Comment mettre en œuvre l’analyse prédictive des ventes

Nous relayons ici les conseils du cabinet Mc Kinsey & Company, pour mettre en œuvre une analyse prédictive des ventes. Une démarche qui doit s’appuyer sur une expertise technologique mais aussi l’engagement de la fonction finance.

De nombreux dirigeants d’entreprises pratiquent encore un pilotage stratégique à l’instinct. Et admettent également fréquemment se tromper. Mais les retours positifs se multiplient de la part d’équipes finance sur la mise en œuvre de projets d’automatisation et d’analyse prédictive, en particulier pour la prévision des ventes.

Mc Kinsey & Company cite ainsi l’exemple d’un distributeur de produits chimiques parvenu à accroître ses ventes de 6%, grâce à des prévisions plus précises et fréquentes. Dans le contexte actuel d’incertitude, les directions finances cherchent donc à se doter d’outils pour disposer de prévisions en temps réel, et de tableaux de bord automatisés.

Précision importante : aucune projection ne pourra jamais être précise à 100%. L’idée est plutôt de procéder à des ajustements en continu des projections. Une entreprise qui s’engage ce type de démarche d’amélioration permanente de ses prévisions bénéficiera d’un gain de confiance de la part de ses partenaires.

Le cabinet cite l’exemple d’un industriel dont les prévisions de demande étaient généralement fausses de 30%. En conséquence ses équipes ne faisaient plus confiance aux chiffres et travaillaient à l’instinct, se privant aussi de données externes utiles.

En 6 mois, l’équipe finance a mis en place une démarche de machine learning pour analyser des jeux de données plus vastes, intégrant des informations sur le cycle de vie des produits et des données géopolitique. Elle a également stoppé les reportings manuels. Le résultat : une baisse des stocks et invendus de 20 à 40%, et une hausse des ventes de 5%, avec une démarche non plus de réactive face aux variations de marché mais proactive.

Une marque de produits de grande consommation était présente sur 9 catégories de produits sur plus d’une douzaine de marché, sans une vue unifiée de ses ventes. Les prévisions annuelles étaient basées sur les chiffres d’une ou deux années précédentes.

L’équipe finance a automatisée la collecte des données pour fournir une vue centralisée et exploitable pour l’analyse de données. En travaillant en collaboration avec ses différents départements, cet industriel a pu produire des prévisions plus précises, intégrant plus de 100 variables macroéconomiques et données de consommation, ainsi que des données météorologiques, les recherches Google et les évolutions démographiques.