Une rupture de stock ne fait pas de bruit. Aucun tableau de bord ne l’affiche en rouge : il montre ce qui s’est vendu, jamais ce qui aurait dû se vendre. Pendant qu’un best-seller est indisponible, les ventes ne baissent pas brutalement : elles s’arrêtent sur une référence, se reportent parfois sur une autre, et le plus souvent partent chez un concurrent. Le mois se termine, le chiffre d’affaires paraît correct, et personne ne sait ce qui a été perdu.

C’est pour cela que nous commençons toujours par mesurer avant de prévoir. Une prévision de ventes n’a de valeur que si elle répond à une question précise : combien commander, pour quelle référence, et à quel moment, compte tenu du délai réel du fournisseur. Cet article explique comment on y arrive, étape par étape, et ce que cette démarche fait apparaître dans un catalogue réel.

Pourquoi la règle de réassort unique crée des ruptures

Dans la plupart des boutiques, le réassort repose sur une règle simple : recommander quand le stock passe sous un seuil, souvent le même pour tout le catalogue, ou calculé une fois pour toutes dans l’ERP. Cette règle a un défaut de construction : elle traite de la même façon un produit qui se vend tous les jours et un produit qui se vend une fois par mois.

Le résultat est presque toujours le même. Les produits qui partent vite franchissent le seuil trop tard, parce que leur demande pendant le délai fournisseur dépasse le stock restant. Les produits lents, eux, sont recommandés alors qu’il en reste pour des mois. On obtient en même temps des ruptures sur ce qui rapporte et du stock qui dort sur le reste.

Dans notre analyse de deux ans de ventes d’un e-commerçant santé-nutrition, c’est exactement ce que montraient les données : sept produits moteurs avaient cumulé 149 jours sans vente sur douze mois, soit environ 15 575 € de ventes manquées, pendant que 88 951 € de stock, 17 % du stock total, n’avaient connu aucune vente depuis plus de 90 jours. Le même catalogue, la même règle, deux problèmes opposés.

Étape 1 : repérer les ruptures que personne ne voit

Avant de prévoir quoi que ce soit, il faut savoir où l’on perd des ventes aujourd’hui. Le piège est de croire que l’historique des commandes suffit : un jour sans vente peut signifier « personne n’en voulait » ou « le produit n’était pas disponible ». Les deux se ressemblent dans les données, et un modèle qui ne fait pas la différence apprend que le produit se vend moins qu’en réalité.

Pour les distinguer, nous partons du comportement habituel de chaque référence. Un produit qui se vend presque tous les jours et qui reste plusieurs jours consécutifs sans une seule vente signale presque toujours une indisponibilité. Dans notre analyse, la règle était volontairement stricte : un produit vendu au moins 80 % des jours, à l’arrêt trois jours de suite ou plus.

On estime ensuite ce que ces arrêts ont coûté : le nombre de jours d’arrêt multiplié par le rythme de vente habituel du produit. Ce n’est pas un chiffre exact, c’est un ordre de grandeur. Mais il suffit pour décider où concentrer l’effort, et il change souvent la conversation : la rupture n’est plus une gêne logistique, c’est un montant.

Étape 2 : regrouper les références selon leur comportement

Une seule méthode de prévision pour tout le catalogue reproduit l’erreur de la règle unique. Nous regroupons donc les références selon la seule chose qui compte pour la prévision : la façon dont elles se vendent. Le volume, la régularité, la saisonnalité, la sensibilité aux promotions. L’algorithme ne connaît ni les catégories commerciales ni l’histoire de chaque produit ; il ne voit que les ventes.

Dans le catalogue analysé, trois familles apparaissaient nettement : 136 produits moteurs réalisaient 74,5 % du chiffre d’affaires, tandis que 636 produits à faible rotation, plus des deux tiers du catalogue, n’en réalisaient que 11,2 %. Ces familles n’appellent ni la même prévision ni la même politique de stock. Les produits moteurs demandent une prévision fine, jour par jour. Les produits à faible rotation demandent surtout de ne pas trop commander.

Étape 3 : prévoir la demande, référence par référence

Une fois les ruptures corrigées dans l’historique et les familles identifiées, on peut construire la prévision. Elle s’appuie sur ce qui fait réellement varier les ventes : la saisonnalité de chaque produit, la tendance de fond, les promotions passées et prévues, les jours de la semaine, les périodes de forte demande propres à votre activité.

