Prévision de la demande par IA pour un petit entrepôt : commencez avec Excel et un modèle simple

Nous, les petits entrepôts, ne pouvons pas nous permettre ce genre de sommes. L'an dernier, un fournisseur est venu nous proposer un système de prévision de la demande par IA : des dizaines de milliers par an, plus trois mois de « nettoyage des données » avant même de pouvoir démarrer. J'ai ri. Notre entrepôt fait environ 3,000 mètres carrés, deux employés plus moi, le propriétaire, et toutes nos données vivent déjà dans Excel. Trois mois de nettoyage, et mes rayons auraient été en rupture deux fois.

Nous avons donc choisi la voie artisanale : pas de nouveau système, juste Excel et un modèle simple pour faire fonctionner la prévision de la demande par IA. Après six mois de pratique, les ruptures de stock ont diminué et le surstock a reculé. Voici exactement comment nous avons fait, pour que d'autres petits exploitants puissent nous copier.

Le problème du petit entrepôt : la prévision de la demande semble formidable, mais la version entreprise ne nous convient pas

Un peu de contexte. À l'été 2025, notre entrepôt comptait moins de 200 SKU, principalement des articles pour animaux et de petits articles ménagers, expédiant 4,000 à 6,000 commandes par mois. Petit, mais les problèmes étaient bien réels : les meilleures ventes tombaient en rupture sans prévenir, tandis que les articles à faible rotation prenaient la poussière sur les rayons.

Le pire cas fut juillet 2025. Un griffoir pour chat est devenu viral dans de courtes vidéos et a vendu un volume d'un mois en trois jours. Nous avons réapprovisionné au feeling, le réassort était encore en transit, et le rayon est resté vide pendant quatre jours. Les plaintes se sont accumulées et la note de la boutique a baissé. Cette semaine-là fait encore mal. Dans l'autre sens, nous avons un jour fait entrer 800 lits pour animaux qui ont mis six mois à écouler la moitié — loyer et trésorerie immobilisés pendant tout ce temps.

Voilà la réalité du petit entrepôt : la version entreprise de la prévision de la demande par IA parle de plateformes de données, d'équipes d'algorithmes et d'intégrations en direct. Nous n'avons rien de tout cela. Mais la prévision en elle-même n'a pas besoin d'équipement lourd.

Première étape : mettre votre historique des ventes dans un seul tableau lisible

Ne commencez pas par les algorithmes. La première étape de la prévision consiste à mettre les données sous une forme lisible par un humain. Notre méthode est d'une simplicité embarrassante, et elle fonctionne :

D'abord, extrayez les 12 derniers mois d'expéditions par SKU et par semaine — une ligne par SKU par semaine. Pas besoin de système sophistiqué ; un tableau croisé dynamique sur les enregistrements de commandes le fait en un après-midi.

Ensuite, signalez les semaines bizarres : semaines de promotion, semaines de rupture et semaines où les ventes étaient nulles parce qu'il n'y avait rien à vendre. Les ventes d'une semaine de rupture sont une fausse demande — ce n'est pas que personne n'achetait, mais qu'il n'y avait rien à acheter. Donnez cela à un modèle et il en tire la mauvaise leçon.

Troisièmement, ne modélisez que les 20% de SKU les plus importants. Dans notre entrepôt, 40 SKU sur 200 génèrent environ 80% des ventes. Pour la longue traîne, l'expérience plus un tampon de sécurité suffit amplement. Ne construisez pas de modèles pour des produits qui bougent à peine.

Voici la partie contre-intuitive : les petits entrepôts prévoient généralement mal non pas parce que le modèle est trop simple, mais parce que les données sont trop sales. Semaines de rupture, commandes ponctuelles en gros volume, annulations de retours — laissez-les dedans, et même un système coûteux produit des déchets. Le simple fait de signaler les semaines anormales a davantage amélioré nos prévisions que n'importe quelle formule.

