Marketplace Explorez plus de 6 000 automatisations IA pour développer votre activité.

Prévision de la demande de bout en bout pour le retail mondial

Distribution – Prévision supply chain & R&D

Prévision de la demande multi-échelle et optimisation des stocks par deep learning — réduction des ruptures/surstocks, supply chain agile.

-40%

Réduction des ruptures

+25%

Précision des prévisions

-30%

Réduction des surstocks

98%

Automatisation du pipeline

Impact supply chain

Prévision avancée et optimisation pour la supply chain retail

Détails du projet

Client

Decathlon

Secteur

Distribution – Prévision supply chain & R&D

Année

2024–2025

Technologies clés

TensorFlowPySparkDatabricksAirflow

Mission

Lead Senior Data Scientist – Prévision supply chain & R&D

Prévision & optimisation supply chain

Mission longue durée / Paris, France

Développement de modèles prédictifs incluant des réseaux RNN et LSTM pour capturer les dynamiques temporelles complexes de la demande. Optimisation des stocks et du réapprovisionnement pour réduire les ruptures et les surstocks. Industrialisation : automatisation des pipelines, intégration continue et monitoring des modèles.

Contexte et environnement

Decathlon, leader de la distribution et du e-commerce, faisait face à des défis majeurs en matière de prévision supply chain et d'optimisation des stocks. La complexité des chaînes d'approvisionnement multi-entrepôts et multicanaux, combinée aux comportements dynamiques des consommateurs et à une forte saisonnalité, nécessitait des modèles prédictifs avancés.

Équipe

1 Chef de projet / 4 Data Scientists / 2 Data Analysts / 1 ML Engineer

Environnement

Databricks sur AWS S3 avec orchestration Airflow

Objectifs clés

1Réseaux RNN et LSTM pour la capture de dynamiques temporelles complexes avec prévision multi-échelle

2Prévision probabiliste avec distributions, quantiles et intervalles de confiance

3-40 % de ruptures et -30 % de surstocks grâce à l'optimisation

4+25 % d'amélioration de la précision des prévisions (92,5 % de précision, MAPE 7,8 %)

5Automatisation complète du pipeline avec architecture d'apprentissage incrémental

Technologies et infrastructure

PythonPySparkscikit-learnTensorFlowFastAPIStreamlitPoetryDatabricksAWS S3AirflowDelta LakeGitHub ActionsDockerMLflowTableau

Prêt à obtenir des résultats similaires ?

Discutons de comment nous pouvons générer un impact mesurable pour votre organisation.

Autres études de cas

Découvrez comment nous générons des résultats dans tous les secteurs

MLOps GenAI & LLM en production à grande échelle

Retail/MLOps

Industrialisation de modèles ML & GenAI du POC à la production sur GCP avec Kubernetes, observabilité (Datadog), sécurité (Vault) et automatisation CI/CD pour de multiples produits propulsés par LLM.

Packitoo

Optimisation des prix et des revenus par l'IA

Manufacturing/Pricing

Scoring de propension et simulateur tarifaire what-if utilisant XGBoost avec explicabilité SHAP/LIME, permettant aux équipes commerciales d'optimiser les marges avec des corridors de prix actionnables.

Révolutionner l'engagement collaborateur grâce à l'IA explicable

HR Analytics

ML avancé (XGBoost, LightGBM, SHAP, LIME) sur 25 ans de données RH : insights actionnables, rétention ciblée, tableaux de bord clairs, recommandations transparentes.