Accueil
/
Business Cases
/
Application d'optimisation de la Supply Chain
Distribution pharmaceutique

Application d'optimisation de la Supply Chain

Un acteur de la distribution pharmaceutique devait repenser l'intégralité de sa chaîne d'approvisionnement : assortiment en pharmacie, gestion des stocks et circuits de livraison. La recherche opérationnelle seule ne suffisait plus. Nous avons construit l'application qui a transformé ses opérations.

Problématique

Chaque pharmacie du réseau recevait un assortiment standard, sans prise en compte de sa localisation ni du profil de sa population. Les stocks étaient pilotés sans modèle prédictif, ruptures et surstockage coexistaient et les circuits de livraison suivaient des schémas historiques jamais remis en question.

Résultat : des millions immobilisés dans du stock inutile, des ventes perdues par manque de disponibilité et des coûts logistiques en hausse constante, sans que les équipes aient les outils pour agir.

Vue rapprochée d’une coupe transversale colorée d’une géode montrant des couches concentriques de minéraux en jaune, marron, rouge et vert.

Solution

Ce que nous avons construit

Nous avons déployé une équipe de 2 Data Scientists, 1 Data Engineer et 1 consultant en recherche opérationnelle pour concevoir et industrialiser une application complète d'optimisation Supply Chain.

Étape 1 — Collecte et structuration des données. Récupération, nettoyage et traitement de l'ensemble des données nécessaires : historiques de ventes par pharmacie, données de localisation, profils démographiques des zones de chalandise, données de stock et de livraison.

Étape 2 — Développement des algorithmes. Combinaison de machine learning et de recherche opérationnelle pour traiter trois dimensions simultanément : prédiction de la demande par pharmacie avec un niveau de granularité très fin, optimisation de l'assortiment en fonction du contexte local, et optimisation des circuits de livraison.

Étape 3 — Amélioration continue des modèles. Les algorithmes d'apprentissage ont été conçus pour s'améliorer en continu à mesure que de nouvelles données entraient dans le système. La performance des prédictions progressait avec chaque cycle.

Étape 4 — Mise en production. Développement en méthodologie agile, phases de test et de recette, puis déploiement en production sur l'infrastructure Azure du client.

Projets dans la même catégorie

Aide à la création de médicaments

Un laboratoire pharmaceutique devait identifier de nouvelles combinaisons moléculaires brevetables à partir de millions de publications médicales. La recherche manuelle avait atteint ses limites. Nous avons construit le système qui a changé la donne.

Application d'optimisation de la Supply Chain

Un acteur de la distribution pharmaceutique devait repenser l'intégralité de sa chaîne d'approvisionnement : assortiment en pharmacie, gestion des stocks et circuits de livraison. La recherche opérationnelle seule ne suffisait plus. Nous avons construit l'application qui a transformé ses opérations.

Détection des tendances sur les réseaux sociaux

Dans un marché où les comportements consommateurs changent plus vite que les cycles de décision, un client avait besoin d'anticiper les tendances au lieu de les subir. Nous avons construit la plateforme qui transforme le bruit des réseaux sociaux en signaux actionnables.

Rendement de parcelles agricoles

La filiale climatique d'un leader français de l'assurance avait besoin de prédire les rendements des champs à l'échelle de l'Allemagne pour tarifer une nouvelle offre d'assurance sécheresse. Les données internes ne suffisaient pas. Nous avons construit les modèles prédictifs qui ont rendu le produit commercialisable.

Plateforme d'analyse de besoins clients

Un grand groupe français cherchait à comprendre les besoins actuels et à venir de ses clients en agrégeant un volume massif de données consommateurs. Après un POC de 8 semaines, nous avons industrialisé une plateforme complète déployée sur l'ensemble des entités France et aujourd'hui en cours d'extension à l'échelle du groupe.

Scoring et analyse de la peau

Un acteur majeur de la cosmétique de luxe avait développé un algorithme de scoring de la peau. Problème : personne ne pouvait vérifier sur quoi l'IA se basait pour poser son diagnostic. Nous avons construit le système de visualisation qui rend les prédictions transparentes et déployable en boutique et sur mobile.