.svg)
.svg)
Machine learning et Supply Chain : le cas Plum Living
Le machine learning en Supply Chain transforme les signaux de demande et fournisseurs en buffers continus, dimensionnés selon la probabilité de risque. Plum Living, marque DTC de design d'intérieur en forte croissance, a appliqué cette approche pour repenser sa gestion des stocks. Ce cas client montre comment l'équipe a réduit ses stocks de 38% tout en protégeant le service sur un catalogue volatil.
Le Machine Learning est de plus en plus utilisé dans la planification Supply Chain, mais les discussions restent souvent théoriques. Les entreprises entendent parler de prévisions par IA, de réapprovisionnement automatisé ou d'optimisation des stocks, sans toujours comprendre ce que ces technologies changent concrètement au quotidien.
L'expérience de Plum Living en est un exemple concret. À mesure que l'entreprise se développait, sa Supply Chain est devenue plus complexe : davantage de produits, plus de fournisseurs, et une variabilité croissante de la demande. Les processus de planification qui fonctionnaient jusque-là sur Excel ne suffisaient plus à gérer les stocks efficacement.
Ce cas client retrace comment Plum Living a intégré le Machine Learning dans son processus de planification, en passant d'une gestion manuelle des stocks à des décisions de prévision et de réapprovisionnement pilotées par la donnée. Cette transformation a amélioré la visibilité sur l'ensemble de la chaîne d'approvisionnement et permis de réduire significativement les niveaux de stock, tout en accompagnant la croissance de l'entreprise.
Plum Living : une marque d'ameublement digital-native en pleine croissance
Fondée à Paris en 2020, Plum Living est spécialisée dans les cuisines, armoires et salles de bains sur mesure, vendues en ligne avec un modèle centré sur le design et la personnalisation. L'entreprise a rapidement construit une forte présence de marque en Europe et conquis une large audience en ligne.
Au moment du projet, l'entreprise comptait :
- environ 45 collaborateurs
- approximativement 1 000 SKUs, combinant produits en stock (MTS) et sur commande (MTO)
- une dizaine de fournisseurs
- deux entrepôts gérant les flux de stocks
Comme beaucoup de marques digitales en forte croissance, Plum Living faisait face à un défi opérationnel classique : faire monter en puissance sa Supply Chain tout en maintenant efficacité et taux de service.
Avec l'augmentation de la demande et l'élargissement du catalogue produits, les limites de la planification manuelle sont devenues de plus en plus visibles.
Quand la croissance révèle les limites de la planification manuelle
Avant la mise en place d'un système de planification piloté par l'IA, Plum Living s'appuyait principalement sur des tableurs pour gérer ses stocks et ses réapprovisionnements.
Si Excel offrait une certaine flexibilité dans les premières phases de développement, il est devenu progressivement difficile de maintenir une planification fiable et précise à mesure que l'activité grandissait.
Plusieurs problèmes opérationnels sont apparus :
Niveau de stock élevé
Les stocks étaient mal répartis entre les catégories de produits, immobilisant du fonds de roulement et augmentant les coûts de stockage.
Aucune visibilité sur la demande future
L'équipe de planification manquait de prévisions fiables, rendant difficile l'anticipation des besoins de réapprovisionnement.
Processus de réapprovisionnement manuels
La planification des stocks reposait sur des calculs manuels et des mises à jour de tableurs, ce qui rendait la prise de décision lente et sujette aux erreurs.
Collaboration fournisseurs insuffisante
Les fournisseurs avaient peu de visibilité sur la demande à venir, ce qui compliquait la coordination et la planification de la production.
Absence de suivi systématique des ruptures de stock
Les ruptures n'étaient pas toujours suivies ni analysées, empêchant les planificateurs d'identifier les problèmes récurrents.
Ces défis sont typiques des entreprises dont la croissance dépasse la capacité de leurs processus de planification. La Supply Chain devient réactive, et les équipes passent l'essentiel de leur temps à corriger des problèmes plutôt qu'à les anticiper.
Intégrer le Machine Learning dans la planification Supply Chain
Pour répondre à ces enjeux, Plum Living a décidé de moderniser son processus de planification en adoptant une plateforme de planification Supply Chain pilotée par l'IA et le Machine Learning : Flowlity.
L'objectif n'était pas simplement d'améliorer la précision des prévisions, mais de favoriser de meilleures décisions de planification sur l'ensemble de la gestion des stocks et du réapprovisionnement.
Le système analyse les historiques de demande, les délais d'approvisionnement et les données opérationnelles pour générer des recommandations de planification et améliorer la visibilité sur toute la chaîne.
