VMI: Une Supply Chain boostée grâce aux données météo

Pouvez-vous présenter Weathernews France et ses activités ?

La société japonaise Weathernews est née en 1986 des suites d’une catastrophe maritime : le naufrage d’un cargo au port d’Onahama, à Fukushima. Le navire marchand ayant sombré par manque d’informations météo, il était opportun de pouvoir aider la marine marchande à éviter un nouvel incident, mais aussi rechercher des économies de carburant liées aux conditions climatiques ou encore calculer les horaires d’arrivées dans les ports…

Notre activité est aujourd’hui principalement dédiée au routage maritime, terrestre et aérien. Il y a 2 ans, Weathernews a racheté Climpact-Metnext pour se développer en Europe : la société devient alors Weathernews France.

Pourquoi intégrer des données météo dans un VMI ?

Dans la grande distribution, la vente de produits dits saisonniers ou météo-sensibles est très fortement liée aux conditions climatiques. C’est le cas des glaces, plutôt vendues en été, et des soupes, plus largement consommées en hiver. Pour aider les industriels et distributeurs à anticiper la demande le plus tôt possible, Weathernews s’est intéressé à la relation de dépendance entre les données météo et les ventes des retailers afin de la modéliser mathématiquement.

Cette modélisation permet d’obtenir des indicateurs passés et futurs visant à aider les acteurs de la Supply Chain dans leur gestion de la production et des approvisionnements. Objectifs ? Éviter les ruptures en magasin, diminuer les stocks et réduire les coûts logistiques. Les services marketing peuvent également exploiter ces données pour ajuster leurs opérations promotionnelles. Sur le plan opérationnel, le défi principal est de réussir à restituer une masse d’informations spécialisées sous un format simple, directement exploitable par les enseignes et les fournisseurs.

Quelles sont les spécificités du traitement de ces données météo ?

Les prévisions sont le plus généralement mises à disposition à l’échelle nationale. Mais l’influence de la météo n’est pas exactement la même en Bretagne et en Alsace ! Pour fiabiliser les prévisions en tenant compte des spécificités régionales, il faut donc pondérer les données en y intégrant des historiques de vente collectés les années précédentes.

D’autres paramètres ayant une influence sur la consommation, comme les périodes de vacances, les spécificités calendaires et certains effets promotionnels sont également intégrés dans notre outil de prévisions.

Quelles sont les principales contraintes de cette modélisation ?

La question primordiale dans ce domaine concerne le niveau de granularité des données par rapport au produit. Avons-nous besoin d’un indicateur global ou d’une approche par type de produit ? Par marque ? Par format ? Une même problématique peut conduire au choix d’un seul ou d’une multitude d’indicateurs.

Dans tous les cas, la modélisation doit être à la fois précise et robuste : plus on fragmente et moins on dispose de données en référence. Il faut donc trouver le bon niveau d’analyse. C’est pourquoi nous devons d’abord établir le niveau de données le plus agrégé avant de l’envoyer à Generix Group, qui l’intègre ensuite dans son VMI au format adapté, avec la bonne granularité.

Parlez-nous de votre collaboration avec Generix Group

Weathernews France s’est associé à Generix Group pour intégrer la problématique météo dans son offre VMI en partenariat avec un grand industriel spécialisé dans la production de boissons et un distributeur renommé. Après une première réunion de kick-off, nos équipes se sont rencontrées tous les 15 jours pour faire le point sur la mise en place du projet.

À partir des indicateurs météo passés et présents transmis à Generix Group pour intégration dans le VMI, nous avons pu analyser les données de l’industriel en vue d’améliorer ses modèles de prévisions et calculer la maille souhaitée selon ses différentes activités (boissons et épicerie). Nous avons fait des tests sur 2 entrepôts du distributeur pour étudier les gains obtenus, notamment avec l’intégration des historiques.

Sur les premiers retours d’expérience, nous avons constaté que le modèle fonctionnait bien sur les boissons, mais n’était pas satisfaisant sur l’épicerie : nous avons donc dû affiner la modélisation. Finalement, l’expérimentation a montré une amélioration des performances sur chacun des entrepôts avec des gains beaucoup plus importants en cas d’intégration des données passées.