Prévision de la demande en distribution : de l'intuition du vendeur à l'IA

Dans la distribution, chaque journée commence par une série de paris. Combien ce client va-t-il commander cette semaine ? Faut-il charger dix ou vingt cartons de cette référence dans le camion ? L'entrepôt tiendra-t-il jusqu'à la prochaine réception fournisseur ? La prévision de la demande n'est pas un exercice théorique réservé aux grands groupes : chaque commercial, chaque chef de dépôt et chaque gérant la pratique déjà, tous les jours, avec les moyens du bord. La vraie question n'est donc pas de savoir s'il faut prévoir la demande, mais comment le faire mieux, en s'appuyant sur les données que l'activité génère déjà.

Comment on prévoit la demande aujourd'hui — et pourquoi ça coince

L'intuition du commercial

Dans la plupart des sociétés de distribution au Maroc, la prévision repose d'abord sur la mémoire des hommes. Le commercial connaît ses clients : il sait que telle épicerie prend deux cartons de biscuits à chaque passage, que tel libre-service commande gros en début de mois. Cette connaissance du terrain est précieuse, et aucun système ne la remplacera entièrement.

Mais elle a des limites structurelles. Elle est individuelle : quand le commercial change de secteur ou quitte l'entreprise, la connaissance part avec lui. Elle est partielle : un vendeur qui suit des dizaines de clients et des centaines de références ne peut pas tout retenir, et sa mémoire privilégie naturellement les gros clients et les produits phares. Elle est enfin sujette aux biais : on se souvient de la dernière grosse commande plus que de la tendance de fond.

La moyenne du mois dernier

L'autre méthode courante consiste à regarder les chiffres passés : ce que le client a commandé le mois dernier, ou la moyenne de ses dernières commandes, devient la référence pour la prochaine. C'est un progrès, car la méthode s'appuie sur des faits. Mais une moyenne écrase précisément ce qui fait la valeur de l'information : elle gomme la saisonnalité, ignore les tendances — un produit qui monte et un produit qui décline peuvent avoir la même moyenne — et ne dit rien du rythme de commande. Un client qui commande douze cartons une fois par mois et un client qui en prend trois chaque semaine ont des profils très différents, que la moyenne mensuelle rend identiques.

Résultat : des propositions de commande trop timides sur les produits en croissance, des surstocks sur les produits en déclin, et des ruptures sur les pics saisonniers que tout le monde avait pourtant « vus venir ».

Les signaux qui dorment dans vos données

La bonne nouvelle, c'est qu'une société de distribution qui enregistre ses commandes possède déjà la matière première d'une vraie prévision de la demande. Quatre familles de signaux sont particulièrement exploitables.

• L'historique d'achats par client. C'est le socle. Pas le chiffre d'affaires global, mais le détail : quel client achète quelles références, en quelles quantités, à quelles dates. C'est ce niveau de granularité — le couple client-produit — qui permet de passer d'une prévision globale, peu actionnable, à une suggestion précise pour chaque visite.
• La fréquence et le rythme de commande. Chaque client a une cadence naturelle : hebdomadaire, bimensuelle, irrégulière mais liée à sa propre activité. Détecter cette cadence permet d'anticiper le moment où le besoin va se présenter — et de repérer les anomalies, comme un client régulier qui cesse soudainement de commander une référence.
• La saisonnalité. Au Maroc, elle structure fortement la demande : le mois de ramadan bouleverse les catégories qui tournent et les horaires de consommation, l'été déplace les volumes vers les zones balnéaires et les boissons, la rentrée relance d'autres familles de produits. Ces motifs se répètent d'année en année dans l'historique, et un modèle peut les apprendre — à condition de disposer d'une profondeur de données suffisante.
• La tendance par produit. Au-delà des cycles, chaque référence a une trajectoire : lancement qui décolle, produit mature stable, référence en fin de vie. Croiser cette trajectoire globale avec le comportement de chaque client permet de distinguer un client en retard sur une tendance — donc une opportunité — d'un client qui suit simplement le marché.

