Opérations
Des signaux en temps réel sur des données réelles.
Aurélien
Le détaillant
Un détaillant outdoor de 11 magasins, deux acheteurs, cinq mille SKU.
Notre détaillant exploite 11 magasins en France sur le segment outdoor et montagne technique. L’équipe est réduite mais pointue : une équipe achat de 2 personnes, avec une forte expertise catégorie, qui gère environ 5 000 SKU en saison.
La stack est standard pour le secteur — Ginkoia pour la gestion retail centrale, Shopify pour l’e-commerce, et Excel comme tissu de liaison entre tout le reste. Cela fonctionne. Jusqu’au moment où ce n’est plus le cas.
"Nous avions des alertes dans nos têtes, pas dans nos systèmes. Quand quelqu’un l’a dit à voix haute, le moment était déjà passé."
— Responsable des opérations
Contexte
Un détaillant outdoor gérant un catalogue à forte vélocité sans signal en temps réel.
FW 2024. Le détaillant outdoor gérait 5 000 SKU en saison, avec une forte sensibilité météo et de forts volumes le week-end. Les ruptures de stock comptaient : une vente manquée sur une veste technique pendant un coup de froid était une vente perdue qui ne reviendrait pas.
Mais l’équipe n’avait aucun système de signal automatisé. Les anomalies — ruptures de stock en formation, surstocks, démarque sur les produits lents — n’étaient repérées que lorsqu’une personne consultait par hasard un rapport précis. La plupart du temps, c’était trop tard.
Les données étaient vivantes. La réponse, non.
La problématique
Les données montraient tout. L'équipe ne voyait rien à temps.
Toutes les bonnes données existaient dans Ginkoia et la plateforme e-com. Mais leur mise en visibilité exigeait qu'une personne extrait activement un rapport et le lise. L'équipe comptait trois personnes, des dizaines de catégories et aucune automatisation des signaux.
Les fenêtres de rupture de stock étaient détectées par hasard. Les baisses de démarque sur certains SKU n'étaient repérées qu'à la revue mensuelle suivante. Les articles à faible rotation étaient identifiés six semaines trop tard. Les données étaient vivantes — la réponse ne l'était pas.
Trois lacunes se cumulaient :
Aucune détection automatisée des ruptures de stock en formation, seulement une observation réactive.
La démarque et la dérive de la demande découvertes en revue mensuelle, jamais en direct.
Les alertes critiques transitaient par Slack, e-mail ou bouche-à-oreille, et étaient souvent manquées.
L'équipe ne manquait pas de données. Elle manquait d'un moyen pour que les données lui parviennent à temps.
La solution
Cinq types de signaux, en temps réel, routés automatiquement.
Solya surveille les données de l'enseigne en temps réel et déclenche des signaux lorsque les conditions sont réunies : fenêtres de rupture de stock qui s'ouvrent sur les best-sellers, baisses de démarque sur certains SKU, formation de surstocks, pics de demande sur des produits sensibles à la météo, anomalies de conversion. Chaque signal est routé vers la bonne équipe — achat, opérations, magasin, marketing — via le bon canal.
L'équipe a cessé de s'appuyer sur les revues du lundi. Elle a commencé à piloter sa semaine à partir des signaux reçus en direct, avec le contexte, des niveaux de confiance et une action recommandée.
5 types de signaux suivis en continu sur le réseau.
Détection par seuils, ajustée avec l'équipe sur plusieurs semaines.
Routage par équipe — achat, opérations, magasins, marketing — vers le bon canal.
L'équipe a cessé de chercher les signaux. Les signaux sont venus à elle.
Comment nous l’avons fait
Au cœur de la boucle.
La couche de signaux fonctionnait sur l’Intelligence Layer, l’équipe définissant les règles et l’IA surveillant en continu. Voici comment le système fonctionne, de bout en bout.
01 — Définir les types de signaux.
L’équipe a retenu cinq types de signaux à automatiser : ruptures de stock en formation, baisses de démarque, surstocks, pics de demande, anomalies de conversion. Chacun avait une définition claire.
02 — Définir les seuils avec l’équipe.
Pour chaque signal, l’équipe a défini les seuils avec Solya : à partir de quand une rupture de stock « compte » ? quelle baisse de démarque est significative ? qu’est-ce qui définit un surstock ? Les seuils ont été ajustés pendant des semaines.
03 — Connecter aux données en direct.
Solya surveillait Ginkoia, la plateforme e-commerce et le POS en temps réel. Chaque transaction, chaque mouvement de stock, chaque événement de marge était évalué au regard des règles de signal.
04 — Acheminer vers la bonne équipe.
Chaque signal avait une cible : les achats pour les surstocks, les opérations pour les ruptures de stock, les responsables de magasin pour les anomalies de conversion, le marketing pour les pics de demande. Les signaux arrivaient dans Slack, dans l’application ou par e-mail.
05 — Suivre du signal à l’action.
Chaque signal consignait son issue : a-t-il été traité ? en combien de temps ? avec quel résultat ? Solya a appris quels signaux comptaient, lesquels n’étaient que du bruit, et a affiné les seuils au fil du temps.
L’équipe a cessé de chercher les signaux. Les signaux venaient à elle.
Les impacts
Des opérations pilotées par les signaux, pas par les rapports.
Après six mois d’exploitation de la couche de signaux en production, l’équipe s’appuyait sur un flux continu d’alertes pertinentes — et les revues du lundi sont devenues stratégiques, et non plus diagnostiques.
Minutes — De l’événement à l’alerte.
5 types de signal — En direct sur tout le réseau.
Bonne équipe — La bonne alerte, à chaque fois.
70% — Des alertes traitées en moins de 24 heures.
"Nous avons cessé de sortir des rapports. Les signaux arrivent tout simplement."
— Responsable opérations
Découvrez d'autres cas d'usage
Une seule plateforme. Chaque décision retail.
Stocks, allocation, tarification, planification, exécution — réunis dans une seule couche opérationnelle.
