Comment utiliser la data pour piloter le BFR ?

La data a un rôle majeur à jouer dans pilotage du Besoin en Fonds de Roulement (BFR). Dans un contexte général de durcissement de la politique monétaire, la maîtrise du Besoin en Fonds de Roulement s’avère déterminante pour le pilotage financier. Les entreprises doivent en particulier piloter leur niveau de stock – indicateur crucial non seulement de leur performance opérationnelle mais aussi de leur santé financière.

Comment utiliser la data pour piloter le BFR ?

Sommaire

Piloter sa trésorerie dans un contexte incertain

L’accès à des liquidités bon marché, ainsi que les Prêts Garantis par l’Etat (PGE) ont permis à l’immense majorité des entreprises de survivre à la pandémie de Covid-19.

Toutefois, le durcissement de la politique monétaire, la hausse des taux d’intérêt, les échéanciers de remboursements des PGE, et plus globalement le contexte macroéconomique ont successivement mis les entreprises face au défi d’une meilleure gestion de leur trésorerie.

La cote d’alerte est désormais franchie, comme le souligne l’économiste Marc Touati, qui relève que le nombre de défaillances d’entreprises a retrouvé son plus haut niveau historique en France depuis 2009 (hors micro-entreprises).

Même les entreprises en croissance ne sont pas épargnées

La faillite soudaine de Probikeshop en novembre 2023, ex-leader français de la vente en ligne de vélos, en est un exemple probant. Portée par des taux de croissance avoisinant les 30% durant la crise sanitaire, l’entreprise avait intensifié sa production pour répondre à la demande. Toutefois, la fin de la pandémie et la saturation du marché ont rapidement engendré une baisse significative des ventes, laissant l’entreprise face à un stock massif et une trésorerie fortement déficitaire, qui ont précipité sa chute.

Dans ce contexte, la maîtrise du Besoin en Fonds de Roulement s’avère déterminante pour le pilotage financier. Les entreprises doivent en particulier piloter leur niveau de stock – indicateur crucial non seulement de leur performance opérationnelle mais aussi de leur santé financière.

La data au service de l'optimisation des stocks

Nous observons fréquemment dans nos activités de consulting que la prévision de la demande (sales forecast) et la gestion des stocks qui en découle – aussi critiques soient-elles – souffrent d’une approche souvent empirique. Autre constat corroboré par nos retours d’expérience : l’apport d’insights fournis par la “data” permet de matérialiser une plus-value tangible sur l’ensemble de la supply chain.

En effet, les prévisions de vente, les décisions de réapprovisionnement sont fondées sur des modèles parfois datés, sur l’extrapolation de données historiques, ou sur des projections établies de manière déclarative (à dire d’expert).

D’autres facteurs tels que la saisonnalité, le changement de comportement des consommateurs, ou encore le niveau des interactions entre Commerce, Marketing et Supply Chain peuvent ajouter à la difficulté d’établir des prévisions de vente et décisions de gestion de stock fiables.

Un cas d'application : le secteur de la mode

Pour illustrer l’apport de la data dans la recherche d’un niveau de stock optimum, prenons l’exemple de l’industrie de la Mode.

Celle-ci dispose de caractéristiques spécifiques, notamment liées à la logique de collection saisonnière entraînant des pics de ventes, des risques de rupture (ventes manquées) ou, à l’inverse, de surstocks (devant alors être liquidés à marge réduite dans le cadre de ventes privées, soldes…) pour éviter les invendus.

Pour trouver l’optimum en matière de stocks, les marques doivent proposer le “juste” nombre de référence Produits, lancer des lots de fabrication en adéquation avec les prévisions – tout en prenant en compte les délais d’approvisionnement des matières et les contraintes de production (tailles de lots…).

Étape 1 – Optimisation de la profondeur de gamme

La première étape vise à identifier le nombre optimal de références pour répondre à la demande de la clientèle. Pour y parvenir, une analyse de saturation des ventes permet d’identifier si la profondeur de gamme proposée est trop étroite ou, au contraire, trop large au regard des profils de consommation.

En fonction du positionnement souhaité, la marque peut alors décider d’enrichir, maintenir ou alléger ses gammes, en toute connaissance de cause. D’autres paramètres peuvent également être pris en compte pour affiner les analyses, notamment pour les produits issus de nouvelles collections ou faisant l’objet de campagnes publicitaires dédiées.

Étape 2 - Prévision des volumes de production

Une fois les profondeurs de gammes établies, l’objectif est d’identifier le volume de fabrication optimal par produit, pour minimiser les stocks, sans perdre de vente. Cette analyse permet de quantifier l’optimum entre niveau de stock (donc BFR), d’une part, et niveau de ventes (donc de marge), d’autre part. Bilan et compte de résultat répondent en effet à des logiques différentes, et parfois contradictoires !

Cette optimisation sous contraintes doit être nourrie par l’utilisation de données et des techniques d’apprentissage automatique (Machine Learning). Leur usage permet d’améliorer l’exactitude de la Forecast Accuracy de l’ordre de 20 à 30%, en prenant en compte la temporalité (lancement de la collection, milieu de saison, soldes, ventes privées, …) et les délais de réassort.

Les prévisions ainsi établies peuvent ensuite être intégrées par les équipes Supply Chain, pour faciliter la prise de décisions et affiner le modèle de planification.

La data au service du BFR : une démarche accessible

La démarche d’optimisation des stocks présentée ci-avant, fondée sur la donnée, présente plusieurs avantages.

Réinvention stratégique

Découvrez nos expertises pour accompagner votre stratégie d'entreprise
franck cesar associe cabinet conseil

Franck CÉSAR

Associé iQo
son profil LinkedIn

marc antoine paing

Marc-Antoine PAING

Senior Manager iQo
son profil LinkedIn