You can deploy this model and start earning money today!

Jean-Vladimir/
stock-forecast-bi

Name: stock-forecast-bi
Availability: InStock

Views

No views yet

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

bash

# 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

bash

# 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 :

Segmentation ABC/XYZ : classer les produits par valeur (A=80% CA) et variabilité (X=stable, Z=erratique)
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

KPI	Formule	Cible
Taux rupture	jours_rupture / jours_ouvrés	< 5%
Couverture	stock_moyen / ventes_moy_jour	15-45j
Rotation	CA / stock_moyen	> 8/an
MAPE prévision	mean(abs(prev-reel)/reel)	< 20%
Valeur surstockée	stock au-delà de 60j couverture	minimiser

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.

Jean-Vladimir/stock-forecast-bi