Chargement...

Talk

Défiler

Étude de cas précédente: Restos Plaisirs
Étude de cas suivante: iBreastExam

PRÉDIRE SES VENTES GRÂCE À L'INTELLIGENCE ARTIFICIELLE

SBI

SBI est une entreprise spécialisée dans la conception, la fabrication et la commercialisation d’appareils de chauffage à combustibles solides ainsi que leurs systèmes d’évent. En plus du Canada, des États-Unis et de l’Europe, ils sont offerts au Brésil, en Colombie, en Afrique du Sud, ainsi qu’en Australie.

Auparavant, SBI se fiait uniquement aux prévisions de son équipe de ventes pour estimer les ventes à venir à chaque année pour l’organisation. Évidemment, cette méthode comporte de nombreux biais puisque les prévisions sont souvent basées sur l’instinct des vendeurs ou sur des informations incomplètes, voire même inexactes. C’est pourquoi SBI souhaitait implanter un modèle d’IA lui permettant de diminuer l’importance accordée aux prédictions de l’équipe de vente, d’autant plus que suffisamment de données étaient disponibles pour que l’algorithme puisse gérer lui-même les prédictions.

Statistiques

Produits

Nombre de produits pour lesquels on effectue des prévisions de vente

240

Points de ventes

+1500

Défis

L’objectif visé par SBI était de ne plus avoir à se fier uniquement aux prédictions de son équipe de vente et ainsi pouvoir mieux prévoir l’inventaire nécessaire à produire. Le défi consistait donc à identifier les variables ayant un impact réel sur la vente d’appareils de chauffage (par exemple : taux de chômage, la mise en chantier de maisons, etc.) en plus de trouver la bonne combinaison de paramètres qui allait permettre d’entraîner un modèle d’IA aussi performant, sinon plus, que les prévisions émises par le département des ventes.

Solution

   

Vooban a développé un algorithme de prédiction des ventes basé sur des techniques de machine learning. Le modèle a été déployé sur la plateforme cloud Microsoft Azure et celui-ci s’exécute automatiquement à chaque semaine. Le modèle effectue simultanément deux types de prédictions, à savoir le nombre de commandes à venir ainsi que le nombre de transactions qui sera complété avec succès.

Chaque fois que le code s’exécute, l’algorithme récupère les données les plus récentes en lien avec les produits analysés auprès de diverses sources internes en utilisant une base de données. Le modèle de prévision des ventes est également entraîné sur une variété de données externes comme Statistiques Canada qui ont un impact important sur la vente de foyers (par exemple : la météo). De plus, le client a accès à un tableau de bord interactif qui lui permet de visualiser les prévisions de ventes émises par l’algorithme qu’il peut ensuite comparer avec les prévisions de son équipe de ventes.

Afin de s’assurer de la fiabilité du modèle d’IA, nous avons effectué une série de tests rétrospectifs. Cela consiste à d’abord entraîner le modèle sur des données provenant d’années précédentes, puis de le tester avec une autre année pour laquelle les données de ventes réelles sont disponibles. Ceci permet d’établir une comparaison entre les prédictions du modèle et les ventes réelles pour une grande sélection de produits tout en s’assurant que les prévisions émises par le modèle sont fiables.

L’implantation du modèle d’IA a fait toute la différence pour SBI. Auparavant, leur équipe pouvait prédire les ventes annuelles avec une précision d’environ 50%. Notre algorithme parvient désormais à atteindre 85% de précision. Cette augmentation s’observe également à court terme. Si les prédictions sont faites un mois à l’avance, le modèle affiche 93% de précision, alors que l’équipe des ventes avait un taux de 85%.