur et à l’éloignement du prochain jour de commande. Tout système de commande peut passer par le même protocole, et chaque résultat est publié.