Anticiper une rupture de stock : de quels signaux une organisation a-t-elle réellement besoin ?
Une rupture de stock n’est pas d’abord un problème d’IA. C’est un problème d’anticipation, de données et de décision. Voyons à quel moment règles, prévision et modèles prédictifs deviennent réellement utiles.
Une rupture se constate souvent trop tard : lorsqu’une commande ne peut plus être servie, qu’une production doit être retardée ou qu’un réapprovisionnement devient urgent. Pourtant, plusieurs signaux existent avant le stock zéro : niveau disponible, rythme de consommation, commandes en cours, délai fournisseur, saisonnalité ou demande prévue.
Avant de choisir un algorithme, il faut savoir quels signaux opérationnels décrivent réellement le problème.
01 · LE PROBLÈME MÉTIER
Avant de prédire, comprendre le mécanisme de la rupture
Connaître le stock disponible ne suffit pas. Cent vingt unités peuvent représenter une situation confortable si la consommation est faible et le fournisseur rapide, ou une situation critique si la demande accélère et que le délai de réapprovisionnement s'allonge.
Une étude publiée en 2025, fondée sur plus de 1,6 million de SKU, montre que le niveau de stock actuel, les prévisions de demande à court terme et les ventes récentes figurent parmi les facteurs les plus influents pour prédire les ruptures. Dans cette application, les signaux proches dans le temps sont aussi plus informatifs que certaines projections plus lointaines (étude de prédiction des ruptures, 2025).
02 · COMMENCER SIMPLE
Une première alerte ne nécessite pas forcément d’IA
Une première mesure consiste à comparer la couverture du stock au temps nécessaire pour être réapprovisionné.
CouvertureCt = St / D̄
On peut ensuite comparer la position disponible et les commandes attendues au besoin prévu pendant le délai, augmenté du stock de sécurité.
Règle d’alerteSt + Ot < DLTt + SS
Cette règle est déterministe et explicable. Pour un nombre limité de références et des comportements relativement stables, elle peut déjà produire une alerte opérationnelle utile.
DÉMONSTRATEUR PÉDAGOGIQUE
Faites varier les signaux
Marge disponibleLa position projetée reste supérieure au stock de sécurité.
DIAGNOSTIC EXPLICABLE
La couverture disponible dépasse actuellement le délai fournisseur et la commande en cours maintient une marge au-dessus du stock de sécurité.
TRAJECTOIRE PROJETÉE DU STOCK
Prévision ≠ rupture
Une hausse de la demande prévue ne signifie pas automatiquement une rupture. Le risque dépend de la combinaison entre demande, stock disponible, commandes en cours, délai de réapprovisionnement et marge de sécurité.
Ce démonstrateur illustre une logique de décision avec des données simulées. Il ne constitue ni une validation de performance sur les données d'une entreprise réelle ni une recommandation de politique de stock.
03 · QUAND LA PRÉVISION DEVIENT UTILE
La demande n’est pas toujours régulière
Tendance, saisonnalité, promotions, commandes ponctuelles ou longues périodes sans vente peuvent rendre une moyenne insuffisante. Les pièces détachées illustrent bien la demande intermittente : de nombreuses périodes à zéro peuvent alterner avec des demandes irrégulières.
Pour les demandes intermittentes, les approches inspirées de Croston ne traitent pas la série comme une demande régulière. Elles estiment séparément deux composantes : la quantité demandée lorsqu’une demande survient et le temps qui sépare deux demandes non nulles. Cette décomposition permet de mieux représenter des situations où plusieurs périodes sans demande alternent avec des besoins ponctuels. Des variantes ont ensuite été proposées pour corriger certains biais de la méthode initiale et mieux répondre à différentes structures de demande (Croston, 1972 ; Pinçe et al., 2021). Ces méthodes ne constituent toutefois pas une solution universelle : leur performance dépend de la structure de la demande, de l’horizon considéré et de l’objectif opérationnel poursuivi (Teunter & Duncan, 2009).
Règles & indicateurs
Stock, consommation, délai, commandes en cours et seuils.
Prévision
Estimer la demande future lorsque l’historique permet d’apprendre tendance, saisonnalité ou intermittence.
Modèle prédictif / IA
Combiner de nombreux signaux pour estimer et prioriser un risque de rupture.
