La prévision de la demande par l'IA pour le réapprovisionnement en entrepôt. Il y a deux ans, je n'aurais pas accordé un second regard à cette phrase. Mon entrepôt fait 3,000 mètres carrés, six personnes, des rayonnages d'occasion. La prévision par l'IA ? Allons donc. C'est pour les grands acteurs.

Puis mai 2025 m'a appris le contraire. Un accessoire de quincaillerie que nous vendions régulièrement depuis des années est tombé en rupture de stock pendant trois semaines d'affilée, et deux clients sont partis. Le jour même, un produit saisonnier restait posé sur deux palettes entières, intact depuis six mois. Une rupture de stock et du stock mort, le même jour, dans le même entrepôt. C'est alors que j'ai compris : deviner de mémoire ne suffisait plus.

Comment un petit entrepôt réapprovisionnait avant : en regardant le rayon

Je vais être honnête sur notre ancienne méthode, aussi embarrassante soit-elle. Nous regardions le rayon. Rayon vide, on recommande. Rayon plein, non. Un client habituel appelait pour demander 200 unités, on commandait en urgence. Haute saison, on ajoutait un peu de mémoire. Basse saison, on réduisait un peu au feeling.

Cette méthode approximative a tenu tant bien que mal pendant trois ans. Pourquoi ? Peu de références, des clients connus, une rotation lente. Mais après 2025, elle a cassé : les références sont passées de 400 à plus de 900, les clients de 30 à 80. Personne ne peut garder ça en tête.

La rupture de stock de mai en est l'exemple parfait. Cet accessoire se vendait environ 600 unités par mois, et j'en stockais 500 par habitude. Puis un client a décroché une commande de projet et a pris 800 unités d'un coup. Le rayon était vide. Le réapprovisionnement a pris 12 jours de transport. Pendant ces 12 jours, j'ai regardé deux autres clients passer leurs commandes ailleurs. Pendant ce temps, ces deux palettes de stock mort, c'était quelque chose que j'avais surcommandé fin 2024 « au feeling », en pariant que ça se vendrait au printemps. Le printemps est arrivé, le client a changé de modèle, et le stock est resté bloqué.

Ce soir-là, j'ai fait les comptes. Les commandes perdues ont coûté environ 40,000 yuans de marge brute (chiffre illustratif tiré de mon propre livre de comptes). Le stock mort immobilisait plus de 60,000 yuans en trésorerie. Un mois de travail, effacé. C'est alors que j'ai décidé que la prévision avait besoin d'une vraie méthode.

Ce que fait vraiment la prévision par l'IA : baissez d'abord vos attentes

D'abord, un peu d'eau froide : la prévision par l'IA n'est pas une boule de cristal. Cherchez en ligne la prévision de la demande par l'IA pour le réapprovisionnement en entrepôt et la plupart de ce que vous trouverez est écrit pour des entreprises avec des équipes de données. Elle ne peut pas prédire que votre client va soudain décrocher une grosse commande de projet le mois prochain, ni qu'un modèle sera remplacé du jour au lendemain. Ce qu'elle peut faire, c'est fouiller dans vos données de sortie de la dernière année ou des deux dernières années et vous dire quels articles bougent régulièrement, lesquels varient fortement et lesquels sont en train de mourir discrètement.

Mon premier geste n'était même pas de l'IA. J'ai simplement exporté les relevés de sortie et tracé une simple courbe de ventes par article. Le résultat m'a surpris : plus de 30 articles déclinaient lentement, et je continuais à les stocker au niveau habituel. Une autre douzaine avait des pics de haute saison qui grandissaient d'année en année, et je les sous-stockais chaque année.

Le deuxième geste a vraiment touché à l'IA : un outil léger de prévision par abonnement mensuel, quelques centaines de yuans par mois, moins cher qu'embaucher quelqu'un. Je lui ai donné les données historiques de sortie, les jours fériés et les cycles de commande des clients, et il m'a donné une quantité de réapprovisionnement suggérée par article. Après trois mois, les résultats : ses suggestions correspondaient à mon instinct environ 70% du temps. Les autres 30%, il me battait, surtout sur les articles à rotation lente auxquels je prêtais rarement attention, m'avertissant deux semaines à l'avance que quelque chose allait manquer, alors que je ne m'en rendais compte qu'une fois le rayon vide.

Voici la partie contre-intuitive : pour un petit entrepôt, la plus grande valeur de la prévision par l'IA n'est pas la précision. C'est qu'elle vous oblige à nettoyer vos données. Une fois les données propres, les problèmes se montrent d'eux-mêmes. La plupart des petits entrepôts n'ont pas un problème de prévision. Ils ont un désordre de données.

La qualité des données d'abord : données pourries en entrée, données pourries en sortie

Je dois insister là-dessus, parce que j'ai moi-même marché sur ce râteau.

Avant 2024, nos relevés de sortie étaient des bons manuscrits. Certains avaient un nom de produit mais pas de spécification. Certains retours n'ont jamais été contre-passés dans les livres. Et un lot de marchandises était une consignation d'un client entreposée chez moi, pas du tout mon stock. Mettez tout ça dans un outil de prévision et chaque suggestion sort fausse : il me disait de stocker un modèle abandonné, et de réduire un nouvel article qui gagnait pourtant du terrain.

