Deux magasins de la même enseigne, distants de quarante kilomètres, même surface, même politique commerciale. L’un fait 38 % de sa marge sur le rayon jardin, l’autre 19 %. Personne au siège n’était capable d’expliquer l’écart autrement que par « les clients ne sont pas les mêmes ». C’est très exactement le genre de question par laquelle commence un audit IA d’une PME du secteur de la distribution : non pas pour vendre un outil, mais pour savoir si l’entreprise dispose déjà des données qui répondraient à la question.
Sept magasins, sept assortiments, aucun tableau commun
L’enseigne en question est un réseau régional de jardineries et d’animaleries, siège à Claye-Souilly, cent quatre-vingt-dix salariés. Sept points de vente, ouverts entre 1994 et 2019, avec un historique différent pour chacun. Trois ont conservé leur ancien logiciel de caisse. Deux gèrent leurs commandes fournisseurs directement, sans passer par la centrale. Un seul saisit ses ruptures de linéaire, et encore, quand le chef de rayon y pense.
Cette hétérogénéité est la règle dans les réseaux de moins de dix magasins, pas l’exception. Elle explique pourquoi tant de projets d’analyse échouent avant d’avoir commencé : on branche un outil sur des données qui ne parlent pas la même langue d’un site à l’autre, et l’outil produit consciencieusement des comparaisons fausses. Notre premier travail consiste souvent à établir ce que les sept magasins ont réellement en commun. Parfois, la réponse tient en trois champs.
Reprenons l’écart de marge du rayon jardin. Il ne venait ni de la clientèle ni du chef de rayon. Le magasin le moins performant avait hérité d’un contrat d’approvisionnement local signé douze ans plus tôt, jamais renégocié, sur une gamme que la centrale achetait 14 % moins cher. Six heures de travail sur les données pour trouver cela. Aucun modèle sophistiqué, juste des tableaux mis en face les uns des autres pour la première fois.
L’assortiment local, chantier plus rentable que la promotion
Un réseau de détail raisonne naturellement en assortiment national, décidé au siège, décliné partout. C’est plus simple à négocier et plus simple à piloter. C’est aussi ce qui produit des rayons entiers qui ne tournent pas dans deux magasins sur sept.
Le travail utile consiste à identifier, référence par référence et magasin par magasin, celles qui méritent d’être conservées, réduites en facing ou supprimées. Sur les quelque neuf mille références du réseau, l’analyse a montré qu’environ mille deux cents ne réalisaient aucune vente sur six mois dans au moins trois magasins. Libérer ce linéaire vaut mieux que n’importe quelle opération promotionnelle, et le calcul se refait chaque saison. Nos outils de prévision, dont Predict’IA, servent ensuite à ajuster les volumes de réassort par site plutôt que par moyenne réseau.
Une nuance, qui a son importance. Un assortiment trop finement local devient impossible à négocier avec les fournisseurs et coûte plus cher à l’achat que ce qu’il rapporte en rotation. Nous conseillons de traiter par exception : un socle commun large, et deux à trois cents références réellement ajustées au bassin de chalandise de chaque magasin.
Les transferts entre magasins, argent qui circule mal
Voilà un sujet dont personne ne parle en réunion de direction et qui pèse pourtant lourd. Un magasin est en rupture sur un article, un autre en a onze en réserve depuis quatre mois. Dans la plupart des réseaux que nous voyons, le transfert se décide par téléphone, entre deux responsables qui se connaissent bien, et ne se fait pas du tout entre ceux qui s’apprécient moins.
Automatiser la détection de ces situations est techniquement simple, à condition que les stocks soient fiables, ce qui est la vraie difficulté. Chez notre client, il a fallu six semaines d’inventaires tournants avant d’obtenir des niveaux exploitables. Une fois le dispositif en place, les propositions de transfert partent chaque lundi matin, la logistique interne les regroupe sur la tournée existante, et le coût marginal reste faible. Le sujet rejoint celui de l’optimisation de la chaîne logistique par l’intelligence artificielle, avec une différence de taille : ici, le camion roule déjà.
L’ordre de grandeur mérite d’être posé. Sur ce réseau, la valeur des articles immobilisés dans un magasin alors qu’ils manquaient ailleurs représentait un peu moins de 3 % du stock total. Rien de spectaculaire pris isolément, mais c’est de la trésorerie déjà payée, déjà stockée, et vendable en quinze jours. Le retour sur ce seul chantier a couvert l’ensemble de la mission en moins d’une saison, ce qui n’arrive pas si souvent.
