10h11 a participé le 18 Décembre au Hackathon Lyreco Frictionless Supplies et a été élu coup de coeur. Nous avons alors souhaité vous exposer la solution que nous avons développée.
Les objectifs de Lyreco étaient les suivants :
- Optimiser la gestion des stocks ;
- Éviter les pénuries de fournitures ;
- Automatiser les commandes.
Notre solution
Concevoir une connaissance
Grâce à l’historique des commandes effectuées sur le Webshop Lyreco, nous avons implémenté un moteur technologique permettant de prédire d’une semaine à l’autre les quantités commandées de chaque référence produit pour chacun des clients de Lyreco. La période de prédiction peut être adaptée selon la fréquence de commandes des clients. Ce moteur prédictif est basé sur l’algorithme de Machine Learning XGBoost (eXtreme Gradient Boosting [1]). Il se nourrit et apprend grâce aux nouvelles commandes effectuées par chacun des clients de façon à être de plus en plus performant en terme de prédiction.
Pour évaluer les performances de notre modèle, nous utilisons le RMSE (Root Mean Square Error) qui permet d’obtenir l’écart moyen de prédiction des quantités commandées pour un produit d’un client. Cet écart n’a de sens que si il est comparé aux quantités minimales et maximales commandées pendant la période de test du modèle. Le RMSE n’est donc pas un pourcentage ! En effet, les modèles de régression (prédiction de quantités) ne s’évaluent pas à l’aide de pourcentages contrairement aux modèles de classification (prédiction de classe). Pour plus d’informations sur ces 2 familles de prédiction, vous pouvez vous référer à l’article [2].
Mettre en scène la connaissance par l’usage
Afin d’automatiser les commandes et donc de faire gagner du temps aux clients, nous avons conceptualisé un chatbot directement intégré au WebShop Lyreco. Ainsi, dès qu’un client se connecte au Webshop, il reçoit automatiquement une proposition de commande, via le chatbot, qu’il peut valider, modifier ou refuser. La commande proposée est le fruit du moteur prédictif. Par exemple, si le client à l’habitude de commander des stylos de la référence A chaque semaine, le modèle (via le chatbot) proposera au client de commander une certaine quantité de la référence A en fonction des commandes passées par ce client. Cette solution permet au client de passer moins de temps à commander les fournitures dont il a besoin.
Nous pourrions aussi imaginer un système de recommandations de produits non commandés par un client. Par exemple et pour simplifier l’approche, imaginons que 80% des clients de Lyreco qui commandent la référence A commandent aussi la référence B. Alors, nous pourrions recommander aux 20% des autres clients qui commandent cette référence A de commander cette référence B via le chatbot. L’objectif n’est pas d’envahir le client de suggestions de commandes mais au contraire de lui proposer des produits pertinents susceptibles de l’intéresser.
Grâce au dashboard NEMO que nous avons imaginé, Lyreco peut connaître les résultats du moteur prédictif et voir en temps réel les conversations chatbot de chacun de ses clients. De plus, NEMO permet de connaître les clients les plus fidèles aux propositions de commandes qui leur sont faites via le chatbot. Cela peut permettre à Lyreco d’anticiper les commandes des clients fidèles et ainsi d’optimiser sa gestion des stocks par exemple.
10h11 adapte ses produits en fonction des besoins de ses clients, et des clients de ses clients. Des fonctionnalités peuvent être ajoutées, modifiées ou supprimées au dashboard NEMO.
Références :
[1] https://www.analyticsvidhya.com/blog/2018/09/an-end-to-end-guide-to-understand-the-math-behind-xgboost/ [2] https://machinelearningmastery.com/classification-versus-regression-in-machine-learning/