Le modèle Excel qui fait tourner notre prévision de la demande par IA : moyenne mobile multipliée par un facteur saisonnier

Notre modèle est presque trop simple pour s'en vanter, mais il fonctionne, et chaque formule vit dans Excel :

Première étape, prenez une moyenne mobile sur 4 semaines : additionnez les ventes des quatre dernières semaines d'un SKU et divisez par quatre. Cela lisse le bruit d'une seule semaine.

Deuxième étape, multipliez par un facteur saisonnier : les ventes de l'année dernière la même semaine divisées par les ventes hebdomadaires moyennes de l'année dernière. Notre griffoir pour chat tourne autour de 1.4 en été et de 0.7 en hiver, donc la demande de base multipliée par le facteur donne la prévision de la semaine suivante.

Troisième étape, fixez le stock de sécurité : stock de sécurité = ventes quotidiennes moyennes × délai de réapprovisionnement en jours × 1.5. Nous sommes arrivés à 1.5 par tâtonnements ; augmentez-le si le délai de votre fournisseur est instable, diminuez-le s'il est régulier.

Enfin, réapprovisionnement suggéré = demande prévue + stock de sécurité − stock disponible − stock en transit. Une formule étirée sur toute la feuille, et chaque lundi matin la liste de réapprovisionnement de tout l'entrepôt est prête en une demi-heure.

Ces résultats sont notre propre expérience, pas des chiffres de laboratoire — mais pour un entrepôt de notre taille, ils suffisent.

La leçon du voisin : un modèle que personne ne revoit meurt vite

Un modèle seul ne suffit pas. Un ami qui gère un entrepôt d'articles ménagers voisin a copié notre feuille en septembre 2025 et l'a abandonnée en un mois. Je suis allé voir : le problème n'était pas le modèle, c'était la responsabilité. Il a construit la feuille, puis a confié les mises à jour hebdomadaires à un nouvel employé qui ne savait pas qu'il fallait signaler les semaines de rupture. Les semaines à ventes nulles sont entrées directement dans la moyenne, le modèle a dérivé de plus en plus, et tout le monde a cessé de lui faire confiance.

Notre solution est tout aussi peu technologique : chaque lundi matin, je passe moi-même 20 minutes sur la feuille, en ne vérifiant que trois groupes — les SKU dont la prévision a bondi de plus de 30% par rapport à la semaine précédente, les SKU sous le stock de sécurité, et les SKU dont la prévision a manqué le réel de plus de 40% deux semaines de suite. Vingt minutes suffisent. Un modèle est du code mort ; un examen humain hebdomadaire le maintient en vie.

Un compromis dont il faut être honnête : ce modèle simple gère bien la demande stable et les variations saisonnières, mais il ne peut pas prédire un pic viral. Quand une courte vidéo explose, aucun modèle ne le voit une semaine à l'avance. Notre réponse est un « budget de réaction rapide » : chaque mois, nous mettons de côté à peu près l'équivalent d'une semaine de ventes en trésorerie flexible, pour que, quand quelque chose commence à devenir tendance, nous puissions passer immédiatement une petite commande rapide au lieu d'attendre que le modèle rattrape son retard. L'argent reste inactif la plupart du temps et nous sauve quand cela compte.

Conseil pour les entrepôts comme le nôtre : faites d'abord tourner la prévision, passez à la vitesse supérieure ensuite

Le bon ordre pour un petit entrepôt est le suivant : mettez l'historique des ventes dans un tableau propre, faites tourner le modèle moyenne mobile plus saisonnalité, revoyez-le vous-même une fois par semaine, et jugez-le après trois mois. Après trois mois, si votre nombre de SKU a dépassé 500 ou si la volatilité a dépassé le modèle simple, alors allez parler aux fournisseurs — et vous y entrerez avec des données propres et une logique testée, ce qui rend la négociation bien plus solide.

La version entreprise n'est pas mauvaise ; elle ne convient simplement pas à notre stade. Les petits entrepôts ont leur propre façon de survivre : commencez par faire tourner les choses, passez à la vitesse supérieure quand les chiffres le disent, et dépensez l'argent là où cela fait vraiment mal.

Par Xiao Ma, Propriétaire d'un petit entrepôt Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.