Comment un détaillant de Casablanca a réduit ses coûts de 40%

Le défi : 6 millions MAD immobilisés dans un stock mal géré

Electroshop, une chaîne de 4 magasins d'électronique basée à Casablanca, faisait face à un problème récurrent : 6 millions MAD immobilisés dans un inventaire de 15 000 références mal optimisé. Avec des ruptures de stock fréquentes sur les produits populaires et un surplus de 30% sur les articles à rotation lente, l'entreprise perdait des ventes et de la trésorerie.

Le directeur général, Ahmed Bennani, nous explique : "Nos gestionnaires passaient 15 heures par semaine à analyser les ventes dans Excel, mais nous avions toujours des ruptures sur les smartphones Samsung pendant le Ramadan, et des ventilateurs qui trainaient 8 mois en stock."

La solution : Implementation d'un système de prédiction par IA

Phase 1 : Audit et collecte des données (Semaine 1-2)

Notre équipe a d'abord analysé 24 mois d'historique de ventes représentant 847 000 transactions. Nous avons identifié les sources de données disponibles :

• Données de vente (POS system existant)
• Données météorologiques (impact sur ventilateurs, chauffages)
• Calendrier des fêtes religieuses et civiles
• Données des fournisseurs (délais de livraison)
• Prix concurrents (web scraping de 5 sites majeurs)

Phase 2 : Développement du modèle prédictif (Semaine 3-6)

Nous avons développé un modèle hybride combinant :

• Random Forest pour les tendances saisonnières
• LSTM (Long Short-Term Memory) pour les séries temporelles
• Clustering K-means pour segmenter les 15 000 références en 8 catégories comportementales

Le modèle a été entraîné sur 18 mois de données et testé sur les 6 derniers mois, atteignant une précision de 87% sur les prédictions à 30 jours.

Phase 3 : Interface et automatisation (Semaine 7-8)

Développement d'un dashboard web connecté au système POS existant, avec :

• Prédictions de demande par produit sur 1, 7, 30 jours
• Alertes automatiques de réapprovisionnement
• Recommandations de prix dynamiques
• Analyse ABC automatisée des références

Mise en œuvre et formation des équipes

La formation des 8 gestionnaires de stock a nécessité 16 heures réparties sur 2 semaines. Le système a été déployé progressivement :

1. Semaine 1-2 : Mode observation (prédictions sans actions)
2. Semaine 3-4 : Tests sur 500 références pilotes
3. Semaine 5-8 : Déploiement complet sur l'ensemble du catalogue

Point crucial : nous avons maintenu une validation humaine sur tous les achats supérieurs à 50 000 MAD pendant les 3 premiers mois.

Résultats obtenus après 6 mois

Les chiffres parlent d'eux-mêmes :

• Réduction de 40% du stock moyen : de 6M MAD à 3,6M MAD
• Amélioration de 65% du taux de rotation : de 4,2 à 6,9 rotations/an
• Diminution de 78% des ruptures de stock sur les produits A
• Augmentation de 23% des ventes grâce à une meilleure disponibilité
• ROI de 340% sur l'investissement initial de 180 000 MAD

"Le système prédit maintenant qu'on va vendre 47 climatiseurs Midea 12000 BTU la semaine prochaine, contre 23 la semaine dernière. Il tient compte de la météo, des promotions concurrentes, et même du versement des salaires du secteur public le 28 du mois." - Fatima Alaoui, Responsable Achats

Technologies et coûts détaillés

Stack technique utilisé :

• Backend : Python, Django, PostgreSQL
• IA/ML : Scikit-learn, TensorFlow, Pandas
• Frontend : React.js, Chart.js
• Hosting : OVH Cloud Maroc (conformité données locales)

Investissement total : 180 000 MAD

• Développement et customisation : 120 000 MAD
• Formation et accompagnement : 35 000 MAD
• Infrastructure cloud (12 mois) : 25 000 MAD

Leçons apprises et recommandations

Les 3 facteurs clés de succès :

1. Qualité des données historiques : 24 mois minimum requis
2. Implication des équipes terrain : les gestionnaires connaissent les subtilités métier
3. Déploiement progressif : éviter le big bang, tester sur un périmètre restreint

Pièges à éviter :

• Ne pas sous-estimer l'impact des événements exceptionnels (COVID, grèves)
• Prévoir une validation humaine sur les gros montants
• Former TOUTE l'équipe, pas seulement les managers

Perspectives d'évolution

Electroshop prévoit maintenant d'étendre le système à :

• Optimisation des prix dynamiques basée sur la demande prédite
• Prédiction des retours produits pour anticiper les reconditionnements
• Integration avec les fournisseurs pour des commandes automatiques

Pour Ahmed Bennani : "Cette IA nous a fait gagner 2,4M MAD de trésorerie en 6 mois. Maintenant, nos gestionnaires se concentrent sur la relation client au lieu de compter les stocks."