La plupart des décisions de stock, de réassort et de trésorerie reposent encore sur l’intuition ou sur des règles figées : un tableur qui regarde le mois précédent, des moyennes mobiles, des seuils de stock de sécurité fixés une fois pour toutes dans l’ERP. Ces règles ont le mérite d’exister. Mais elles lissent ce qui compte : une promotion, un lancement, une saison qui ne ressemble pas à la précédente, un fournisseur qui livre en retard. Et elles ne voient ni les produits qui manquent sans bruit, ni le stock qui dort, ni les clients qui s’éloignent sans prévenir.

Notre métier repose sur l’inverse de l’intuition : une démarche scientifique. Partir des données réelles de l’entreprise, formuler des hypothèses, les tester, et ne garder que ce qui est prouvé. C’est la méthode d’un data scientist, appliquée aux enjeux d’une PME e-commerce. Cet article explique comment nous travaillons, étape par étape, et ce que vous recevez à chacune d’elles.

Nos trois principes

Avant la méthode, trois engagements. Ils guident chaque mission, et vous les retrouverez à chaque étape.

Pas de logiciel imposé

Nous ne vous vendons pas un outil de plus à apprendre. Les prévisions s’intègrent dans vos outils existants : votre ERP, votre back-office, vos tableaux de bord. Si vous n’avez pas d’outil adapté, nous mettons une interface à votre disposition. Mais c’est la solution qui s’adapte à votre organisation, pas l’inverse.

Pas de promesse avant la mesure

Nous ne promettons aucun gain avant d’avoir regardé vos données. Chaque mission commence par un diagnostic qui chiffre ce qu’elles révèlent, puis se conclut par un avis tranché : ce qui vaut la peine d’être construit, et ce qui ne l’est pas. Si vos données ne permettent pas de faire mieux que vos méthodes actuelles, nous vous le disons.

Des décisions explicables

Une prévision que personne ne comprend ne sert à rien : personne n’ose s’en servir. Pour chaque recommandation, nous savons dire quels facteurs ont pesé (la saisonnalité, une promotion, une tendance de fond, le comportement des clients) et pourquoi le modèle propose ce chiffre plutôt qu’un autre. Vos équipes gardent la main sur la décision ; le modèle leur donne de meilleures raisons de la prendre.

Étape 1 : comprendre vos données

Tout commence par la collecte. Nous récupérons les données que vous avez déjà : l’historique des commandes et le catalogue de votre boutique, puis, selon vos enjeux, votre ERP, votre comptabilité ou vos outils marketing. Un accès en lecture seule ou de simples exports suffisent : rien n’est modifié dans vos systèmes. Les données personnelles de vos clients sont pseudonymisées dès leur arrivée, avant tout traitement.

Vient ensuite le travail le moins visible et le plus important : analyser, nettoyer et corriger. Des commandes en double, des références renommées, des retours mal enregistrés, des promotions qui faussent les volumes. Un modèle n’est jamais meilleur que les données qu’on lui donne ; cette étape conditionne tout le reste.

Puis nous écoutons ce que les données disent. Quel type d’information avons-nous ? Sur quelle profondeur d’historique ? Quelles saisonnalités apparaissent ? Comment se comportent vos produits, et comment se comportent vos clients ? Nous comparons l’évolution des ventes sur plusieurs horizons de temps, du jour à l’année, pour séparer ce qui relève du hasard, du cycle et de la tendance.

Une précision utile : pour des prévisions fiables, il faut idéalement deux ans d’historique, et au minimum un an et demi. C’est ce qui permet au modèle de voir au moins deux fois chaque saison.

Ce que vous recevez : un rapport d’analyse de vos données et la présentation des résultats en direct. Notre analyse réelle en donne un exemple concret. Le diagnostic se complète d’une proposition d’architecture, que nous ne publions pas : elle est propre à chaque entreprise.

