La consommation des ménages, série officielle
La série officielle de consommation donne le dénominateur macro auquel toute prévision de demande doit se raccrocher.
Source · Insee, séries de consommation
Simulation de métier
Data Analyst Prévision & Réapprovisionnement, décider la commande du frais
Huit missions dans la supply chain d'une enseigne alimentaire française : décensurer un historique de ventes, choisir une mesure d'erreur qui ne ment pas, construire une prévision quotidienne par magasin et référence, isoler l'effet réel des promotions, transformer une prévision en politique de commande sous contrainte de DLC et de colisage, arbitrer casse contre rupture, industrialiser sans perdre la confiance du terrain, puis prouver causalement le gain devant une direction qui veut généraliser trop vite.
10 heures
Avancé
i
Commerce
Ouverte
Profil Recherché
Un diagnostic de données de vente avec détection et traitement de la demande censurée par les ruptures.
Un protocole d'évaluation honnête : WAPE, biais, validation temporelle glissante et baseline à battre.
Un modèle de prévision quotidien par magasin et référence, avec météo, calendrier et promotions.
Une analyse d'uplift promotionnel séparant cannibalisation, halo et effet de stockage.
Une politique de commande : quantile de coût critique, stock de sécurité, colisage, DLC.
Une mesure causale du gain en pilote contre témoins, défendue devant la direction.
Pourquoi cette simulation compte
Construisez une expérience concrète et la confiance pour la suite.
Description
Un rayon frais est une machine à décisions irréversibles : ce que vous commandez le mardi soir sera vendu, démarqué ou jeté le jeudi, et aucune analyse postérieure ne le rattrapera. Cette simulation vous place exactement là, au point où une distribution de probabilité doit devenir un nombre entier de colis. Vous ne produirez pas un carnet d'analyse : vous produirez les artefacts qu'une centrale, un chef de rayon et un contrôleur de gestion ouvriront le même jour.
Comment ça se passe
Quelques étapes pour commencer
S’inscrire et commencer
Créez votre compte et ouvrez la mission.
Faire le travail
Traitez chaque mission comme le métier se pratique vraiment.
Lire votre signal
Voyez ce que votre travail a montré, cité depuis ce que vous avez écrit.
Garder la preuve
Emportez la preuve dans vos candidatures et vos entretiens.
Opportunités & mises à jour
De nos partenaires
Compétences Développées
Ce que vous maîtriserez
Diagnostic de données de vente : demande censurée, ruptures linéaires, valeurs aberrantes, historique promotionnel
Mesure d'erreur honnête : WAPE, biais signé, erreur pondérée par la valeur, pièges du MAPE sur faibles volumes
Validation temporelle : découpage glissant, horizon de décision, fuite de données, baseline saisonnière naïve
Modélisation de la demande quotidienne : saisonnalité, calendrier, météo, effets locaux
Analyse promotionnelle : uplift, cannibalisation, halo, effet de stockage post-promotion
Prérequis
Ce que vous devez maîtriser
Des bases en statistiques descriptives et en SQL ou pandas : le reste est expliqué en contexte.
Aucune expérience préalable de la distribution requise — la simulation construit le vocabulaire métier mission après mission.
Market signals
Le Marché de la Prévision et du Réapprovisionnement
Ce que le frais, le gaspillage et l'automatisation créent comme métier.
Ce que promet l’éditeur de planification
La documentation d’un éditeur de planification décrit les gains annoncés sur les ruptures. Chiffres vendeurs, à vérifier en pilote.
Source · o9 SolutionsL’IA appliquée à la prévision de demande
La thèse fait le point sur les méthodes d’apprentissage appliquées à la prévision de demande en chaîne d’approvisionnement et sur leurs conditions de validité.
Source · Thèses HAL, 2025Les ruptures en linéaire, mesurées par la filière
Le baromètre professionnel suit les ruptures en magasin à partir des ventes quotidiennes, sur un périmètre de catégories stable depuis 2006.
