stock-forecast-bi

Optimisation Stock & Prévision Demande

Mini-projet BI de bout en bout. L'objectif : réduire les ruptures et surstocks d'un distributeur fictif de pièces auto.

Contexte métier

AutoParts Distribution gère 150 références réparties sur 3 entrepôts (Lyon, Bordeaux, Lille). Le directeur supply chain veut :

• Moins de 5% de ruptures
• Couverture stock entre 15 et 45 jours
• Prévoir la demande à 4 semaines

Architecture

[Données brutes]     [Entrepôt DuckDB]      [Modèles]           [Dashboard]
     CSV         -->   Schéma en étoile  -->  Prophet/XGBoost --> Power BI
   (ventes,            (fact_ventes,          (prévisions)       (KPIs, alertes)
    stocks,             dim_produit,
    promos)             dim_temps...)

Pourquoi ces choix :

• DuckDB : moteur analytique embarqué, pas besoin de serveur, SQL complet, idéal pour un poste avec une partition
• Python + pandas : transformation et feature engineering
• Prophet : prévisions robustes avec saisonnalité
• Power BI : dashboards interactifs (ou Metabase en alternative gratuite)

Installation

# Créer l'environnement
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# Installer les dépendances
pip install -r requirements.txt

Configuration disque : tout tient dans un dossier (~50 Mo). DuckDB crée un fichier .duckdb unique. Pas besoin de partition séparée.

Exécution

# 1. Générer les données de test (2 ans d'historique)
python src/01_generate_data.py

# 2. Construire l'entrepôt (modèle en étoile)
python src/02_build_warehouse.py

# 3. Créer les features et entraîner les modèles
python src/03_train_models.py

# 4. Calculer les KPIs et recommandations
python src/04_compute_kpis.py

# 5. Exporter pour Power BI
python src/05_export_powerbi.py

Structure entrepôt

Schéma dimensionnel classique :

dim_produit (sk_produit, code_ref, libelle, categorie, fournisseur, delai_appro)
dim_entrepot (sk_entrepot, code_depot, ville, capacite_palettes)
dim_temps (sk_temps, date_jour, semaine, mois, trimestre, annee, jour_semaine, est_ferie)

fact_ventes (sk_produit, sk_entrepot, sk_temps, qte_vendue, ca_ht, flag_promo)
fact_stock (sk_produit, sk_entrepot, sk_temps, qte_stock, valeur_stock)
fact_previsions (sk_produit, sk_entrepot, sk_temps, qte_prevue, intervalle_bas, intervalle_haut)

Les snapshots quotidiens de stock permettent d'analyser la couverture et les rotations.

Modélisation prévision

Approche en deux temps :

1. Segmentation ABC/XYZ : classer les produits par valeur (A=80% CA) et variabilité (X=stable, Z=erratique)
2. Modèle adapté :
   • AX/BX : Prophet avec saisonnalité hebdo/annuelle
   • AY/BY : XGBoost avec features calendaires
   • Z : moyenne mobile + stock sécurité élevé

Features utilisées : jour de semaine, semaine de l'année, flag promo, lag ventes J-7/J-14, météo simplifiée.

KPIs dashboard

Fichiers Power BI

Le script 05_export_powerbi.py génère :

• data/powerbi/fact_*.parquet : tables de faits
• data/powerbi/dim_*.parquet : dimensions
• data/powerbi/kpis_*.csv : KPIs agrégés

Import dans Power BI Desktop : Obtenir des données > Parquet (ou CSV).

Alternative sans Power BI : le script génère aussi un dashboard HTML avec Plotly.

Alertes

Le module 04_compute_kpis.py génère une table alertes avec :

• Risque rupture : stock < point de commande
• Surstock : couverture > 60 jours
• Dérive prévision : MAPE semaine > 30%

Pour aller plus loin

Ce projet couvre les bases. En production :

• Airflow pour orchestrer les jobs quotidiens
• MLflow pour versionner les modèles
• dbt pour documenter les transformations
• Tests Great Expectations sur la qualité données

Licence

MIT - à adapter librement.