Comment Decathlon gère ses prévisions de demande à grande échelle avec Chronos-2
Décathlon, l'un des plus grands distributeurs mondiaux d'articles de sport avec plus de 100 000 collaborateurs et 400 millions d'utilisateurs, a intégré Chronos-2 comme composant central de son système de prévision de la demande. L'entreprise gère des dizaines de milliers de produits couvrant plus de 80 sports, vendus sur plusieurs continents avec des schémas de demande fortement saisonniers. Son système prévoit les ventes hebdomadaires sur deux horizons : 12 semaines pour le réapprovisionnement auprès des partenaires industriels, et 52 semaines pour la planification stratégique des stocks et des capacités. Il tourne chaque semaine sur plusieurs zones d'approvisionnement (Europe, Inde, Chine, Asie du Sud-Est, Amérique latine, bientôt Moyen-Orient et Afrique), chacune couvrant jusqu'à 25 000 produits. Avant Chronos-2, Décathlon s'appuyait entre 2021 et 2024 sur une approche hybride combinant Amazon SageMaker AI DeepAR pour l'horizon court terme et le lissage exponentiel Holt-Winters pour le long terme, puis à partir de 2024 sur un Temporal Fusion Transformer avec covariables. Pour évaluer les modèles de fondation pour séries temporelles, l'équipe a mené un benchmark sur 101 points de coupure glissants couvrant près de deux ans (de la semaine 48 de 2022 à la semaine 44 de 2024), portant sur environ 25 000 produits par coupure, soit 39 000 séries temporelles uniques au total, mesurées via l'erreur pourcentuelle absolue pondérée (WAPE).
Résumé et traduction réalisés par Le Fil IA à partir de AWS ML Blog. Lire l'article original →
Ce choix technique a un impact direct sur la disponibilité des produits en magasin : mieux prévoir la demande permet de limiter les ruptures de stock comme le surstockage, deux problèmes coûteux pour un distributeur de cette taille. Dans les résultats publiés par Décathlon, Chronos-2 affiné (fine-tuned) a systématiquement surpassé tous les autres modèles testés sur les deux horizons de prévision, et même en mode zéro-shot, sans entraînement spécifique sur les données de Décathlon, il a égalé voire dépassé les modèles entièrement entraînés sur mesure. Au-delà de la précision, l'intérêt principal est opérationnel : contrairement aux approches précédentes qui nécessitaient un réentraînement hebdomadaire et un travail d'ingénierie important pour s'étendre à de nouvelles régions, un modèle de fondation pré-entraîné réduit la complexité de déploiement et facilite le passage à l'échelle sur nouvelles zones géographiques.
Cette évolution s'inscrit dans la montée en puissance des modèles de fondation pour séries temporelles (time series foundation models), une catégorie d'IA générative appliquée aux données séquentielles qui promet de remplacer des pipelines de machine learning sur mesure par des modèles pré-entraînés génériques, à la manière de ce que les grands modèles de langage ont fait pour le texte. L'article, co-écrit avec des ingénieurs de Décathlon (Vianney Bruned, Filippo Giruzzi, Belkiss Saidi et Carlos Ramirez), détaille l'architecture déployée sur AWS pour faire tourner Chronos-2 à grande échelle. Pour les acteurs du retail confrontés à des chaînes d'approvisionnement complexes et multi-régions, cette bascule illustre une tendance plus large : l'adoption de modèles de fondation spécialisés pour réduire la dette opérationnelle liée au réentraînement continu, tout en cherchant un gain de précision mesurable face aux approches classiques comme DeepAR ou les Transformers à fusion temporelle.
Décathlon, distributeur français majeur, améliore sa gestion des stocks et de sa chaîne d'approvisionnement multi-régions grâce à ce modèle de fondation.
Chronos-2 en zéro-shot qui égale des modèles entraînés sur mesure chez Decathlon, c'est le signal qu'on attendait sur les foundation models pour séries temporelles. Depuis 2021 ils avaient empilé DeepAR, Holt-Winters, un TFT, à chaque fois avec du réentraînement hebdomadaire et de l'ingé pour chaque nouvelle région. Là, un seul modèle pré-entraîné qui tourne sur 25 000 produits par zone sans ce cycle de maintenance, forcément ça change le calcul coût-bénéfice pour tout distributeur multi-régions. Reste que c'est Decathlon qui publie ses propres résultats, donc à voir si ça se généralise aussi bien chez d'autres avec moins de moyens d'intégration.