Commerce de détail : prévision et réassort

En bref. L’IA améliore la prévision des ventes et le réassort en repérant des motifs dans vos données internes et externes. Pour que le projet soit rentable, comptez au moins 12 mois de données de vente fiables, un volume de références supérieur à 200 et des ventes hebdomadaires régulières. Au-delà de 500 références, les gains en trésorerie et en disponibilité se mesurent en mois, pas en semaines.

Une réunion, un chiffre, une décision qui coûte cher

« On a perdu 18 % de chiffre d’affaires le mois dernier à cause de ruptures sur la ligne B2C-34 », déclare le directeur commercial en posant sur la table le dernier rapport de ventes. Le tableau Excel affiche des chiffres en rouge : des ruptures concentrées sur 37 références, soit 7 % du catalogue, mais représentant près de 20 % du chiffre d’affaires hebdomadaire. Le directeur financier ajoute que le stock moyen immobilise 2,3 millions d’euros, un niveau inchangé depuis deux ans malgré l’ouverture de deux nouveaux entrepôts. La question n’est plus de savoir si l’IA peut aider, mais à quel moment elle devient rentable par rapport au tableur ou à l’ERP.

Ce que l’IA fait mieux que le tableur ou l’humain seul

Votre tableur calcule des moyennes mobiles ou des seuils de réapprovisionnement basés sur l’historique. L’IA, elle, détecte des motifs que l’œil ignore : une hausse des ventes le lundi quand la météo annonce du soleil, une baisse en décembre sur les produits bio parce que les concurrents lancent une promotion. Elle croise aussi des données externes que vous n’avez pas le temps de suivre : prix des concurrents sur Google Shopping, trafic piéton devant le magasin, ou même les tendances Twitter pour certains produits lifestyle.

Exemple concret : un détaillant de vêtements a connecté son CRM (Salesforce) et son système de caisse (SAP) à un outil comme n8n. En six mois, l’IA a réduit les ruptures de 40 % et le stock dormant de 15 %. Le gain ? 120 000 € de trésorerie libérée, soit l’équivalent de deux mois de salaire d’un responsable logistique.

Mais attention : ces résultats supposent que vos données soient propres. Un fichier Excel où les codes-barres sont mélangés aux références manuelles, ou des ventes enregistrées en double, donnent à l’IA des motifs erronés. Dans ce cas, le tableur reste la meilleure option — ou un nettoyage préalable coûteux.

Le volume minimal : quand l’IA devient rentable

Trois seuils pratiques séparent les entreprises où l’IA est un luxe de celles où elle est un outil.

• Moins de 200 références et des ventes irrégulières : l’IA gaspille du temps à chercher des motifs inexistants. Le tableur ou un ERP standard suffisent.
• Entre 200 et 500 références, avec des ventes hebdomadaires régulières : l’IA commence à dégager un retour. Un projet pilote sur 12 mois de données peut réduire les ruptures de 20 à 30 %, avec un coût de mise en œuvre estimé entre 15 000 € et 30 000 € (intégration + abonnements).
• Plus de 500 références et un stock immobilisé supérieur à 1 million d’euros : l’IA devient un levier de trésorerie. Les gains se mesurent en mois, pas en semaines. Un cas réel dans l’électroménager a permis de libérer 600 000 € en réduisant le stock dormant de 22 %.

Pour les PME, la première étape est souvent d’extraire ses données de vente (via Excel ou un CRM) et de les faire analyser par un outil comme Make ou un assistant comme GPT-4o pour identifier les motifs avant d’investir. Si aucun motif n’apparaît après trois mois, le projet n’est pas viable.

Les outils qui marchent — et ceux qui ne marchent pas

Les solutions qui fonctionnent reposent sur trois piliers :

• Un historique propre : 12 mois minimum, sans doublons ni erreurs de saisie. Les outils comme Excel ou Google Sheets conviennent pour un premier audit.
• Un connecteur simple entre vos systèmes : un outil comme Make ou n8n permet de relier votre caisse, votre ERP et vos données externes sans recourir à un développeur.
• Un scénario de réapprovisionnement automatisé : l’IA génère des alertes ou des commandes pré-remplies, mais c’est toujours un humain qui valide.

Les solutions qui échouent sont souvent des boîtes noires vendues comme des « solutions clés en main ». Exemple : un fabricant de meubles a acheté un logiciel à 50 000 € qui promettait de prédire les ventes. Résultat : des commandes automatiques sur des produits à rotation lente, gonflant le stock dormant de 30 %. La leçon ? Une IA sans données fiables ou sans ajustement humain produit des résultats contraires à l’objectif.

Cas où l’IA n’est pas la solution : l’exemple des produits saisonniers

Certains catalogues reposent sur des cycles de vente trop courts ou trop irréguliers pour que l’IA soit utile. Par exemple, un détaillant de décorations de Noël réalise 80 % de son chiffre d’affaires en deux mois. Ses ventes dépendent de facteurs imprévisibles : une tendance TikTok, une météo clémente, ou une crise économique. Dans ce cas, un réapprovisionnement basé sur l’historique ou une intuition experte fonctionne mieux — et coûte moins cher. L’IA serait ici un gadget coûteux, pas un outil.

Autre contre-exemple : les produits à très faible marge. Si votre taux de marge est inférieur à 10 %, le gain de trésorerie apporté par une meilleure prévision sera absorbé par le coût de l’outil. Mieux vaut alors se concentrer sur la négociation avec les fournisseurs pour réduire les délais de livraison.

Que faire demain matin ?

1. Exportez vos données de vente des 12 derniers mois (fichier Excel ou CSV).

2. Identifiez les 10 références qui génèrent le plus de ruptures et celles qui représentent le stock dormant le plus élevé.

3. Lancez un test avec un outil simple comme GPT-4o ou Make pour croiser vos données avec des tendances externes (météo, prix des concurrents). Si aucun motif n’apparaît après deux semaines, abandonnez le projet.

4. Si des motifs émergent, calculez le coût d’un pilote sur 3 mois avec un prestataire spécialisé — ou avec vos propres outils internes.