Étape 2 : formuler les hypothèses

Une fois les données comprises, nous définissons ce qu’on peut en faire. Quelles applications sont possibles ? Lesquelles répondent à vos enjeux prioritaires ? Chaque piste est formulée comme une hypothèse vérifiable, rattachée à une question métier précise.

Les questions dépendent de votre maturité. Une entreprise qui calcule déjà ses besoins avec des méthodes statistiques n’a pas les mêmes angles morts qu’une entreprise qui réassort à l’habitude. Quelques exemples d’hypothèses que nous testons :

  • vos prévisions actuelles captent-elles l’effet des promotions et des lancements, ou les lissent-elles dans une moyenne ?
  • le stock de sécurité de chaque référence tient-il compte à la fois de la variabilité de sa demande et de celle du délai de son fournisseur ?
  • la demande d’un produit dépend-elle de celle d’autres produits : ventes associées, packs, produits qui se remplacent les uns les autres ?
  • vos dépenses publicitaires annoncent-elles les ventes avec un décalage mesurable, exploitable pour anticiper les achats ?
  • peut-on prévoir la demande d’un nouveau produit, sans historique, à partir des trajectoires de produits comparables ?
  • quels clients risquent de décrocher dans les deux prochains mois, et lesquels justifient une relance ?

Cette étape évite le piège classique des projets de données : construire un modèle impressionnant qui ne répond à aucune décision réelle. Chaque hypothèse retenue doit déboucher sur une action concrète pour vos équipes.

Ce que vous recevez : la feuille de route et l’architecture proposée, avec un avis clair sur la faisabilité et sur le retour attendu.

Étape 3 : trois architectures en compétition

Pour chaque problème, il n’existe pas de modèle universel. C’est pourquoi nous concevons trois architectures candidates et les mettons en compétition.

Parfois, ce sont trois approches différentes. Souvent, c’est la même logique déclinée avec des modèles différents : des algorithmes de gradient boosting comme LightGBM ou XGBoost, des modèles de séries temporelles comme Prophet, ou des combinaisons de plusieurs d’entre eux. Dans les architectures les plus abouties, les modèles travaillent en cascade : ce que l’un apprend (une saisonnalité, un profil de produit, un segment de clients) devient une information supplémentaire pour le suivant.

Cette diversité n’est pas un luxe. Un modèle très performant sur les produits réguliers peut échouer sur les produits saisonniers ou sur les nouveautés sans historique. En comparer plusieurs, c’est se donner les moyens de trouver ce qui fonctionne sur vos données, pas sur celles d’un autre.

Étape 4 : tester, interpréter, comparer

Chaque architecture est ensuite mise à l’épreuve. Le principe est simple et exigeant : le modèle apprend sur une partie de l’historique, puis prévoit une période qu’il n’a jamais vue. On compare alors ses prévisions à ce qui s’est réellement passé. Le test est répété sur plusieurs périodes, pour vérifier que les résultats tiennent dans la durée et à travers les saisons, et pas seulement sur un mois favorable.

Pour départager les candidats, nous mesurons leur erreur avec les indicateurs adaptés à chaque type de problème : on n’évalue pas de la même façon une prévision de quantités, une prévision de trésorerie et un score de risque de départ client. Nous confrontons aussi les modèles à des références simples tirées de l’historique : un modèle qui ne fait pas mieux que ce que vous faites déjà n’a aucune raison d’être déployé.

Puis vient l’interprétation. Un bon score ne suffit pas : nous vérifions que le modèle apprend les bonnes choses, pour les bonnes raisons. Itération après itération, nous ajustons les paramètres et l’architecture, jusqu’à retenir la combinaison qui donne la meilleure réponse à votre question.

Ce que vous recevez : le comparatif des architectures testées et l’architecture validée.

