Otto
prevision de demande deep learning declenchant des commandes fournisseurs autonomes
Otto predit la demande a court terme avec un modele deep learning qui atteint 90% de precision sur les ventes a 30 jours, reduit les stocks de 20% et commande automatiquement la marchandise aupres des marques tierces, en produisant 7,5 milliards de previsions individuelles par mois.
Objectif
Predire ce que les clients vont commander avant qu'ils ne le fassent pour commander la marchandise en amont, reduire le surstock et livrer plus vite depuis un stock deja au bon endroit.
Le déploiement
Otto est l'un des plus gros e-commercants d'Allemagne. Une grande partie de son catalogue provient de marques tierces, avec des delais qui rendaient la disponibilite difficile a tenir. Otto a mis en production un moteur de prevision (algorithme de deep learning derive d'outils de physique des particules) qui predit la demande a court terme a partir de centaines de variables: historique de vente, trafic et recherches sur le site, meteo, jour de la semaine, jours feries, donnees concurrentielles. Quand la prevision est assez sure, le systeme commande de lui-meme la marchandise aupres des marques, sans validation humaine, pour l'avoir en stock avant la commande client. Cote otto.de, l'IA produit 7,5 milliards de previsions individuelles par mois pour piloter arrivees en entrepot, volumes de vente et retours.
Résultats Preuve C
The Economist (presse majeure) documente nommement le cas Otto et ses chiffres, corrobore par le site officiel d'Otto (7,5 milliards de previsions/mois). Le chiffre de precision provient a l'origine d'une case study de l'editeur Blue Yonder, d'ou pas de niveau A.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- plateforme Blue Yonder Editeur du moteur de prevision de demande utilise par Otto, documente par la case study reprise par la presse et l'analyse HBS.
- llm Algorithme deep learning (derive de la physique des particules) Modele de prevision a court terme entraine sur des centaines de variables (ventes, trafic et recherches site, meteo, calendrier, concurrence) ; 90% de precision sur les ventes a 30 jours.
- outil Systemes d'achat et de reapprovisionnement Otto Systemes internes qui declenchent les commandes fournisseurs autonomes quand la prevision depasse le seuil de confiance, et routent les cas incertains vers un acheteur.
Comment ça tourne, concrètement
Pour les équipes ops-
1Collecte des signaux systemes Otto / equipe data
Historique de vente, recherches et trafic sur le site, meteo, jour de la semaine, jours feries et donnees concurrentielles sont agreges.
-
2Prevision de demande modele IA
Le modele deep learning predit ce qui sera vendu a court terme, avec une precision de 90% sur les ventes a 30 jours.
-
3Commande autonome modele IA / systeme d'achat
Au-dela d'un seuil de confiance, le systeme commande lui-meme la marchandise aupres des marques tierces sans validation humaine.
-
4Controle humain sous seuil acheteur Otto
Les cas incertains restent traites par un acheteur, qui garde la main sur les references a demande instable.
La demande predite a court terme par produit. La commande n'est automatisee que si la prevision est assez sure; sous ce seuil, elle repasse par un acheteur humain.
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
- signaux comportementaux du site (trafic, recherches)
- donnees externes (meteo, calendrier)
- delais et fiabilite fournisseurs
Prérequis orga
- accord pour laisser une commande partir sans validation humaine au-dela d'un seuil
- relations fournisseurs compatibles avec des commandes anticipees
Stack possible
- Blue Yonder
- forecasting maison (deep learning) + regles de seuil
- RELEX, o9
Le plan, étape par étape
- Étape 1Agreger l'historique de vente granulaire, les signaux du site (trafic, recherches) et les donnees externes (meteo, calendrier), plus les delais fournisseurs.Livrable : Dataset de features consolide et documente
- Étape 2Entrainer ou parametrer le modele de prevision sur une categorie et le backtester contre la methode actuelle des acheteurs.Livrable : Precision mesuree vs methode existante, par horizon de prevision
- Étape 3Brancher les previsions sur le processus d'achat en mode recommandation : l'acheteur valide chaque commande proposee.Livrable : Recommandations de commande integrees a l'outil acheteur
- Étape 4Definir le seuil de confiance avec les achats et la direction, puis automatiser les commandes au-dessus du seuil sur un perimetre restreint.Livrable : Premieres commandes autonomes en production
- Étape 5Elargir le perimetre automatise et suivre stock, disponibilite et delais de livraison.Livrable : Bilan stock et regles de gouvernance des commandes autonomes
Première étape : Mesurer la precision d'une prevision a court terme sur une categorie, definir un seuil de confiance au-dela duquel la commande peut partir sans validation, puis l'ouvrir progressivement.
Sources
- S1 How Germany's Otto uses artificial intelligence Presse établie archive à générer
- S2 Artificial intelligence at OTTO - already part of all business processes today Primaire archive à générer
- S3 Autonomous Stock Replenishment at Online Retailer OTTO (Harvard TOM / HBS AI Institute) Secondaire 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.