Prévision et gestion de stocks basés sur les données de panier dans la supply chain omnicanal

Basket data-driven forecasting and inventory management for omnichannel supply chain

• Auteur / Autrice : Haytham Omar Abdelakher Mohamed
• Direction : Yves Ducq, Walid Klibi
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
• Date : Soutenance le 01/12/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire de l'intégration du matériau au système (Talence, Gironde)
• Jury : Président / Présidente : Yacine Rekik
• Jury : Examinateurs / Examinatrices : Bahman Rostami Tabar
• Jury : Rapporteurs / Rapporteuses : Yacine Rekik, Konstantinos Nikolopoulos

Mots clés

Mots clés contrôlés

Apprentissage automatique

Analyse des données

Gestion des stocks

Prévision des ventes

Logistique (gestion)

Théorie des graphes

Mots clés libres

Données de panier

Prévision

Expédition anticipée

Théorie des graphes

Agrégation

Omnicanal

Basket data

Forecasting

Antcipatory shipping

Graph theory

Aggregation

Omnichannel

Résumé

La vente au détail omnicanal est devenue la stratégie permettant d'obtenir un avantage concurrentiel pour la plupart des détaillants qui s'appuient sur un réseau de magasins physiques. La pandémie de COVID-19 a accéléré la tendance avec de nouvelles préférences des consommateurs et une refonte du secteur de la vente au détail axée sur les données et les nouvelles technologies. Dans un environnement omnicanal, le client dispose de plusieurs options pour inspecter, commander et recevoir la commande via une livraison ou un retrait des produits. Avec ce parcours client ultime, tout détaillant omnicanal est particulièrement confronté à des défis en termes de décisions d'inventaire et de réapprovisionnement, de planification des transports et de prévisions, qui sont décuplés lorsque les ventes se font principalement dans des paniers et pas seulement dans des articles individuels. La thèse s'appuie sur une approche basée sur les données de panier pour répondre à certains de ces défis en matière de prévision et de planification des stocks. Premièrement, nous proposons une nouvelle approche de prévision omnicanal utilisant les données de panier qui améliore la précision des prévisions et la performance des stocks. Deuxièmement, une stratégie d'expédition anticipée est conçue et testée, qui s'appuie sur la prédiction des données du panier, ce qui permet d'améliorer les délais de livraison aux clients et une réduction des coûts. Troisièmement, nous développons et comparons la performance de plusieurs approches de prévision hiérarchique prenant en compte les données de panier. Toutes ces contributions s'appuient méthodologiquement sur des techniques avancées de prévision et d'apprentissage automatique, la théorie des graphes et la simulation des stocks. De plus, ils impliquent des données provenant d'un grand détaillant européen de l'industrie cosmétique et fournissent ainsi des recommandations managériales pour la pratique.

Omni-channel retailing has become the strategy for a competitive edge for most of the retailers relying on a network of brick-and-mortar stores. The COVID-19 pandemic accelerated the trend with new consumer preferences along with a technology-driven and data-driven redesign of the retail industry. In an omnichannel environment, the customer has several options to inspect, to order, and to receive an ordered product via a delivery or a pick up of the product. With this ultimate customer journey, any omnichannel retailer is particularly challenged in terms of inventory and replenishment decisions, transportation planning, and forecasting, which increase tenfold when sales are mainly in baskets and not only individual items. Accordingly, the thesis builds on a basket data-driven approach to answer some of these challenges when it comes to forecasting and inventory planning. First, we propose a novel omnichannel forecasting approach using basket data that provides an improvement in forecasting accuracy and inventory performance. Second, an anticipatory shipping strategy is designed and tested that builds on basket data prediction, which provides an improvement in the delivery lead time to customers and reduce costs. Third, we develop and compare the performance of several hierarchical forecasting approaches considering basket data. All these contributions, build methodologically on advanced forecasting and machine learning techniques, graph theory, and inventory simulation. In addition, they involve data from a large European retailer in the cosmetics industry and thus provide valuable insights for practice.