Une fois déployée, la plateforme a apporté plusieurs capacités clés :
- prévisions de la demande basées sur les historiques et la variabilité
- recommandations de réapprovisionnement automatisées
- optimisation des stocks en fonction des objectifs de taux de service
- meilleure coordination avec les fournisseurs grâce à des horizons de planification partagés
Cette approche a permis aux planificateurs de s'affranchir de la gestion manuelle sur tableur pour se concentrer sur le suivi des exceptions et l'ajustement des stratégies de planification.
Ces capacités s'inscrivent dans une tendance plus large d'automatisation de la Supply Chain, où les entreprises remplacent progressivement la planification manuelle par des outils conçus pour accompagner leur croissance. Pour approfondir le sujet, consultez notre guide sur les outils d'automatisation Supply Chain les plus adaptés pour accompagner la croissance et l'expansion retail.
Un déploiement rapide conçu pour un impact opérationnel
Le déploiement a été pensé pour apporter de la valeur rapidement. Le projet s'est déroulé en plusieurs phases :
Analyse de la Supply Chain
La première étape a consisté à cartographier les processus opérationnels de Plum Living et à identifier les principaux défis de planification.
Synchronisation des données
Les données opérationnelles des systèmes de Plum Living ont été intégrées dans la plateforme de planification, permettant aux modèles d'analyser les historiques.
Calibration et entraînement des modèles
Les modèles de Machine Learning ont été entraînés sur les données historiques de l'entreprise pour améliorer la précision des prévisions.
Tests opérationnels et mise en production
Les recommandations de planification ont été testées sur des cas d'utilisation réels avant d'être déployées dans les opérations quotidiennes.
Le déploiement complet a pris environ trois mois, couvrant deux entrepôts et quelque 630 SKUs.
Ce court temps de déploiement a permis à l'entreprise de passer rapidement d'une planification manuelle à une approche plus automatisée, fondée sur la donnée.
De meilleures prévisions pour de meilleures décisions sur les stocks
L'un des changements majeurs apportés par le nouveau système de planification a été la capacité à générer une vision à plus long terme de la demande et des besoins de réapprovisionnement.
La plateforme a produit un horizon de réapprovisionnement de neuf mois, partageable avec les fournisseurs pour améliorer la coordination.
Cet horizon de planification élargi a permis aux équipes d'anticiper plus tôt les contraintes d'approvisionnement et de réduire l'incertitude sur l'amont de la chaîne.
En parallèle, les recommandations de réapprovisionnement automatisées ont simplifié le travail quotidien des planificateurs. Au lieu de recalculer manuellement les besoins en stock, ils pouvaient examiner les actions suggérées et se concentrer sur les exceptions.
Le système a également permis d'améliorer la visibilité par catégorie de produits, facilitant le rééquilibrage des niveaux de stock et l'ajustement des politiques de stockage. Cela positionne Flowlity parmi les meilleurs outils de visibilité Supply Chain pour le secteur retail.
Résultats : des stocks en baisse et des processus de planification fluidifiés
L'impact de la transformation s'est fait sentir rapidement.
Après le déploiement, Plum Living a atteint une réduction de 21 % de ses niveaux de stock, libérant du fonds de roulement tout en maintenant les taux de service.
Les améliorations complémentaires incluent :
- des processus de réapprovisionnement automatisés et simplifiés
- une meilleure visibilité fournisseurs grâce au partage des prévisions
- une intégration fluide de la planification dans les opérations quotidiennes
- des gains de temps significatifs pour les équipes de planification
- un meilleur accompagnement des lancements de nouveaux produits grâce à des prévisions plus fiables
Les résultats à plus long terme montrent également une réduction globale de la valeur des stocks d'environ 38 %, ce qui a fait grimper le taux de rotation des stocks d'environ 60 %, à mesure que les stratégies de planification ont continué à s'améliorer.
Pour les équipes opérationnelles, la transformation a eu un impact direct sur le quotidien : « Quand Flowlity est arrivé, ça a véritablement changé mon quotidien » témoigne Axel Moulhiac, Responsable Logistique.
Ce que ce cas client révèle sur le Machine Learning en Supply Chain
L'expérience de Plum Living met en lumière plusieurs enseignements importants pour les entreprises qui envisagent le Machine Learning dans leur planification Supply Chain.
D'abord, le Machine Learning crée le plus de valeur lorsqu'il est connecté directement aux décisions opérationnelles. Améliorer les prévisions seules ne suffit pas ; les vrais bénéfices apparaissent quand les prévisions alimentent de meilleures stratégies de stock et de réapprovisionnement.