04 · QUAND ET COMMENT UTILISER L’IA
L’IA devient utile lorsque les règles ne suffisent plus
L’objectif n’est pas de remplacer la gestion des stocks, mais d’améliorer l’anticipation et la priorisation. L’IA mérite d’être testée lorsque l’organisation gère beaucoup de références, que les comportements de demande sont hétérogènes ou que plusieurs signaux doivent être combinés fréquemment.
ConcrètementStock + ventes + commandes + délais + contexte → modèle → prévision ou score de risque → tableau de bord / alerte → décision humaine.
Quand s’arrêter aux règles ? Si quelques seuils explicables détectent déjà correctement les situations à risque, ajouter de l’IA n’apporte pas nécessairement de valeur.
05 · MESURER LA VALEUR
Un modèle précis n’est pas nécessairement un bon système de stock
La qualité statistique d'une prévision ne suffit pas. Une organisation doit aussi regarder les conséquences opérationnelles : taux de rupture, niveau de service, fill rate, stock moyen, surstock, coût de possession, coût des ruptures et nombre d'alertes réellement exploitables.
Pour les modèles de classification, précision, rappel, F1, PR-AUC ou calibration peuvent compléter l'évaluation selon le cas. Le meilleur système est celui qui améliore la décision de stock compte tenu des objectifs et contraintes de l'organisation.
06 · PAR OÙ COMMENCER ?
Une trajectoire proportionnée à la maturité de l’organisation
- Identifier la décision à améliorer.Quelles ruptures posent réellement problème et à quel horizon faut-il agir ?
- Vérifier les données disponibles.Stock, ventes, commandes, fournisseurs, délais, qualité et historique.
- Construire une première règle.Tester une alerte explicable avant de complexifier.
- Mesurer ce qu’elle détecte et ce qu’elle manque.Relier l’évaluation aux conséquences métier.
- Ajouter prévision ou IA si la valeur est démontrée.Sophistiquer uniquement lorsque le problème et les données le justifient.
L'OCDE (2025) souligne que la maturité des données constitue un obstacle fondamental à l'adoption de l'IA et que les responsables peuvent avoir des difficultés à relier l'IA à des problèmes opérationnels concrets. Cette progression permet donc de partir du besoin plutôt que de la technologie.
MINI-DIAGNOSTIC
Quel niveau de solution votre situation justifie-t-elle ?
Cochez les éléments déjà disponibles dans votre organisation. Cette orientation est pédagogique et ne remplace pas un diagnostic métier et data complet.
Commencez par structurer les données essentielles.Une règle simple et explicable peut constituer le premier niveau de solution.
Choisir une réponse proportionnée à la situation
La solution pertinente dépend de la qualité des données, de la fiabilité des processus, du nombre de références et de la variabilité de la demande. Selon le contexte, une règle métier explicable, une automatisation ciblée ou un dispositif de prévision peut répondre au besoin sans complexité inutile.
SOURCES & LIMITES
Références principales
Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly, 23(3), 289–303.
Pinçe, Ç., Turrini, L., & Meissner, J. (2021). Intermittent demand forecasting for spare parts: A critical review. Omega, 105, 102513. https://doi.org/10.1016/j.omega.2021.102513
Teunter, R. H., & Duncan, L. (2009). Forecasting intermittent demand: A comparative study. Journal of the Operational Research Society, 60, 321–329. https://doi.org/10.1057/palgrave.jors.2602569
Teunter, R. H., Syntetos, A. A., & Babai, M. Z. (2011). Intermittent demand: Linking forecasting to inventory obsolescence. European Journal of Operational Research, 214(3), 606–615. https://doi.org/10.1016/j.ejor.2011.05.018
OECD. (2025). The adoption of artificial intelligence in firms: New evidence for policymaking. OECD Publishing. https://doi.org/10.1787/f9ef33c3-en
Étude de prédiction des ruptures (2025). Article fondé sur plus de 1,6 million de SKU. ScienceDirect.
À propos du démonstrateur
Les paramètres et résultats du démonstrateur sont simulés et servent uniquement à illustrer la démarche. Ils ne constituent pas une validation empirique d'un modèle SolDataSynth sur les données d'un client.