Nous ne choisissons pas la méthode à l’avance. Plusieurs architectures sont mises en compétition, entraînées sur le même historique, et confrontées à des périodes qu’elles n’ont jamais vues. Elles sont aussi comparées à des références simples, comme reconduire les ventes de l’an dernier ou la moyenne des dernières semaines. Un modèle qui ne fait pas mieux que ces références n’a aucune raison d’être déployé. Le détail de cette démarche est décrit dans notre méthode, de vos données brutes à des prévisions fiables.

Les nouveaux produits posent un problème à part : ils n’ont pas d’historique. Pour eux, la prévision s’appuie sur les références existantes qui leur ressemblent le plus, puis se recale à mesure que les premières ventes arrivent.

Étape 4 : passer de la prévision à la commande

Une prévision seule ne remplit pas un entrepôt. Ce qui sert à l’acheteur, c’est un point de commande propre à chaque référence : la demande prévue pendant le délai réel du fournisseur, plus une marge de sécurité qui dépend de l’incertitude de la prévision. Une référence très régulière demande peu de marge. Une référence volatile, ou un fournisseur qui livre souvent en retard, en demande davantage.

C’est là que la prévision change concrètement les décisions. Le seuil n’est plus fixé une fois pour toutes : il bouge avec la saison, avec les promotions prévues, avec les délais constatés. Et il ne bouge pas de la même façon pour un best-seller et pour un produit qui se vend une fois par mois.

Étape 5 : mesurer, surveiller, réajuster

Une prévision qui n’est pas surveillée vieillit vite. Un fournisseur change ses délais, un produit est mis en avant sur les réseaux sociaux, une saison ne ressemble pas à la précédente. Nous mesurons donc l’erreur de prévision en continu, avec des indicateurs choisis pour votre catalogue, et nous comparons chaque semaine ce qui a été prévu à ce qui s’est réellement vendu.

Quand l’écart dépasse ce qui est attendu, le modèle est réajusté. Les prévisions sont recalculées chaque nuit à partir des dernières ventes, et les modèles sont recalibrés à chaque changement de saison. L’objectif n’est pas d’avoir raison une fois, mais de rester juste dans la durée.

Ce que la démarche fait apparaître

  • Un montant, là où il n’y avait qu’une impression. Les ventes manquées pendant les ruptures sont chiffrées, référence par référence.
  • Un catalogue lisible. On sait quels produits portent l’activité et lesquels immobilisent du capital.
  • Des commandes calibrées. Chaque référence a son propre point de commande, ajusté au délai réel de son fournisseur.
  • Des décisions explicables. Pour chaque recommandation, on sait dire quels facteurs ont pesé : la saison, une promotion, une tendance de fond.

Les signes que vous êtes concerné

  • Vos meilleures ventes sont parfois en rupture alors que l’entrepôt est plein.
  • Vous appliquez la même règle de réassort à tout le catalogue.
  • Vos seuils de commande n’ont pas changé depuis leur saisie dans l’ERP.
  • Vous découvrez une rupture quand un client vous la signale.
  • Vous ne savez pas chiffrer ce que vos ruptures vous ont coûté l’an dernier.
  • Les délais de vos fournisseurs varient, mais vos commandes n’en tiennent pas compte.

Les questions que vous vous posez probablement

De quelles données avez-vous besoin ?

L’historique des commandes, idéalement sur deux ans, le catalogue, l’état des stocks et, si possible, les délais de vos fournisseurs. Un accès en lecture seule ou de simples exports suffisent : rien n’est modifié dans vos systèmes.

Faut-il changer d’outil ?

Non. Les prévisions et les points de commande arrivent dans vos outils actuels, votre ERP ou votre back-office. Si vous n’avez pas d’outil adapté, nous mettons une interface à votre disposition.

Pourquoi ne pas le faire sur un tableur ?

Un tableur peut calculer une moyenne et un seuil. Il ne distingue pas un jour sans demande d’un jour de rupture, ne regroupe pas les références selon leur comportement et ne compare pas plusieurs méthodes sur des périodes qu’elles n’ont jamais vues.

Que deviennent nos données ?

Elles sont hébergées en Belgique, dans un environnement isolé propre à votre entreprise, et pseudonymisées. Un accord de traitement des données est signé avant toute analyse.

Et si l’analyse ne révèle rien ?

Alors nous vous le disons, et vous ne construisez rien. Nous ne promettons aucun gain avant d’avoir mesuré.

Et chez vous ?

Vos ruptures ont un coût, et il se mesure. Si vous voulez savoir ce que disent vos propres données, parlons-en.