Demand forecasting and inventory improvement in supply chain management using hybrid boosting ensemble techniques

Résumé

Une gestion efficace de la chaîne d’approvisionnement dans le commerce de détail repose en grande partie sur une prévision précise de la demande et une optimisation des stocks afin de garantir l’équilibre des stocks et de minimiser les coûts. Cette étude propose un cadre novateur intégrant un modèle d’ensemble hybride boosting appliqué à deux études de cas (avec et sans gestion de l’incertitude pour un problème de gestion des stocks à un seul échelon) et à la politique de gestion des stocks « Order-Up-to-Level » afin d’améliorer la précision des prévisions et l’efficacité opérationnelle dans l’environnement de vente au détail des magasins Rossmann. L’objectif est d’optimiser les paramètres clés des stocks, notamment les points de commande, le stock de sécurité et le coût total des stocks. La méthodologie adoptée suit une approche en deux phases. Dans un premier temps, un ensemble hybride composé de LightGBM, CatBoost et XGBoost est développé à partir de données multivariées issues du jeu de données Rossmann, incluant les ventes, les caractéristiques des magasins, les variables temporelles et les promotions. Une généralisation floue est appliquée en amont pour gérer l’incertitude. Le modèle fonctionne en cascade: LightGBM génère des prévisions initiales, CatBoost corrige les erreurs résiduelles, et XGBoost affine les résultats finaux. L’optimisation est réalisée par recherche en grille et validation croisée à 5 plis. Ces prévisions alimentent ensuite la politique d’inventaire Order-Up-To-Level pour déterminer les décisions d’approvisionnement améliorées. Le cadre est comparé à des approches traditionnelles et à modèles uniques, souvent limitées face à la volatilité de la demande et à l’intégration avec les systèmes d’inventaire. L’ensemble hybride surpasse ces méthodes en tirant parti des avantages spécifiques de chaque algorithme : efficacité computationnelle de LightGBM, traitement performant des variables catégorielles par CatBoost, et régularisation efficace via XGBoost. Une validation empirique, basée sur les données de 1 115 magasins Rossmann sur 942 jours, montre des améliorations significatives selon des métriques clés telles que l’erreur quadratique moyenne et l’erreur absolue moyenne. Le système proposé permet de réduire les erreurs de prévision, les coûts d’inventaire (commande, stockage, achat), les ruptures de stock et les excédents, tout en augmentant le niveau de service. En résumé, l’intégration du boosting hybride, de la généralisation floue et de la politique Order-Up-To-Level constitue une solution robuste et fondée sur les données pour relever les défis liés à l’incertitude de la demande et à la gestion des stocks dans la chaîne d’approvisionnement. Le cadre proposé démontre des améliorations opérationnelles concrètes et un fort potentiel d’adoption dans les applications réelles du commerce de détail.

Date	11 août 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Yvan Beauregard (Directeur(-trice))