Decathlon mise sur l'IA pour prédire vos achats sportifs : voici comment ça marche

DECATHLON, LE GÉANT DU SPORT QUI DÉPEND DE SES PRÉVISIONS

Avec plus de 100 000 employés et 400 millions d'utilisateurs dans le monde, Decathlon est l'un des plus grands distributeurs d'articles de sport. Pour que chaque magasin ait le bon produit au bon moment, l'entreprise s'appuie sur des prévision de demande ultra-précises. Un défi de taille : gérer des dizaines de milliers de produits répartis dans plus de 80 sports, vendus sur plusieurs continents où les habitudes de consommation changent selon les saisons.

Une paire de gants de ski et une planche de surf n'ont rien à voir en termes de demande, mais les deux doivent être disponibles au moment où les clients les cherchent. Pour éviter les ruptures de stock ou les surstocks, Decathlon a développé un système de prévision qui calcule les ventes hebdomadaires de tous ses produits sur deux horizons temporels :

• • Une fenêtre de réapprovisionnement de 12 semaines, utilisée par les acheteurs pour commander aux fournisseurs.
• • Un horizon stratégique de 52 semaines, pour anticiper les stocks à long terme et la planification des capacités de production.

Ce système tourne chaque semaine dans six zones d'approvisionnement : l'Europe, l'Inde, la Chine, l'Asie du Sud-Est, l'Amérique latine, et bientôt le Moyen-Orient et l'Afrique. Chaque zone couvre jusqu'à 25 000 produits différents.

L'ÉVOLUTION DU SYSTÈME DE PRÉVISION : DES MÉTHODES CLASSIQUES À L'IA

Pendant des années, Decathlon a utilisé des méthodes traditionnelles de prévision. Ces approches fonctionnaient, mais elles demandaient beaucoup de travail : le système devait être réentraîné chaque semaine, et il était difficile de l'étendre à de nouvelles régions sans efforts d'ingénierie supplémentaires. L'équipe cherchait une solution capable de fournir une meilleure précision avec moins de complexité opérationnelle.

L'arrivée des modèles de base pour séries temporelles (ou TSFMs, pour Time Series Foundation Models) a ouvert de nouvelles perspectives. Ces modèles préentraînés promettent des performances supérieures aux méthodes classiques, sans nécessiter de réentraînement à partir de zéro sur des données spécifiques. Mais une question restait en suspens : ces modèles fonctionneraient-ils sur les données spécifiques de Decathlon ?

LE GRAND TEST : CHRONOS-2 FACE À LA RÉALITÉ

Pour le savoir, Decathlon a conçu un benchmark à grande échelle sur ses propres données de vente. L'objectif ? Comparer plusieurs TSFMs avec leur système de production actuel. Les résultats ont été publiés en détail par Decathlon sur Medium.

L'entreprise a évalué plusieurs modèles en mode zero-shot (sans réentraînement) et en mode fine-tuned (avec réentraînement). Dans les deux cas, Chronos-2 s'est distingué. Même en mode zero-shot, il a égalé ou dépassé le système de production entièrement entraîné. Avec le fine-tuning, il a réduit l'erreur de prévision de plusieurs points de pourcentage.

Ce qui a fait la différence ? Chronos-2 supporte nativement les covariables grâce à son mécanisme d'attention de groupe. La plupart des TSFMs nécessitent des contournements pour intégrer des covariables, mais Chronos-2 les intègre directement. Avec une précision supérieure, une architecture élégante pour gérer les covariables et un fine-tuning efficace, Chronos-2 est devenu le choix évident pour la chaîne logistique de Decathlon.

L'ARCHITECTURE DE PRÉVISION : COMMENT CHRONOS-2 FONCTIONNE EN PRODUCTION

Sur AWS, Decathlon a mis en place une architecture de prévision de demande à la fois efficace, économique et fiable. Voici comment cela fonctionne :

Un pipeline PySpark prépare les données d'entrée. Tous les six mois, un job de fine-tuning basé sur AutoGluon adapte Chronos-2 aux dernières données et enregistre le modèle résultant dans un registre MLflow. Pendant les semaines intermédiaires, cette étape est ignorée. Le pipeline d'inférence récupère le dernier modèle enregistré et effectue des prévisions hebdomadaires par lots. Un autre pipeline PySpark expose ces prévisions aux systèmes en aval.

L'architecture utilise des instances Amazon EC2 pour l'inférence par lots, déclenchée par des jobs Databricks. Les pipelines de données sont orchestrés via Airflow sur la plateforme existante de Decathlon. Le processus de fine-tuning utilise l'adaptation à faible rang (LoRA) via l'intégration AutoGluon Chronos, permettant une adaptation efficace au domaine de Decathlon sans nécessiter un réentraînement complet du modèle.

L'INTELLIGENCE ARTIFICIELLE DERRIÈRE CHRONOS-2 : UN TRANSFORMER INNOVANT

Chronos-2 est un transformer sans encodeur, inspiré du design de l'encodeur T5. Il est disponible en plusieurs variantes, dont la version de base (amazon/chronos-2) avec 120 millions de paramètres et une version légère (autogluon/chronos-2-small) avec 28 millions de paramètres.

