Ocado
demand forecasting deep learning pour disponibilite et reduction du gaspillage
Ocado execute plus de 70 millions de calculs supply chain par jour avec des modeles deep learning, commande automatiquement jusqu'a 98% de son stock, fait accepter 94,5% des commandes recommandees sans intervention et maintient le gaspillage alimentaire a 0,49% du stock manipule.
L'essentiel
- Prevision de demande deep learning pour le reapprovisionnement et la reduction du gaspillage.
- Reseaux encoder-decoder maison sur Ocado Smart Platform, plus de 70 millions de calculs par jour.
- Jusqu'a 98% du stock commande automatiquement, gaspillage a 0,49%, 94,5% des commandes acceptees.
- Preuve B, statut confirme.
Objectif
Commander la bonne quantite de chaque produit frais pour tenir une disponibilite haute sans surstock, en pilotant le reapprovisionnement par la demande predite plutot que par des regles fixes de planificateur.
Le déploiement
Ocado vend l'epicerie en ligne au Royaume-Uni via Ocado.com et loue sa technologie (Ocado Smart Platform) a des enseignes dans le monde. Le moteur de prevision entraine des modeles de deep learning sur des annees de donnees de vente pour predire, produit par produit et jour par jour, ce que les clients vont acheter. Ces previsions declenchent des commandes fournisseurs automatiques et calent les niveaux de stock dans les entrepots automatises. Pour les produits perissables comme les bananes, le systeme croise stock, duree de vie restante et demande anticipee pour eviter la casse, et lance des ventes flash quand un lot approche de sa date. Un planificateur peut surcharger une prevision, avec visibilite sur l'historique de precision.
Résultats Preuve B
Chiffres publies par Ocado Group sur ses propres pages produit et editoriales, concordants entre plusieurs pages officielles. Ocado vend OSP a des tiers, ces resultats fonctionnent comme une etude de cas plateforme chiffree. Pas de presse independante reprenant ces chiffres precis, d'ou B et non C.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme OSP Supply Chain (Ocado Smart Platform) Module supply chain de la plateforme commerciale d'Ocado Group : previsions, generation des commandes fournisseurs, gestion du stock et de la casse. Vendu aux enseignes partenaires.
- llm Reseaux encoder-decoder (deep learning maison) Modeles de prevision de demande probabiliste developpes en interne, entraines sur des annees de donnees de vente, produit par produit et jour par jour.
- infra Entrepots automatises CFC Customer Fulfilment Centres d'Ocado, dont les niveaux de stock sont cales par les previsions du moteur.
Comment ça tourne, concrètement
Pour les équipes ops-
1Ingestion des donnees plateforme OSP / equipe data
Ventes historiques, ruptures passees, promotions, jours feries, creneaux de livraison et attributs produit alimentent le centre de controle deep learning.
-
2Prevision de demande modele IA
Les reseaux encoder-decoder predisent la demande par produit et par jour, avec une precision jusqu'a 40% superieure aux systemes classiques.
-
3Generation des commandes modele IA / OSP
Le systeme calcule la quantite optimale a commander et emet des commandes fournisseurs automatiques; jusqu'a 98% du stock est commande sans main humaine.
-
4Controle par le planificateur planificateur supply chain
Un planificateur peut surcharger une prevision, avec visibilite sur la precision historique; plus de 94,5% des recommandations passent telles quelles.
-
5Gestion de la casse OSP
Pour le perissable, le systeme detecte le risque de purge et declenche des ventes flash pour ecouler avant peremption, maintenant le gaspillage a 0,49%.
La demande predite par produit, croisee avec la duree de vie restante du stock. Si l'historique de vente ou la donnee de peremption manque, la prevision se degrade et le systeme bascule vers des regles plus prudentes, au prix de surstock ou de ruptures.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- historique de vente granulaire par produit et par jour
- donnee de stock temps reel
- attributs produit et dates de peremption pour le frais
- calendrier promotions et jours feries
Prérequis orga
- equipe data science interne ou plateforme de forecasting
- processus de reapprovisionnement capable d'accepter des commandes automatiques
Stack possible
- Ocado Smart Platform (pour un retailer partenaire)
- forecasting maison sur cloud (SageMaker, Vertex AI)
- plateformes de demand planning (Blue Yonder, RELEX, o9)
Le plan, étape par étape
- Étape 1Consolider un historique de vente propre par SKU et par jour, avec ruptures passees, promotions, calendrier et dates de peremption pour le frais.Livrable : Dataset de vente et d'attributs produit exploitable
- Étape 2Entrainer ou parametrer un modele de prevision sur une categorie perissable ou la casse est visible, et le backtester contre la methode actuelle.Livrable : Rapport de precision comparee vs regles existantes
- Étape 3Brancher les previsions sur le reapprovisionnement en mode recommandation : le planificateur valide chaque commande proposee.Livrable : Commandes recommandees dans l'outil des planificateurs, taux d'acceptation suivi
- Étape 4Automatiser les commandes au-dessus d'un seuil de confiance, en gardant la surcharge planificateur avec visibilite sur la precision historique.Livrable : Part du stock commandee automatiquement, mesuree par categorie
- Étape 5Etendre a l'ensemble des categories et ajouter la gestion de la casse (ventes flash sur les lots proches de la date).Livrable : Bilan disponibilite et gaspillage vs baseline avant projet
Première étape : Consolider un historique de vente propre par SKU et par magasin, puis tester un modele de prevision sur une categorie perissable ou la casse est visible.
Le même pattern, prouvé dans d'autres industries
Every Man Jack
timing predictif de reachat (predicted next order date)
Maersk
monitoring predictif de cargo refrigere (visibilite client)
T-Mobile US
Plateforme de decisioning pilotee par l'intention : un moteur lit l'intention et le sentiment client en temps reel, decide de l'action suivante et peut l'executer, au-dela d'un simple chatbot
Sources
- S1 Forecasting the future: using deep learning to optimise online grocery supply chains Primaire archive à générer
- S2 OSP Supply Chain | Ocado Group Primaire archive à générer
- S3 Ocado's AI: Reducing food waste across grocery supply chains Primaire archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.