Le défi de la gestion des stocks
Un distributeur pharmaceutique régional basé à Genève approvisionnait plus de 200 pharmacies et cabinets médicaux en Suisse romande. La gestion des stocks représentait un équilibre délicat entre éviter les ruptures qui bloquent les pharmacies et minimiser les surstocks coûteux de produits avec dates de péremption courtes. Le système traditionnel basé sur des seuils de réapprovisionnement fixes et l'expérience des responsables logistiques montrait ses limites face à la variabilité croissante de la demande.
Les ruptures de stock survenaient régulièrement, environ 15 fois par mois, obligeant à des livraisons express coûteuses ou à décevoir des clients. À l'inverse, certains produits arrivaient en fin de validité avant d'être vendus, générant des pertes de plusieurs milliers de francs mensuellement. Les pics saisonniers (grippe hivernale, allergies printanières) étaient mal anticipés. La direction cherchait une approche plus scientifique basée sur l'analyse de données historiques et la prédiction intelligente.
La solution d'intelligence prédictive
Nous avons développé un système complet d'analyse prédictive combinant Azure Machine Learning, Power BI et Power Automate. L'architecture exploite cinq années d'historique de ventes pour construire des modèles prédictifs sophistiqués.
La première étape a consisté à consolider toutes les données pertinentes dans Azure SQL Database. Nous avons intégré l'historique complet des commandes clients avec leurs dates, produits, quantités, et clients. Ces données ont été enrichies avec des informations contextuelles : jours fériés suisses, périodes de vacances scolaires, événements sanitaires (épidémies de grippe déclarées par l'OFSP), conditions météorologiques (températures, ensoleillement), et tendances Google pour certains symptômes. Cette richesse de contexte permet au modèle de comprendre les facteurs influençant la demande.
Nous avons construit plusieurs modèles Azure Machine Learning selon les catégories de produits. Pour les produits à forte saisonnalité comme les antihistaminiques ou les vaccins antigrippaux, nous utilisons des modèles de séries temporelles (ARIMA et Prophet) qui capturent les patterns cycliques. Pour les produits plus stables, des modèles de régression plus simples suffisent. Pour les nouveaux produits sans historique, un modèle de clustering identifie les produits similaires pour transférer leurs patterns de demande.
Chaque modèle génère des prédictions sur plusieurs horizons temporels : demande attendue pour la semaine prochaine, le mois prochain, et le trimestre à venir, avec des intervalles de confiance. Ces prédictions sont mises à jour quotidiennement avec les dernières données de ventes, permettant d'ajuster rapidement si la réalité diverge des attentes.
Un algorithme d'optimisation développé en Python calcule ensuite les quantités optimales à commander pour chaque produit. Cet algorithme prend en compte de nombreuses contraintes : durée de vie restante des stocks existants, délais de livraison fournisseurs, quantités minimales de commande, capacité de stockage disponible, et coûts de détention. L'objectif est de minimiser le coût total (stockage + risque de péremption + risque de rupture) tout en maintenant un taux de service supérieur à 98%.
Les recommandations de commande sont présentées chaque matin au responsable logistique via un tableau de bord Power BI interactif. Le dashboard affiche pour chaque produit la quantité suggérée, la justification (pic saisonnier attendu, consommation accélérée détectée, etc.), le stock actuel, et le délai avant rupture si aucune action n'est prise. Le responsable peut accepter les recommandations en masse ou ajuster individuellement selon son expertise.
Un flux Power Automate génère automatiquement les bons de commande fournisseurs et les envoie par email sécurisé. Un second flux surveille les niveaux de stock en temps réel et alerte immédiatement si un produit critique passe sous son seuil de sécurité malgré les prédictions, permettant une intervention rapide.
Les résultats mesurés
Après quinze mois d'utilisation, le système a transformé la gestion des stocks. Le taux de rupture a chuté de 70%, passant de 15 incidents mensuels à 4,5 en moyenne. Les ruptures restantes concernent principalement des situations exceptionnelles imprévisibles (rappel produit, pénurie fournisseur). Le taux de service client atteint désormais 98,7%, contre 94% auparavant.