Ensuite, la rapidité de déploiement compte. Beaucoup d'entreprises hésitent à adopter de nouvelles technologies de planification parce qu'elles s'attendent à des mises en place longues et complexes. Ici, la transition d'une planification manuelle vers une planification assistée par l'IA a été réalisée en seulement quelques mois.
Enfin, l'adoption technologique doit accompagner les planificateurs, pas les remplacer. Le Machine Learning aide à traiter de grands volumes de données et à détecter des patterns, mais l'expertise humaine reste indispensable pour interpréter les résultats et ajuster les stratégies de planification.
Des transformations similaires peuvent être observées dans d'autres organisations qui modernisent leur Supply Chain. Par exemple, dans ce cas client sur la transformation digitale de Camif, vous pouvez voir comment un autre acteur du retail a tiré parti des outils digitaux pour améliorer sa planification et ses performances opérationnelles.
Téléchargez le cas client Plum Living
Cet article propose un aperçu détaillé de la transformation Supply Chain de Plum Living.
Pour un résumé visuel plus synthétique du projet, incluant les chiffres clés et les faits marquants, vous pouvez télécharger le cas client complet en remplissant le formulaire ci-dessous.
Optimisez votre Supply Chain
grâce à l'IA.
Demander une démo.avif)
.avif)
FAQ
Les réponses aux questions fréquentes
Quels défis de planification Plum Living rencontrait au fur et à mesure de sa croissance ?
Fondée à Paris en 2020, Plum Living est spécialisée dans les cuisines, dressings et salles de bains sur mesure vendus selon un modèle digital-first axé sur le design et la personnalisation. À mesure que l'entreprise s'est développée en Europe, sa Supply Chain est devenue plus complexe : plus de produits, plus de fournisseurs, plus de variabilité de demande. Au moment du projet Flowlity, Plum Living opérait avec environ 45 collaborateurs, environ 1 000 SKUs combinant make-to-stock et make-to-order, environ 10 fournisseurs et deux entrepôts gérant les flux de stock. L'équipe planning s'appuyait largement sur des tableurs, ce qui fonctionnait à petite échelle mais s'est progressivement essoufflé quand le catalogue et le panel fournisseurs se sont étoffés. Plusieurs problèmes opérationnels sont apparus simultanément : stock élevé immobilisant du BFR, mauvais équilibre de stock entre catégories produits avec surstock sur certaines lignes et ruptures sur d'autres, visibilité limitée sur la demande future, réapprovisionnement manuel rendant la prise de décision lente et propice aux erreurs, faible visibilité fournisseur, et ruptures non systématiquement suivies. Ce sont les signes typiques d'une marque en forte croissance dont les processus de planification n'ont pas suivi le business : la Supply Chain devient réactive, les planificateurs passant l'essentiel de leur temps à corriger les problèmes plutôt qu'à les anticiper. Plum Living avait besoin d'une approche de planification conçue pour la variabilité et la croissance, pas d'un tableur plus gros.
Pourquoi Plum Living a-t-elle abandonné Excel pour la planification de ses stocks ?
Excel avait été flexible au début de Plum Living mais a cessé de passer à l'échelle dès que le nombre de SKUs, la complexité fournisseur et la variabilité de demande ont monté ensemble. Les planificateurs passaient plus de temps à mettre à jour les formules et à réconcilier les fichiers de l'équipe qu'à analyser les exceptions. La visibilité fournisseur a stagné parce que personne n'avait la bande passante pour partager des prévisions glissantes, et les décisions de stock sont devenues réactives : les commandes partaient quand les ruptures apparaissaient plutôt qu'en anticipation de la demande. Le coût s'est payé en surstock sur les slow movers et ruptures sur les fast movers simultanément, ce qui est la pire position de stock possible pour une marque DTC bâtie sur l'expérience client. Le BFR a grimpé plus vite que le chiffre d'affaires parce que les stocks de sécurité étaient ajoutés défensivement sur l'ensemble du portefeuille, et la rotation des stocks s'est dégradée silencieusement jusqu'à ce que le cash devienne une vraie contrainte de croissance. Plum Living a reconnu la limite quand la charge de travail de l'équipe planning montait linéairement avec le nombre de SKUs, ce qui est l'inverse de ce qu'un modèle de marque digitale asset-light est censé permettre. Le basculement vers une plateforme Supply Chain pilotée par IA est ce qui a restauré le levier opérationnel.
En combien de temps Plum Living a-t-elle déployé Flowlity ?