Ce que regarde un audit, dans quel ordre
- La qualité du référentiel produit : un même article porte-t-il le même code partout, avec le même libellé et la même unité ?
- La fiabilité des stocks, mesurée par comptage sur un échantillon, pas déclarée par le système.
- La profondeur d’historique réellement disponible, souvent bien plus courte que ce que croit la direction.
- Le circuit de décision de réassort : qui commande quoi, avec quelle latitude, et selon quelle habitude non écrite.
- Le temps passé par les chefs de rayon sur des tâches administratives, chronométré sur une semaine type.
Comptez deux à trois semaines et un budget de l’ordre de six à douze mille euros pour un réseau de cette taille, avec une partie souvent finançable par les dispositifs d’aide à la transformation numérique. Le livrable tient en une vingtaine de pages et se termine par une liste ordonnée, pas par un catalogue de possibilités.
Ce qu’une démonstration ne vous montrera pas
Les éditeurs présentent leurs solutions sur des jeux de données propres, avec trois ans d’historique complet et un référentiel unifié. Votre réseau ne ressemble pas à cela, et le fossé entre la démonstration et la mise en service se compte en mois de nettoyage. Demandez systématiquement à voir l’outil tourner sur un extrait de vos propres fichiers avant de signer quoi que ce soit.
Deuxième réserve, sur l’adhésion des équipes. Un responsable de magasin qui reçoit chaque semaine des recommandations contredisant son intuition les ignorera au bout d’un mois, sauf si on lui explique d’où elles viennent et qu’on lui laisse le dernier mot. Nous consacrons systématiquement une demi-journée par site à cette question, et c’est rarement du temps perdu. La production des supports de communication interne et des argumentaires terrain peut d’ailleurs s’appuyer sur Publ’IA ou Brief’IA, ce qui évite que la note explicative arrive trois semaines après le déploiement.
Un audit IA en PME du secteur de la distribution ne débouche pas toujours sur un projet, et c’est très bien ainsi. Chez un réseau de trois magasins que nous avons examiné l’an dernier, la conclusion tenait en une phrase : commencez par remettre votre référentiel produit à plat, revenez nous voir dans un an. MINOBIA travaille de cette manière parce que l’inverse coûte cher au client et finit par se savoir.
Questions fréquentes
Combien de magasins faut-il pour que cela ait un sens ?
À partir de trois ou quatre, les écarts entre sites deviennent une source d’information exploitable. En dessous, un tableur bien tenu et un bon chef de rayon font aussi bien.
Nos caisses sont anciennes, est-ce bloquant ?
Pas nécessairement. Ce qui compte est de pouvoir extraire les tickets ligne à ligne, même sous forme de fichiers plats. Nous l’avons fait sur des systèmes installés il y a quinze ans.
Faut-il unifier tous les logiciels avant de commencer ?
Non. Une refonte complète du système d’information coûte cher et prend deux ans. On peut travailler sur des extractions harmonisées en attendant, et cela suffit pour les décisions d’assortiment.
Qui doit porter le sujet en interne ?
Idéalement la personne qui décide des achats, pas le service informatique. Un projet d’assortiment piloté par la technique produit des tableaux que personne n’utilise.
Que se passe-t-il si les recommandations se trompent ?
Elles se trompent, régulièrement, surtout la première saison. C’est pourquoi elles doivent rester des propositions soumises à un arbitrage humain, et pourquoi il faut mesurer leur pertinence avant d’élargir le périmètre.
Lancez l’audit IA de votre réseau de points de vente avec MINOBIA
À propos de l’auteur
Joël Obitz est entrepreneur et fondateur de MINOBIA, cabinet spécialisé dans l’intégration stratégique de l’intelligence artificielle au sein des PME et ETI. Fort de 20 ans d’expérience dans le B2B industriel, il accompagne les entreprises dans leur transformation numérique, avec une approche directe, pragmatique et orientée résultats.
Contactez-nous : contact@minobia.ai
Suivez-nous sur LinkedIn et Facebook
MINOBIA – Activateur France Num https://www.francenum.gouv.fr/activateurs/minobia