Source · Institut du commerce, baromètre ECR-Circana P9 2024Objectif de 33 % du chiffre d’affaires en marque distributeur
La marque distributeur monte
Le cas d’un distributeur qui outille son processus de planification montre où se déplace l’enjeu : la MDD change la structure de la prévision.
Source · Supply Chain Magazine, 20241,6 Mt / an
Le gaspillage du frais se décide à la commande
La distribution française jette chaque année environ 1,6 million de tonnes de produits frais, et 60 à 70 % de la démarque sur le frais est déjà verrouillée avant l'arrivée du produit en magasin. Les leviers aval atténuent la conséquence ; seule la commande corrige la cause.
Source · Journal du Net — chronique prévision du frais, 12 août 2026−13 %
Un pilote réel, un ordre de grandeur crédible
Sur un réseau de 56 entrepôts drive, un mois de prévision automatisée a réduit la casse des fruits et légumes de 13 % sur les sites pilotes. La modestie du chiffre est sa crédibilité : les gains de prévision se comptent en points, pas en révolutions.
Source · Marmiton, d'après LSA Commerce & Consommation, 5 juillet 2026Deux à cinq points de fiabilité, et cela suffit à changer la disponibilité
Les directions supply chain qui combinent expertise métier et modèles annoncent des gains de fiabilité de prévision de deux à cinq points, avec un impact matériel sur la disponibilité produit à l'échelle d'un groupe.
Source · EcommerceMag — entretien direction supply chain, 17 février 2026La rupture est punie plus vite que la casse — et cela biaise tout
Un chef de rayon gère 200 à 500 références et commande à J+1 sous incertitude ; comme la rupture est sanctionnée plus immédiatement que le gaspillage, le système humain surprovisionne structurellement. Un modèle qui ignore ce biais d'incitation ne sera jamais adopté.
Source · Journal du Net — chronique prévision du frais, 12 août 2026Le gaspillage est devenu un objet de conformité et de mesure
Loi Garot, loi AGEC et cadre européen de surveillance des déchets alimentaires : les volumes perdus se déclarent et se suivent annuellement. Une politique de commande produit désormais des chiffres que l'entreprise doit assumer publiquement.
Source · Ministère de l'Agriculture — gaspillage alimentaireLa météo n'est pas un détail : c'est une variable de premier ordre
Températures et précipitations expliquent une part majeure de la variance quotidienne des ventes de frais. Les données publiques de Météo-France rendent cette variable accessible à toute équipe, quel que soit son budget.
Source · Météo-France — données publiques ouvertesLa simulation en action
Découvrez comment les situations prennent vie
Le gaspillage du frais se joue avant le rayon — chronique d'un éditeur de prévision
journaldunet.com
FILE
1,6 million de tonnes de produits frais jetés chaque année par la distribution française, 60 à 70 % de la démarque verrouillée avant l'arrivée en magasin, et la raison structurelle du surstock : la rupture est sanctionnée plus vite que la casse.
Déploiement réel : −13 % de casse sur les fruits et légumes en un mois
marmiton.org
FILE
Un réseau de 56 entrepôts drive branche une prévision automatisée sur ses fruits et légumes. Ordres de grandeur, périmètre pilote et rôle du contrôle humain : à lire pour calibrer ce qu'un projet de prévision produit réellement.
Direction supply chain : ce que l'IA de prévision apporte, et de combien
ecommercemag.fr
FILE
Entretien d'une direction supply chain française : cockpit de pilotage, partage de données avec les industriels, et gains de fiabilité de prévision annoncés en points, pas en promesses.
Ministère de l'Agriculture — gaspillage alimentaire : cadre et données
agriculture.gouv.fr
FILE
Cadre national de lutte contre le gaspillage (loi Garot, AGEC), suivi européen des déchets alimentaires, définitions de DLC et DDM. La source institutionnelle des contraintes que votre politique de commande doit respecter.