Plum Living est passée en production en 3 mois sur deux entrepôts et 630 SKUs, puis a progressivement élargi le scope. Les phases du déploiement étaient typiques d'un rollout Flowlity DTC :
- quelques jours pour la définition du périmètre et le business mapping
- environ six semaines pour la synchronisation des données entre les systèmes Plum et Flowlity
- deux mois pour l'entraînement et la calibration du modèle sur l'historique de Plum
- une phase de trois mois de tests live et de monitoring des KPIs avant le déploiement complet.
Un Customer Success Manager dédié côté Flowlity et une petite équipe noyau côté Plum ont suffi pour porter le rollout, ce qui a maintenu une faible charge de coordination. La vitesse de création de valeur compte plus pour les marques DTC que la largeur fonctionnelle, et le cas Plum Living démontre que la planification IA est désormais une option réaliste même pour les business digitaux en forte croissance sans grandes équipes IT. Des rollouts par phases similaires ont été documentés en contexte industriel, notamment le projet multi-sites de Groupe Lemoine, où la même logique s'applique : commencer petit, prouver la valeur, puis passer à l'échelle.
Comment Plum Living a-t-elle réduit son stock de 21 % au go-live ?
Flowlity a remplacé le réapprovisionnement manuel de Plum par des buffers dimensionnés par IA qui intègrent la variabilité de demande et les délais fournisseurs au lieu de s'appuyer sur des règles de couverture forfaitaires. Le stock de sécurité en excès qui s'était accumulé durant l'ère Excel comme réflexe défensif a été libéré à mesure que le système dimensionnait correctement les politiques SKU par SKU, ce qui s'est traduit directement par une baisse de stock de 21 % au go-live.
Au fil du temps, la réduction de long terme a atteint 38 % (d'une base de 598 k€ à une cible de 367 k€) à mesure que les stratégies de planification se sont affinées. À demande constante, cela a augmenté la rotation des stocks d'environ 60 %, ce qui a libéré du BFR que Plum Living a réinvesti dans la croissance plutôt que dans le stockage. Les niveaux de service sont restés stables pendant la transition parce que les buffers IA, plus petits en agrégé, étaient positionnés plus intelligemment sur le catalogue : les petits movers ne portaient plus de surstock défensif tandis que les fast movers gagnaient la protection dont ils avaient réellement besoin. Le gain de 38 % à long terme s'est cumulé à mesure que plus de données affluaient et que les planificateurs affinaient les paramètres IA avec leur expertise métier.
Comment fonctionne l'horizon de réapprovisionnement de 9 mois pour les fournisseurs de Plum Living ?
Une fois Flowlity en production chez Plum Living, le système a produit un plan de réapprovisionnement glissant de 9 mois partagé en continu avec les ±10 fournisseurs de la marque, rafraîchi à mesure que de nouvelles commandes et prévisions arrivent. L'horizon 9 mois donne aux fournisseurs le temps de planifier matières premières, capacité et expéditions plutôt que de réagir aux bons de commande de dernière minute, ce qui réduit la variabilité des délais et le risque de rupture des deux côtés de la relation.
Pour une marque DTC d'ameublement où les délais de fabrication s'étalent sur plusieurs semaines et où les attentes client sont calibrées par l'e-commerce du lendemain, ce type de visibilité est ce qui débloque la croissance sans empiler du stock. L'horizon change aussi la conversation avec les fournisseurs, en passant d'une commande transactionnelle à une planification collaborative : les fournisseurs peuvent signaler des contraintes de capacité tôt, proposer des regroupements qui réduisent le coût unitaire, et aligner leur propre approvisionnement en matières premières sur l'évolution du catalogue Plum Living. La fenêtre 9 mois est suffisamment longue pour couvrir la plupart des cycles amont des fournisseurs dans l'industrie du meuble, ce qui en fait un dispositif opérationnellement utile plutôt qu'un simple exercice de prévision.
Comment Plum Living continue-t-elle d'améliorer ses performances stock au fil du temps ?
Chez Plum Living, la réduction de la valeur de stock ne s'est pas arrêtée à la réduction initiale de 21 %. À mesure que plus de données de demande et de délais transitaient par Flowlity, les planificateurs ont progressivement affiné les politiques de buffer, ce qui a porté la réduction de long terme à 38 % (598 k€ → 367 k€ cible). La rotation des stocks a progressé d'environ 60 % à demande constante, libérant du BFR que l'entreprise peut réinvestir dans la croissance. Le portail fournisseur a étendu l'horizon de réapprovisionnement 9 mois aux ±10 fournisseurs de Plum, ce qui a transformé la commande en planification collaborative et réduit la variabilité des délais des deux côtés.
