L'IA appliquée à la gestion des stocks dans les PME industrielles suscite un intérêt croissant. Entre volatilité de la demande, délais fournisseurs variables et pression sur les coûts logistiques, de nombreuses entreprises peinent à maintenir un équilibre entre ruptures de stock et surstocks.

Pourtant, dans la majorité des PME, les décisions d'approvisionnement reposent encore largement sur des tableurs Excel et sur l'expérience des responsables supply chain.

Cette étude de cas présente le travail réalisé par Skalgo auprès d'une PME française spécialisée dans la distribution de composants mécaniques pour l'industrie. L'objectif de la mission consistait à identifier comment l'IA pouvait améliorer la gestion des stocks en exploitant les données déjà disponibles dans l'entreprise.

Une gestion des stocks très dépendante d'Excel

Contexte de l’entreprise

L'entreprise compte environ 110 salariés et réalise un chiffre d'affaires annuel d'environ 32 millions d’euros.

Elle distribue plus de 4 500 références de composants industriels à des clients du secteur de la maintenance industrielle et de la production.

Son activité repose sur une promesse forte : livrer rapidement des pièces techniques souvent critiques pour les lignes de production de ses clients.

Les stocks sont gérés à partir d'un ERP historique complété par plusieurs fichiers Excel utilisés par l'équipe supply chain.

L'équipe logistique est composée de :

• un responsable supply chain
• deux approvisionneurs
• un responsable entrepôt
• une équipe de préparation de commandes.

Des ruptures de stock malgré des niveaux de stock élevés

Malgré des stocks importants, l'entreprise rencontrait régulièrement deux problèmes :

• des ruptures de stock sur certaines références critiques
• des surstocks sur d'autres produits à faible rotation.

Ces déséquilibres généraient plusieurs impacts opérationnels :

• commandes clients retardées
• immobilisation financière dans les stocks
• temps important consacré aux arbitrages d'approvisionnement.

Lors du diagnostic mené par Skalgo, l’entreprise estimait que près de 7 % des commandes clients étaient affectées par une rupture de stock.

Analyse des processus réalisée par Skalgo

Le Bilan Data & IA a permis d'analyser en détail le fonctionnement de la gestion des stocks.

Processus d'approvisionnement

Chaque semaine, les approvisionneurs analysent les niveaux de stock et décident des commandes fournisseurs.

Cette analyse repose principalement sur :

• l'historique des ventes
• les niveaux de stock actuels
• les délais fournisseurs.

Une grande partie du travail consiste à extraire des données de l'ERP, puis à les retraiter dans Excel.

Skalgo a estimé que ce processus représentait environ 980 heures de travail par an, soit environ 38 000 € de charge interne.

Analyse des ventes et prévision de la demande

L'entreprise dispose de plusieurs années d'historique de ventes, mais ces données sont peu exploitées.

Les prévisions reposent principalement sur l'expérience des approvisionneurs.

Cette analyse manuelle représente environ 420 heures de travail par an, soit environ 16 000 € de charge interne.

Gestion des ruptures de stock

Lorsque des ruptures surviennent, les équipes doivent :

• rechercher des fournisseurs alternatifs
• informer les clients
• réorganiser les commandes.

Ces situations représentent environ 250 heures de travail par an.

Synthèse des charges opérationnelles

Au total, ces processus représentent environ 1 650 heures de travail par an, soit plus de 60 000 € de charge interne, essentiellement consacrées à l'analyse de données et à la prise de décision.

Opportunités IA identifiées par Skalgo

L'objectif n'était pas de remplacer l’ERP existant mais d’améliorer l'analyse des données et la prise de décision.

Trois cas d’usage IA ont été identifiés comme prioritaires.

Analyse automatisée de la demande

Le premier cas d’usage consiste à utiliser l'IA pour analyser l'historique des ventes.

L'outil peut identifier :

• les tendances de consommation
• les produits saisonniers
• les variations anormales de la demande.

Ces analyses permettent d'améliorer les prévisions de commandes.

Détection des risques de rupture

Un second cas d'usage consiste à détecter en amont les références susceptibles de tomber en rupture.

L'IA analyse plusieurs variables :

• historique des ventes
• niveau de stock
• délais fournisseurs
• commandes en cours.

Les approvisionneurs reçoivent ainsi des alertes priorisées.

Assistance à la décision d’approvisionnement

Le troisième cas d'usage consiste à assister les approvisionneurs dans leurs décisions.

L'IA peut proposer :

• des quantités de commande suggérées
• des ajustements en fonction des tendances de ventes
• des alertes sur les références à faible rotation.

Les approvisionneurs conservent évidemment la décision finale.

Gains attendus

Les estimations réalisées dans le Plan d'actions IA reposent sur des hypothèses prudentes.

L'IA permettrait de réduire d'environ 20 % le temps consacré à l'analyse des approvisionnements et des stocks.

Cela représente environ 320 heures de travail économisées par an, soit environ 12 000 € de charge interne.

Les gains indirects peuvent être plus significatifs.

Une meilleure anticipation de la demande peut permettre de réduire les ruptures de stock et d’optimiser les niveaux de stock, ce qui améliore la satisfaction client et la rotation des stocks.

Pourquoi les entreprises logistiques font appel à Skalgo

Dans de nombreuses PME & ETI, les opportunités d'IA existent déjà dans les données internes de l’entreprise.

Le principal défi consiste à identifier les cas d’usage réellement utiles.

Les entreprises font appel à Skalgo pour :

• analyser leurs processus métiers en détail
• identifier les tâches réellement automatisables
• chiffrer les gains potentiels
• sécuriser les projets IA avant tout investissement.

La méthodologie Skalgo repose sur une approche pragmatique :

- Diagnostic IA Express pour comprendre les enjeux de l’entreprise.

- Bilan d’opportunités IA pour analyser les processus, les données et identifier les cas d’usage prioritaires.

- Plan d’actions IA permettant de prioriser les projets et d’estimer les gains.

Cette approche permet d'éviter les projets IA coûteux et peu utiles.

‍

Ce cas montre que l'IA appliquée à la gestion des stocks dans les PME industrielles peut générer de la valeur rapidement, sans transformation technologique lourde.

Dans de nombreuses entreprises, les premiers gains proviennent simplement d'une meilleure exploitation des données existantes.

En structurant l'analyse des ventes et en assistant les décisions d'approvisionnement, l'IA permet d'améliorer la gestion des stocks et de réduire les ruptures.

‍

Vous gérez des stocks importants et vous vous demandez :

• si vos données pourraient être mieux exploitées
• combien de temps vos équipes consacrent réellement à l'analyse des stocks
• et quels gains l'IA pourrait générer dans votre organisation ?

Réalisez un Diagnostic IA Express gratuit pour accéder aux premiers éléments de réponse ⬇️
https://www.skalgo.com/diagnostic-express

‍