5% Ghost busters: quand la chasse aux (stocks) fantômes est ouverte  

By | 25 janvier 2017

5% Ghost busters: quand la chasse aux (stocks) fantômes est ouverte

Vous est-il souvent arrivé de commander un produit réputé disponible pour apprendre que sa livraison sera retardée ?

Vous avez été probablement victime du phénomène du « stock fantôme ». Votre produit aurait dû être présent mais il est introuvable et les causes sont nombreuses :

  • Vol dans l’entrepôt ou dans le magasin de détail,
  • Erreur de marquage qui crée des surstocks sur un produit et une rupture sur un autre,
  • Livraison dans un autre magasin,
  • Déplacement accidentel sur une autre étagère ou un autre rayon.

Et en raison de cette fausse « rupture de stock » les ventes ne se font pas.

C’est à la suite d’une étude de 3 chercheurs des Universités de Stockholm, de Dayton (USAF)  et du Center for Transportation & Logistics du MIT sur un type de lessive pour prendre conscience que le problème – et les coûts associés –  étaient plus graves que ce que l’on imaginait :

–          En raison d’un stock théoriquement présent mais réellement en rupture, le système ne lance pas de commande de réapprovisionnement d’où davantage de ruptures et de ventes perdues.

–          Le client non satisfait se reporte sur une autre marque ou (pire !) sur un concurrent.

–          Le chef de rayon perd beaucoup de temps  à tracer un produit introuvable.

Cette étude conclut que le pourcentage de ruptures réelles est souvent 5 fois supérieur à celui estimé par l’entreprise et qu’une meilleure gestion de ces stocks fantômes aurait pu accroître les ventes de 5%.

Leurs recommandations :

–          Le traditionnel inventaire tournant montre vite ses limites quand il faut inventorier des dizaines de milliers d’articles,

–          La RFID apporte certes un plus sur la qualité des informations et la localisation des produits mais n’anticipe pas les ruptures,

–          Il faudrait donc  passer au mode prédictif et s’appuyer sur l’intelligence artificielle et  des modèles analytiques spéciaux. Ceux-ci, fonctionnant en auto-apprentissage, peuvent récréer des modèles de demande par produit et incorporer l’incertitude de stock dans les prévisions et les plans pour chaque SKU.

Avec le développement des réseaux de distribution et la multiplication des modes de distribution de telles mesures apporteront-elles une réponse à autant de gaspillages ?

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *