Otto

Objectif

Predire ce que les clients vont commander avant qu'ils ne le fassent pour commander la marchandise en amont aupres des marques tierces, reduire le surstock et les retours, et livrer plus vite depuis un stock deja au bon endroit.

Le déploiement

Otto est l'un des plus gros e-commercants d'Allemagne, avec plus de 18 millions d'articles au catalogue. Une grande partie de son offre vient de marques tierces qu'Otto ne stocke pas lui-meme, ce qui allongeait les delais et multipliait les colis expedies separement. Vers 2016-2017, Otto met en production un moteur de prevision construit sur la technologie de Blue Yonder, editeur allemand dans lequel il detient une participation : un algorithme de deep learning concu a l'origine pour les experiences de physique des particules du CERN, qui analyse environ 3 milliards de transactions passees et 200 variables (ventes passees, recherches sur le site, meteo) pour predire ce que les clients vont acheter une semaine avant qu'ils ne commandent. Le systeme s'est revele assez fiable pour qu'Otto le laisse acheter seul environ 200 000 articles par mois aupres des marques tierces, sans intervention humaine. Le moteur a change depuis : Otto exploite une solution de prevision developpee en interne depuis 2019, et la case study Google Cloud documente le moteur actuel, un modele TiDE entraine sur Vertex AI et deploye sur GKE. Otto indique aujourd'hui 35% des gammes reapprovisionnees automatiquement, sur la base d'environ 30 milliards de previsions individuelles par mois.

Résultats Preuve B

The Economist (avril 2017) documente nommement le cas, nomme Blue Yonder et porte les chiffres au mot : 90% de precision a 30 jours, surstock en baisse d'un cinquieme, plus de 2 millions de retours evites par an, 200 000 articles achetes seuls chaque mois. Deux case studies editeurs chiffrees corroborent (Blue Yonder, Google Cloud) et le site officiel d'Otto confirme le perimetre automatise actuel. Reserve importante : la case study Blue Yonder definit son propre 90% autrement (part des articles commandes aux partenaires ecoules sous 30 jours, selon Mathias Stuben) et contient un 90% sans aucun rapport (part de la boutique en ligne dans le chiffre d'affaires annuel) ; seul le 90% de The Economist, qui mesure bien une precision de prevision, est repris ici. Pas de niveau A faute de resultats financiers.

1. 1
   Collecte des signaux systemes Otto / equipe data

   Historique de vente, comportement client, tendances saisonnieres, jours feries, operations marketing prevues et meteo sont agreges. Le deploiement de 2017 exploitait environ 3 milliards de transactions passees et 200 variables.

2. 2
   Prevision de demande modele IA

   Le modele predit ce qui sera vendu a court terme. The Economist rapporte 90% de precision sur les ventes a 30 jours pour le systeme Blue Yonder de 2017 ; la case study Google Cloud attribue au modele TiDE jusqu'a 30% de precision supplementaire.

3. 3
   Commande autonome modele IA / systeme d'achat

   Sur le perimetre automatise, le systeme commande lui-meme la marchandise aupres des marques tierces sans intervention humaine : environ 200 000 articles par mois en 2017.

4. 4
   Perimetre automatise partiel achats Otto

   L'automatisation ne couvre pas tout le catalogue : Otto indique 35% des gammes deja reapprovisionnees automatiquement. Les sources publiques ne decrivent pas la regle qui decide du perimetre.