J'ai passé deux semaines entières à nettoyer les données : standardiser les noms et spécifications des produits, compléter les entrées manquantes, contre-passer les retours, marquer séparément le stock en consignation. Après ça, les prévisions avaient du sens. Ma conclusion : avec des données sales, la prévision par l'IA n'est que de la voyance coûteuse. Nettoyez d'abord les livres, puis parlez de prédiction.

Un petit entrepôt n'a pas besoin d'un grand système pour ça. Un tableur et une règle : tout scanner à la sortie, enregistrer chaque retour, écrire les noms et spécifications des produits toujours de la même façon. Tenez-vous-y pendant un mois et les données deviennent utilisables. C'est ce que nous avons fait. Grossier, mais ça marche.

Quand la prévision se trompe, quelqu'un doit assumer la décision

C'est la partie dont je veux le plus parler, et celle que la plupart des gens évitent.

Quand la prévision se trompe, qui est responsable ? Pas le fournisseur du logiciel, le contrat le dit noir sur blanc. Le patron ? Dans mon petit entrepôt, le patron, c'est moi. Qui blâmerais-je ? Il n'y a donc qu'une seule réponse : la prévision est une suggestion. La décision finale doit venir de quelqu'un qui comprend l'activité.

Ma routine est simple. Chaque vendredi après-midi, je passe une demi-heure à examiner les suggestions de prévision, triées en trois catégories :

Suggestion de prévision Ce que je fais
La quantité suggérée correspond à mon expérience Commander comme suggéré
La quantité suggérée est bien plus élevée que prévu Appeler le client : une grosse commande arrive-t-elle ? Puis décider
La quantité suggérée est bien plus faible que prévu Vérifier les données manquantes ou un changement de modèle

Après le tri, seule une douzaine d'articles a vraiment besoin de mon cerveau. Une demi-heure, et c'est fait. L'IA fait les calculs ; je prends la décision. Cette division du travail ne peut pas être inversée : laissez l'IA commander seule et une erreur devient une palette de stock mort. Fiez-vous entièrement à l'instinct et vous revoilà à deviner.

Il y a aussi un arbitrage à réfléchir : une bonne prévision fait économiser de l'argent sur le stock, mais une mauvaise vous coûte des ruptures de stock et du surstock. Mon expérience dit qu'il faut pécher par excès de prudence, garder environ 10% de stock de sécurité plutôt que risquer une rupture de stock pour économiser un peu de coût de possession. Pour un petit entrepôt, perdre un client coûte bien plus que détenir deux semaines de stock supplémentaires.

La méthode légère par laquelle un petit entrepôt peut se permettre la prévision de la demande par l'IA

Pour mes collègues propriétaires de petits entrepôts, voici un mode d'emploi à copier directement :

Première étape, n'achetez pas un grand système. Exportez vos données de sortie et tracez une courbe de ventes par article. Voyez ce qui décline et ce qui croît. Coût zéro, un tableur suffit.

Deuxième étape, nettoyez les données. Standardisez les noms, complétez les entrées manquantes, contre-passez les retours, marquez séparément le stock en consignation. Sautez cette étape et tout ce qui suit est un effort gaspillé.

Troisième étape, essayez un outil léger de prévision. Abonnement mensuel, une catégorie de produits, un essai de trois mois. Étendez à tout l'entrepôt seulement si ça marche. Ne le déployez pas partout dès le premier jour.

Quatrième étape, établissez une routine de décision. Un créneau hebdomadaire fixe pour examiner les suggestions, triées en trois catégories, avec un humain qui prend la décision finale. La prévision conseille ; vous êtes le commandant.

Après six mois, voici ce qui a changé de mon côté : les ruptures de stock sont passées de 3–4 fois par mois à moins d'une fois. Les articles immobilisés depuis plus de 90 jours sont passés de plus de 40 à moins de 10. Combien d'argent cela a-t-il fait économiser ? Je ne peux pas vous donner un chiffre précis, parce que mon portefeuille clients a changé aussi, mais une chose est solide : pour le même volume de ventes, ma trésorerie immobilisée en stock a baissé d'environ un cinquième (estimation illustrative : basée sur le stock mensuel moyen de mon entrepôt d'environ 500,000 yuans, environ 100,000 yuans libérés ; les chiffres sont un exemple de calcul hypothétique fourni à titre de référence uniquement).

La prévision de la demande par l'IA pour le réapprovisionnement en entrepôt est un outil d'efficacité pour les grands entrepôts. Pour un petit entrepôt comme le mien, c'est d'abord un miroir : elle montre à quel point vos données sont sales et à quel point le réapprovisionnement au feeling est risqué. Bien prévoir est une compétence. Qu'un humain assume la décision, avec un stock de sécurité en filet quand elle se trompe, c'est ce qui fait de l'IA quelque chose qu'un petit entrepôt peut vraiment se permettre.

Les petits entrepôts ont leur propre façon de survivre. L'IA y compris.

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