Optimisation des Niveaux de Stock dans le Commerce de Détail grâce à l'Apprentissage Automatique et l'Analyse de Séries Temporelles

Abstract

Aujourd’hui ,l’optimisation des niveaux de stock dans le commerce de détail est essentielle pour minimiser les coûts tout en maximisant la satisfaction client. Cette optimisation repose sur la prédiction précise de la demande future, permettant d’éviter à la fois les surstocks et les ruptures de stock. Pour y parvenir, il est crucial d’analyser les tendances saisonnières, d’utiliser les données historiques et de prendre en compte les événements externes. Dans notre étude, nous avons mis en oeuvre des techniques avancées d’apprentissage automatique pour la prévision des séries temporelles. Nous avons employé divers algorithmes d’apprentissage automatique et d’apprentissage profond, tels que les k plus proches voisins , les forêts aléatoires (Random Forest), la régression linéaire, XGBoost (eXtreme Gradient Boosting) et les réseaux de neurones profonds (DNN). Ces approches nous ont permis de comparer les performances de ces différents algorithmes.