Les pertes par péremption ont diminué de 65%, représentant une économie annuelle de 45'000 CHF. Le système identifie avec précision quels produits risquent de ne pas se vendre assez vite, permettant des actions proactives comme des promotions ciblées auprès des pharmacies concernées.
Le niveau moyen de stock a baissé de 18% sans compromettre la disponibilité, libérant environ 120'000 CHF de trésorerie et réduisant les coûts de détention (entreposage, assurance, obsolescence). Le taux de rotation des stocks s'est amélioré de 25%.
La charge de travail du responsable logistique a diminué de 40%. Au lieu de passer des heures à analyser manuellement les niveaux de stock et calculer les commandes, il se concentre désormais sur les cas particuliers, la négociation avec les fournisseurs, et l'optimisation des processus. La qualité des décisions s'est améliorée car elles reposent sur des analyses objectives plutôt que sur l'intuition.
Les prédictions saisonnières se sont révélées particulièrement précises. Lors de l'épidémie de grippe hivernale, le système avait anticipé trois semaines à l'avance le pic de demande pour les antipyrétiques et antiviraux, permettant de constituer les stocks nécessaires. Aucune rupture n'est survenue pendant cette période critique, alors que l'année précédente le distributeur avait manqué de plusieurs produits clés.
Apprentissage continu et amélioration
Les modèles sont réentraînés automatiquement chaque mois avec les données les plus récentes, permettant d'intégrer les nouvelles tendances et d'améliorer continuellement la précision. Nous mesurons systématiquement l'écart entre prédictions et réalité, et ajustons les paramètres des modèles en conséquence.
Après six mois, nous avons introduit un modèle de détection d'anomalies qui identifie les changements soudains de comportement de demande, signalant par exemple qu'une pharmacie commande subitement beaucoup plus d'un produit spécifique (possiblement une nouvelle prescription d'un médecin local). Ces signaux permettent d'anticiper des tendances émergentes.
Un système de feedback permet au responsable logistique de signaler quand une prédiction était manifestement incorrecte et pourquoi. Ces cas sont analysés pour identifier les angles morts des modèles et les améliorer.
Architecture technique et données
L'architecture Azure complète inclut Azure SQL Database pour le stockage des données historiques et prédictions, Azure Machine Learning pour l'entraînement et le déploiement des modèles prédictifs, Azure Functions pour l'exécution quotidienne des pipelines de prédiction et d'optimisation, et Power BI Premium pour les dashboards avec actualisation automatique.
Les modèles sont déployés comme endpoints REST sécurisés dans Azure Machine Learning, permettant des appels depuis Power Automate ou d'autres systèmes. L'ensemble du pipeline est orchestré avec Azure Data Factory, garantissant l'exécution séquentielle des étapes (extraction données, préparation, prédiction, optimisation, publication résultats).
La sécurité est assurée par Azure AD pour l'authentification, des managed identities pour les connexions entre services, et le chiffrement des données sensibles. Toutes les opérations sont loguées dans Azure Monitor pour audit et dépannage.
Le coût mensuel Azure (compute ML, stockage, fonctions, transferts) représente environ 800 CHF. Les économies en réduction de péremptions et optimisation des stocks dépassent largement ce coût, avec un ROI estimé à 600% annuellement.
Évolutions futures
Le distributeur envisage d'étendre le système à la prédiction de la demande au niveau individuel des pharmacies, permettant des recommandations personnalisées. Une intégration avec les systèmes fournisseurs pourrait automatiser complètement le cycle de commande. Enfin, l'ajout de données externes supplémentaires (prévisions épidémiologiques officielles, tendances de prescription) pourrait encore améliorer la précision.
Conclusion
Ce système démontre comment l'intelligence artificielle appliquée à la prédiction peut transformer une fonction opérationnelle critique. En exploitant les données historiques avec des techniques de machine learning sophistiquées, nous avons créé un avantage compétitif mesurable. Le distributeur sert mieux ses clients tout en optimisant ses coûts, une combinaison rare dans un secteur à faibles marges.