Le problème métier
Dans un entrepôt retail, les préparateurs marchent énormément : sur les enseignes documentées, 40-60 % du temps de préparation est consacré au déplacement, pas au picking proprement dit. Toute optimisation du positionnement des produits par rapport à leur fréquence d'accès se traduit directement en productivité.
Le problème actuel :
- Le WMS classe les produits en classes ABC sur le volume commandé (rétrospectif sur 6-12 mois)
- Le volume commandé n'est pas un proxy fiable de la rotation réelle (une grosse commande de stock 6 mois ≠ rotation hebdomadaire)
- Les nouveaux produits sans historique sont mal positionnés par défaut
- Les évolutions (fin de saison, lancement, promo) ne sont pas anticipées — la classe ABC est mise à jour avec retard
Conséquences mesurables :
- 5 à 15 % de productivité préparateurs perdue par sur-déplacement
- Heures sup en pic plus élevées que nécessaire
- Saturation prématurée des entrepôts qui pousse à investir dans des extensions ou de la mécanisation alors qu'une optimisation logique permettrait de gagner du temps
Pour un entrepôt traitant 50 000-200 000 commandes/an avec 20-50 préparateurs, l'enjeu se chiffre en 80 à 250 k€/an de productivité non capturée.
La solution
Un modèle ML qui prédit la rotation réelle par référence à 3-6 mois, en croisant :
- L'historique des sorties par référence (24+ mois)
- Les commandes en cours et le pipeline d'achats
- La saisonnalité et le calendrier commercial
- Les attributs produits (catégorie, prix, fournisseur, durée de vie)
- Le mix de canaux (e-commerce, magasin, B2B) qui pondère différemment la fréquence d'accès
Le modèle alimente :
- Un score de rotation prédictif par référence, mis à jour en continu
- Un mapping recommandation/réalité qui identifie les produits mal positionnés
- Une liste priorisée de re-localisations sous contrainte de budget mouvements (200-500/mois typique)
- Un dashboard responsable entrepôt avec impact estimé de chaque mouvement
Le responsable d'entrepôt valide les mouvements proposés, apporte son arbitrage sur les contraintes physiques (poids, températures, zones spéciales), et déclenche l'exécution dans le WMS.
Comment estimer votre ROI
Le ROI a trois composantes principales.
Composante 1 — Productivité préparateurs
Économie/an =
(heures préparation annuelles)
× (% temps en marche : 40-60 %)
× (% gain par re-positionnement : 10-20 %)
× (coût horaire chargé)
Exemple pour un entrepôt avec 30 préparateurs × 1 600 h/an = 48 000 h, 50 % en marche, gain 15 %, coût horaire 28 €:
- 48 000 × 50 % × 15 % × 28 € = ~100 k€/an d'économie de coût de préparation
Composante 2 — Réduction intérim et heures sup en pic
Sur les périodes de pic (soldes, Noël, rentrée), un gain de productivité de 5-10 % réduit mécaniquement le recours à l'intérim et aux heures sup. Sur un budget intérim de 500 k€/an, gain typique de 30-60 k€/an.
Composante 3 — Capacité libérée
Plus difficile à chiffrer mais réel : un gain de productivité de 10 % sur un entrepôt saturé repousse de 1-2 ans l'investissement dans une extension ou une automatisation. Sur des projets à plusieurs M€, l'effet financier est massif.
Total typique
Pour un entrepôt traitant 50 000-200 000 commandes/an, l'impact net combiné se situe typiquement entre 80 et 250 k€/an d'économie directe + bénéfices d'investissement repoussé.
Phases de déploiement
| Phase | Durée | Livrable décisionnel |
|---|---|---|
| Cadrage | 2 sem | Audit data WMS, modélisation des classes actuelles, choix d'1 zone pilote |
| V1 — Modèle baseline | 4-6 sem | Modèle de prédiction de rotation, validation rétrospective sur 6 mois |
| V2 — Mapping + alerting | 2-3 sem | Détection des écarts position actuelle / recommandation, priorisation |
| V3 — Dashboard responsable | 2-3 sem | Interface de validation, intégration WMS pour exécution |
| Pilote | 4-6 sem | Re-localisations sur 1 zone, mesure productivité avant/après |
| Roll-out | 4-8 sem | Extension à tout l'entrepôt, processus mensuel de re-localisation |
Quelles entreprises sont concernées
- Entrepôts retail avec >5 000 références actives et >50 000 commandes/an
- Présence d'un WMS structuré (Reflex, Manhattan, Generix, SAP EWM, Hardis) avec données exploitables
- 20+ préparateurs sur l'entrepôt (en dessous, le ROI est marginal vs effort)
- Saisonnalité ou variabilité significative justifiant la prédiction
Moins pertinent pour : entrepôts à mécanisation forte (goods-to-person) où le déplacement est déjà optimisé matériellement, entrepôts à très faible variabilité (catalogue stable), entreprises sans WMS structuré (priorité = WMS avant ML).
Pièges à éviter
1. Sous-estimer la qualité des données WMS. Le modèle apprend sur l'historique des sorties par référence et par jour. Si ces données sont incomplètes (transferts inter-entrepôts non rapprochés, picking erronés non corrigés, retours non déduits), le modèle apprend du bruit. Audit data en amont indispensable, et nettoyage avant entraînement. Beaucoup d'équipes constatent que la donnée WMS est moins propre qu'imaginé.
2. Oublier les contraintes physiques. Un modèle qui recommande de placer un produit lourd en hauteur, ou un produit fragile en zone à fort passage, sera rejeté en bloc. Les contraintes physiques (poids, fragilité, températures, dangers) doivent être encodées dans l'algorithme dès la V1, pas ajoutées en V2 après les premiers rejets terrain. Mapper ces contraintes prend 2-3 jours avec le responsable d'entrepôt — investissement rentable.
3. Vouloir tout re-localiser d'un coup. Tentation : « on a 10 000 références, faisons un big-bang ». Très mauvaise idée — coût de mouvement énorme, perturbation opérationnelle, risque d'erreur multiplié. La séquence saine : flux continu de re-localisations (200-500/mois) priorisées par impact, avec un budget mouvements stable. Au bout de 6-12 mois, l'entrepôt est largement optimisé sans rupture.
4. Mesurer le gain sur la mauvaise métrique. Tentation : mesurer le « score moyen de rotation » ou « % de produits bien classés ». Mauvaises métriques — ce qui compte est le temps de préparation par commande (mesure directe de productivité). Sans cette mesure avant/après, le projet reste théorique. Instrumenter le WMS pour capturer cette donnée est un prérequis, parfois ignoré au démarrage.
5. Ignorer le change management terrain. Les préparateurs et les responsables d'entrepôt ont leurs habitudes — un produit qui « bouge » alors qu'il était au même endroit depuis 2 ans crée de la friction. La parade : impliquer le responsable d'entrepôt dès la phase de cadrage, faire de lui le pilote des re-localisations, expliquer aux préparateurs pourquoi un produit bouge (gain de temps pour eux). Sans cette pédagogie, l'outil est sabordé silencieusement par contournement.