Machine Learning et Supply Chain : comment Plum Living réduit sa valeur de stocks de 38%

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 %, 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.

‍

‍