Étape 5 : construire la solution et la tester en conditions réelles

L’architecture gagnante est alors développée en version définitive, avec toute sa chaîne de traitement : collecte automatique de vos données, nettoyage, calibrage, ajustement des poids des modèles, calcul des prévisions et mise à disposition des résultats. Elle est calibrée sur vos contraintes réelles : délais fournisseurs, quantités minimales de commande, calendrier commercial.

Avant toute mise en service, la solution tourne pendant une semaine sur les données entrantes de votre boutique. Ses prévisions sont confrontées chaque jour à la réalité. C’est le moment de vérifier que les résultats sont ceux attendus, de recalibrer ce qui doit l’être et de valider ensemble les premiers arbitrages.

Ce que vous recevez : le bilan des prévisions de cette semaine de test.

Étape 6 : déployer, surveiller, ajuster

Une fois validée, la solution est mise en ligne sur nos serveurs sécurisés, hébergés dans l’Union européenne et conformes au RGPD, dans un environnement propre à votre entreprise. Vous y accédez de deux façons, selon votre organisation : par une interface dédiée, ou par une API documentée qui intègre les prévisions directement dans vos outils internes.

Le déploiement n’est pas la fin du travail. La solution est rattachée à un système de surveillance qui suit en continu la précision des modèles et détecte les dérives : un comportement d’achat qui change, un produit qui décroche, une saison qui ne ressemble pas aux précédentes. En cas d’anomalie, une alerte se déclenche et le modèle est réajusté sous 72 heures ouvrées. Les prévisions sont recalculées chaque nuit à partir de vos dernières ventes, et les modèles sont entièrement recalibrés à chaque changement de saison.

C’est le rôle de l’abonnement : vos modèles évoluent avec votre entreprise, au lieu de vieillir dès leur mise en service.

Ce que vous recevez : un accès opérationnel, des prévisions à jour chaque matin et une ligne directe pour toute question.

Ce que cette méthode change pour vous

  • Vous ne payez pas pour un pari. Le diagnostic chiffre le potentiel avant tout développement, et son prix est déduit si vous poursuivez.
  • Vous n’achetez pas une boîte noire. Chaque prévision s’explique, et vos équipes savent pourquoi elles l’utilisent.
  • Vous ne changez pas d’outils. Les prévisions arrivent là où vous travaillez déjà.
  • La solution ne vieillit pas. Elle est surveillée, réajustée et recalibrée en continu.
  • Vous avez un seul interlocuteur. Celui qui analyse vos données est celui qui construit et maintient vos modèles.

Les questions que vous vous posez probablement

Combien d’historique faut-il ?

Idéalement deux ans de ventes, au minimum un an et demi. En dessous, certaines analyses restent possibles, mais les prévisions saisonnières perdent en fiabilité. Le diagnostic vous dit précisément ce que vos données permettent.

Combien de temps prend une mission ?

Le diagnostic est rendu en trois jours après réception de vos données. Une fois la solution commandée, comptez quatre semaines au plus jusqu’aux premières prévisions, semaine de test comprise.

Et si aucune architecture ne fait mieux que nos méthodes actuelles ?

Alors nous ne déployons rien, et nous vous le disons. C’est tout le sens de la comparaison avec des références simples : un modèle doit prouver qu’il fait mieux avant d’être mis en service.

Nos équipes doivent-elles être techniques ?

Non. Elles reçoivent des prévisions et des recommandations lisibles, dans leurs outils habituels. Nous nous chargeons de toute la partie technique, de la collecte des données à la maintenance des modèles.

Que devient la solution si nous arrêtons ?

Les prévisions s’arrêtent avec l’abonnement, mais les rapports et résultats déjà livrés restent à vous. Vos données vous sont restituées sur demande, puis supprimées de nos serveurs.

Et chez vous ?

Chaque mission commence par la première étape : comprendre ce que disent vos données. Pour voir à quoi ressemble ce travail sur un cas réel, lisez notre analyse de deux ans de ventes d’un e-commerçant santé-nutrition.

Vous voulez savoir ce que disent vos propres données ? Parlons-en.