.png){kind=logo}
Réduire les coûts en maîtrisant la volatilité des matières premières grâce à la data science et au RPA
- Practice
- Équipe
1 architecte,
1 data engineer,
2 datascientists,
2 experts métier
- Environnement technique
CHALLENGES
Cette multinationale française de l’agroalimentaire développe ses activités autour de quatre pôles : produits laitiers frais et d’origine végétale, eaux en bouteille, nutrition médicale et nutrition infantile. Cotée sur Euronext Paris, elle fait également partie de l’indice boursier CAC 40. En combinant data science et robotisation, le groupe a pu monitorer efficacement les prix des matières premières et ajuster ses achats au bon moment. Cette approche a généré 7 M€ d’économies en 7 mois, avec un potentiel de 10 M€/an, tout en créant un modèle réplicable à d’autres familles de produits.
- Le groupe s'approvisionne en plastique, dont les polyéthylènes (dont P.E.T.), à hauteur de 700 à 800 millions d'euros par an.
- Le prix du plastique est volatile, fortement corrélé au prix du pétrole, ce qui a un impact important sur le P&L et les marges des produits.
- Le processus actuel pour déterminer la politique d'achat est long, manuel et manque d'efficacité.
- Objectifs : prendre de meilleures décisions d'achat et de couverture.
- Business Case Gain estimé à 10M€/an.
SOLUTION
- Automatiser la collecte des données de marché sur les sites référents (+20).
- Normaliser et nettoyer les données pour mise en conformité et cohérence.
- Constituer un Datawarehouse pour l’ensemble de ces valeurs.
- Choisir et paramétrer les algorithmes de data-science les plus adaptés à la détermination des prix et des prévisions d’évolution.
- Faire valider la démarche et les calculs pour obtenir la confiance des métiers.
- Présenter systématiquement les résultats en formes adaptées à la culture et aux besoins des métiers.
BÉNÉFICES
- Une visibilité précise et actualisée du marché des matières premières, facilitant des décisions d’achat plus opportunes.
- Un modèle rapidement extensible : intégration aisée de nouvelles sources de PET et adaptation à d’autres matières premières.
- Des performances de prédiction élevées, portées par l’algorithme XGBoost et des capacités avancées de machine learning.
- Une base de données historique centralisée et homogène, offrant une référence fiable pour l’analyse et le suivi des prix.
- Des tableaux de bord conçus pour l’usage, favorisant une lecture claire, partagée et unifiée de la “vérité des prix”.
- Un gain financier immédiat, estimé à 7 M€ sur la première année.