Le modèle du vendeur de journaux — arbitrer rupture contre invendu
sciencedirect.com
FILE
La formulation classique : le niveau de stock optimal est le quantile de la demande égal au ratio coût de rupture / (coût de rupture + coût d'invendu). Le socle mathématique de toute politique de commande sur produit périssable.
Météo-France — données publiques ouvertes
meteo.data.gouv.fr
FILE
Températures et précipitations par station : la variable exogène qui explique une part majeure de la variance des ventes de frais, et la première à ajouter à un modèle de demande.
Calendrier officiel — jours fériés et vacances scolaires par zone
data.gouv.fr
FILE
Le référentiel de calendrier sans lequel toute prévision quotidienne se trompe systématiquement quatre à six fois par an, toujours au pire moment.
INSEE — séries de consommation et de prix alimentaires
insee.fr
FILE
Séries publiques utiles pour construire une saisonnalité de référence et distinguer un effet de calendrier d'un effet d'enseigne.
Les missions du programme
Ouvrez une mission pour voir ce que vous allez produire
☆
Aperçu du programme
1
Task 1
2
Task 2
3
Task 3
4
Task 4
5
Task 5
6
Task 6
7
Task 7
8
Task 8
🏁
Ligne d’arrivée
Aperçu du programme
Un rayon frais est une machine à décisions irréversibles : ce que vous commandez le mardi soir sera vendu, démarqué ou jeté le jeudi, et aucune analyse postérieure ne le rattrapera. Cette simulation vous place exactement là — au point où une distribution de probabilité doit devenir un nombre entier de colis. Vous ne produirez pas un carnet d'analyse : vous produirez les artefacts qu'une centrale, un chef de rayon et un contrôleur de gestion ouvriront le même jour.
Ce que vous allez vivre
- Comprendre
- Prévoir
- Décider
- Prouver
Prérequis
- Des bases en statistiques descriptives et en SQL ou pandas : le reste est expliqué en contexte.
- Aucune expérience préalable de la distribution requise — la simulation construit le vocabulaire métier mission après mission.
Ce que disent les pairs
Témoignages de professionnels qui ont vécu des missions équivalentes
4.8 •5 voix d’experts
Story
“Je pensais que le sujet, c'était le modèle. La mission 5 m'a montré que le modèle n'est qu'une entrée : ce qui décide, c'est le quantile de coût critique et le colisage. J'ai arrêté de chercher 2 % de MAPE en plus.”
Inès B.
Étudiante en master data science
Vers un poste d'analyste prévision en distribution
Story
“La mission sur la demande censurée m'a réconcilié avec mon ancien métier : pendant dix ans, on m'a jugé sur des ventes qui n'étaient pas la demande. Voir ça écrit noir sur blanc, avec la méthode pour le corriger, ça vaut un…”
Rémi T.
Ancien chef de rayon frais en reconversion data
Vers la supply chain analytique
Story
“Ces simulations m'ont aidée à projeter ce que serait mon premier poste. Très concret.”
Inès K.
Étudiante M2
Sciences Po
Story
“Le format est addictif et utile en entretien.”
Adrien L.
Diplômé école d'ingé
INSA Lyon
Story
“L'outil idéal pour tester un métier avant de s'engager.”
Maya T.
En reconversion
—
Ce que disent les pairs
Témoignages de professionnels qui ont vécu des missions équivalentes
4.8•5 voix d’experts
Story
“Je pensais que le sujet, c'était le modèle. La mission 5 m'a montré que le modèle n'est qu'une entrée : ce qui décide, c'est le quantile de coût critique et le colisage. J'ai arrêté de chercher 2 % de MAPE en plus.”
Inès B.
Étudiante en master data science
Vers un poste d'analyste prévision en distribution
Prêt à commencer ?
Faites le travail, gardez la preuve.