Du signal à la suggestion : ce que fait concrètement un modèle

Un modèle de prévision de la demande ne fait rien de magique : il fait systématiquement, sur tous les clients et toutes les références à la fois, ce qu'un bon commercial fait intuitivement sur ses meilleurs clients. Il analyse l'historique d'achats de chaque point de vente, y détecte les cadences, les saisonnalités et les tendances, puis en déduit une estimation de ce que ce client est susceptible de commander lors du prochain passage.

Le résultat prend une forme très concrète : une suggestion de commande par client, référence par référence, avec des quantités proposées. Ce n'est pas un rapport à interpréter, c'est un brouillon de commande prêt à être discuté. Le commercial le parcourt, le confronte à ce qu'il voit en rayon et à ce que lui dit le gérant, ajuste les quantités, ajoute ou retire des lignes — puis valide. La machine propose, l'humain dispose. C'est exactement l'approche retenue par les outils d'IA pour la distribution : non pas remplacer le jugement du terrain, mais lui donner un point de départ solide, calculé sur des faits plutôt que sur la mémoire.

Trois usages concrets sur le terrain

Préparer la visite en prévente

En prévente, le commercial qui arrive chez un client avec une suggestion déjà calculée change la nature de l'entretien. Au lieu de reconstruire la commande de mémoire, il part d'une proposition cohérente avec l'historique du client et la saison. La visite est plus rapide, la commande plus complète — notamment sur les références secondaires que l'on oublie facilement — et le temps gagné se réinvestit dans le rayon, la relation, la vente additionnelle.

Charger le camion en van sales

En vente directe (van sales), la prévision se joue avant même la première visite : au chargement du camion. Le stock embarqué est limité, et chaque carton chargé inutilement prend la place d'un produit qui se serait vendu. En agrégeant les prévisions des clients de la tournée du jour, on obtient un plan de chargement calibré : suffisamment de chaque référence pour couvrir la demande attendue, sans immobiliser le véhicule sous des produits qui reviendront le soir au dépôt.

Anticiper le réassort en entrepôt

Enfin, la somme des demandes prévues par client éclaire l'amont : l'entrepôt. Si le modèle anticipe une montée en charge sur une famille de produits — approche d'une période de forte demande, tendance haussière sur un secteur — le responsable de dépôt peut ajuster ses commandes fournisseurs avant que la tension n'apparaisse, plutôt que de la subir. La gestion de stock en entrepôt cesse d'être pilotée uniquement par les seuils d'alerte, qui constatent le problème, pour intégrer une logique d'anticipation, qui le prévient.

Ce que la prévision ne sait pas faire — et pourquoi ce n'est pas grave

Il faut le dire honnêtement : aucune prévision de la demande n'est infaillible, et se méfier des promesses de précision absolue est une saine habitude. Les limites sont connues.

• Les nouveaux produits. Sans historique, pas de modèle : le lancement d'une référence repose sur des analogies avec des produits comparables et sur le jugement commercial. La prévision s'améliore ensuite, à mesure que les premières commandes s'accumulent.
• Les événements imprévus. Une route coupée, un concurrent qui casse les prix, un client qui change de propriétaire : autant de facteurs qu'aucun historique ne contient. Le modèle prolonge des régularités passées ; il ne prédit pas les ruptures de contexte.
• Les signaux extérieurs aux données. Le gérant qui annonce des travaux, le rayon réaménagé, la promotion négociée la veille : cette information vit sur le terrain, pas dans la base de données.

C'est précisément pour cela que la suggestion doit rester une suggestion. Le bon dispositif n'oppose pas la machine à l'humain : il confie au modèle ce qu'il fait mieux — brasser des années d'historique sur des milliers de couples client-produit — et au commercial ce que lui seul sait faire — voir le rayon, écouter le client, sentir le contexte. La suggestion aide, l'humain décide.

Conclusion : structurer l'existant avant de prédire l'avenir

Passer de l'intuition à la prévision de la demande assistée par l'IA n'exige pas de projet pharaonique. La condition première est d'avoir des données propres et centralisées : des commandes enregistrées client par client, référence par référence, dans un système unique plutôt que dispersées entre carnets et fichiers. Une fois ce socle en place, chaque commande enregistrée enrichit l'historique, et chaque historique affine la suggestion suivante. Pour découvrir comment la prévision par client s'intègre à la prise de commande, aux tournées et à l'entrepôt, explorez notre page dédiée à l'IA pour la distribution.