C’est un usage extrêmement raisonné de l’IA que manifeste la maison de luxe Louis Vuitton. Louis Vuitton est parvenu à gagner 15 jours sur les prédictions de vente de ses nouveaux modèles. « Aujourd’hui grâce à l’IA, nous réussissons à avoir la même précision dans l’extrapolation de nos ventes, au bout de 3 jours de ventes, comparé à avant au bout de 17 jours » présente Anne Borde, Supply Chain director chez Louis Vuitton. Du coup, cela permet de gagner 15 jours dans la prise de décision.
La prise de décision est plus rapide afin de produire les justes quantités
« Quand nous lançons un nouveau produit, qui est par définition un produit sur lequel nous avons le plus d’aléas en termes de prévisions de vente, nos équipes peuvent donner plus rapidement un signal d’accélération à la production au cas où le produit marche mieux qu’imaginé, ou au contraire, si jamais le produit se vend moins bien que prévu, transmettre un signal d’arrêt à la production » décrit la responsable. « Le gain est important, et surtout c’est en ligne avec le fait de produire les justes quantités. C’est clé » se réjouit Anne Borde qui souligne que les équipes sont ravies d’avoir un outil robuste sur lequel elles peuvent s’appuyer. Elle a pris la parole à la mi-avril lors de l’événement organisé par le Hub Institute sur les thèmes de l’IA et de la Data.
Louis Vuitton vend ses produits uniquement dans ses magasins, et ne fait pas de soldes. Les enjeux sont d’avoir le stock le plus qualitatif possible, tout en réduisant l’impact sur l’environnement. Les prévisions de vente ont une place très importante dans la chaîne de production. L’IA a été mobilisée afin d’aller plus loin dans la qualité des prévisions de vente lors du lancement d’un nouveau produit. « Pour cette problématique, les apports de l’IA sont nombreux » déclare Bruno Guilbot, Head of Data and Artificial Intelligence chez Louis Vuitton. L’IA permet de prendre en compte plus de critères.
« Grâce à l’IA, nous avons pris les premiers signaux de vente qui sont clés pour la prédiction des ventes futures. On a pu aussi prendre l’historique de ventes sur des modèles similaires et toutes les données de comportement sur nos sites web. C’est à dire les pages vues des produits, les clics sur les ajouts au panier, etc. » présente-t-il. S’y ajoutent les caractéristiques du produit. « On va prendre en compte toutes les caractéristiques du produit. Et on va prendre en compte l’image du produit. Elle contient souvent des informations qui n’ont pas été forcément structurées dans notre catalogue. C’est le cas pour des motifs de décoration particuliers ou de la présence d’une chaînette, etc. Bref, nous analysons de nombreux critères. Dans notre cas, il s’agit d’une centaine de critères » ajoute-t-il.
Des chercheurs ont participé à l’amélioration des modèles d’IA
L’équipe de Data Science de Louis Vuitton a travaillé sur des techniques de Machine Learning plus avancées que les techniques de prévision traditionnelles. Au démarrage du projet, pour l’optimisation des modèles de Machine Learning, l’équipe de Louis Vuitton a collaboré avec des chercheurs de l’ENS et de l’INRIA avec lesquels Louis Vuitton a monté une chaire sur l’IA. « Avoir une centaine de critères et avoir optimisé les modèles, cela nous permet de gagner significativement en précision sur nos prévisions. On atteint aussi un horizon de prévision plus lointain, de 3 mois et jusqu’à 6 mois pour certains modèles avec une bonne fiabilité » se réjouit le responsable IA.
Bruno Guilbot souligne l’importance de la gestion du changement lors de la mise à disposition de ces outils d’IA aux sales planners qui sont responsables de la planification des ventes. « Le succès d’un tel projet passe par arriver à lier l’IA et l’expertise humaine. Le métier de sales planner ne disparaît pas avec l’IA » tient-il à souligner. « Nous allons fournir au sales planner des prévisions plus fiables qu’il va pouvoir combiner avec sa connaissance produit, sa connaissance du marché et du contexte de l’entreprise. C’est avec tout cela qu’il va pouvoir prendre les meilleures décisions. L’IA n’est qu’un outil au service du sales planner. C’est lui qui reste responsable de la prévision des ventes » affirme-t-il.
Il considère que pour que l’IA soit vraiment utile, il faut que le sales planner comprenne comment elle fonctionne, qu’il contribue à son amélioration, et enfin que cela soit intégré dans ses outils du quotidien. « Nous avons travaillé sur l’explicabilité des modèles. Nous utilisons des méthodes assez complexes sur ce cas d’usage, mais nous pouvons expliquer chaque résultat, chaque décision de l’algorithme de manière unitaire, ce qui permet de mieux s’approprier les résultats » dit-il. Les sales planners ont également été mobilisés pour améliorer l’IA. « Nous avons travaillé avec les sales planners sur des sessions spécifiques où nous avons regardé ensemble les résultats des modèles d’IA. Nous avons pris en compte leurs feed-backs. Nous avons ajusté les paramètres de nos modèles et nos bases d’apprentissage » indique-t-il.
L’IA doit être intégrée dans un processus fluide
Le dernier impératif est l’intégration du système de prévision dans les outils de planification du sales planner. « L’IA ne doit pas être un logiciel à côté où on va chercher les prévisions et faire des copier coller sous Excel, etc. On doit avoir l’ensemble des informations dont les prévisions de ventes dans le même outil pour que cela rentre dans le processus global » affirme-t-il. « Ce sont les clés de l’adoption de ces techniques et de confiance vis-à-vis de l’algorithme. Il faut passer par ces étapes là » insiste-t-il.
L’équipe en charge de la Supply Chain prépare de nombreux projets intégrant de l’IA dont l’utilisation de l’outil pour toutes les catégories de produits de Louis Vuitton. La maison souhaite aussi lancer une étude sur la manière dont l’IA peut aider la distribution des produits, en particulier ceux qui se vendent un peu moins fréquemment afin de les positionner au bon endroit et du coup éviter de les transporter de nombreuses fois afin de les vendre. Enfin, Louis Vuitton souhaite traiter les sujets de la supply chain circulaire, avec le « design to last » (concevoir pour durer), le « design for repair » (concevoir pour être réparé), et l’upcycling (recyclage) de produits.