Contrairement à la première version de Chronos, qui quantifiait les valeurs en jetons discrets, Chronos-2 applique une mise à l'échelle robuste à chaque série. Il divise ensuite chaque série en patches non chevauchants, qui sont transformés en plongements à valeurs réelles via un réseau résiduel. Les prévisions sont produites sous forme de quantiles continus par une tête de quantification.

L'innovation architecturale clé est le motif d'attention alterné. Chaque bloc de transformer alterne entre l'attention temporelle (le long de l'axe temporel au sein d'une seule série) et l'attention de groupe (à travers les séries au sein d'un groupe à chaque index de patch).

Les séries temporelles et leurs covariables sont regroupées ensemble. Les informations sont échangées à la fois le long du temps dans chaque série et entre les séries d'un groupe, permettant une prévision multivariée native avec covariables.

UNE ARCHITECTURE QUI FAIT LA DIFFÉRENCE : MULTIVARIÉE ET NATIVE

Voici comment Chronos-2 gère les covariables de manière native. Imaginons que vous voulez prédire les ventes d'un produit en fonction de son prix et du nombre de magasins qui le proposent. Chronos-2 intègre directement ces informations sans avoir besoin de les traiter séparément. C'est comme si le modèle avait une vue d'ensemble de toutes les données pertinentes, sans avoir à les assembler manuellement.

Cette capacité native à gérer plusieurs variables en même temps est un énorme avantage. Elle permet à Chronos-2 de produire des prévisions plus précises et plus robustes, même lorsque les données sont complexes ou bruitées.

EXEMPLE DE CODE : COMMENT UTILISER CHRONOS-2 POUR DES PRÉVISIONS

Voici comment utiliser Chronos-2 pour faire des prévisions avec des covariables. Ce code est adapté du notebook de démarrage rapide de Chronos-2 sur GitHub. En production, Decathlon utilise l'intégration AutoGluon Chronos pour le fine-tuning et l'orchestration des inférences, avec une API légèrement différente.

import pandas as pd
from chronos import BaseChronosPipeline, Chronos2Pipeline

# Charger le pipeline Chronos-2
pipeline: Chronos2Pipeline = BaseChronosPipeline.from_pretrained(
    "amazon/chronos-2",
    device_map="cpu"
)

# Données historiques
df = pd.readcsv("sales.csv")  # colonnes : itemid, timestamp, sales, price, store_count

# Données disponibles pendant l'horizon de prévision
futuredf = pd.readcsv("future.csv")  # colonnes : itemid, timestamp, price, storecount

prediction_length = 52
forecast = pipeline.predictdf(df, futuredf, target="sales", predictionlength=predictionlength)

FINE-TUNING AVEC AUTOGLUON : SIMPLIFIER LE PROCESSUS

Decathlon utilise AutoGluon-TimeSeries pour fine-tuner et servir Chronos-2. AutoGluon permet de rationaliser l'ensemble du workflow d'apprentissage automatique, de la préparation des données à l'entraînement et au déploiement du modèle. Avec son module TimeSeries, vous pouvez gérer le formatage des données, la gestion des covariables et le fine-tuning avec LoRA en quelques lignes de code.

# pip install autogluon.timeseries
from autogluon.timeseries import TimeSeriesDataFrame, TimeSeriesPredictor

tsdf = TimeSeriesDataFrame.fromdataframe(df, idcolumn="itemid", timestamp_column="timestamp")
futuretsdf = TimeSeriesDataFrame.fromdataframe(futuredf, idcolumn="itemid", timestamp_column="timestamp")

predictor = TimeSeriesPredictor(
    prediction_length=52,  # horizon de prévision
    target="sales",  # colonne à prédire
    knowncovariatesnames=["price", "store_count"],  # caractéristiques connues dans le futur
)

predictor.fit(
    tsdf,
    hyperparameters={
        "Chronos2": {
            "model_path": "amazon/chronos-2",
            "fine_tune": True,  # active le fine-tuning ; si False, le modèle est utilisé en mode zero-shot
        }
    },
)

predictor.predict(tsdf, knowncovariates=futuretsdf)

LES RÉSULTATS : PLUS DE PRÉCISION, MOINS DE TRAVAIL

Decathlon a mesuré l'impact du déploiement de Chronos-2 selon trois dimensions : la précision des prévisions, les résultats business et l'efficacité opérationnelle.

Le déploiement de Chronos-2 fine-tuné a permis d'obtenir des gains significatifs de précision dans toutes les régions et sur les deux horizons, par rapport à l'outil de prévision hérité utilisé précédemment :

Chaque point de pourcentage d'amélioration du WAPE à l'horizon de 12 semaines se traduit par :

• • Une meilleure gestion des stocks, réduisant les coûts de stockage et les pertes liées aux invendus.
• • Une disponibilité accrue des produits, ce qui améliore la satisfaction client et augmente les ventes.
• • Une réduction des ruptures de stock, évitant de manquer des opportunités commerciales.

Au-delà de la précision, la migration vers Chronos-2 a réduit la charge opérationnelle dans plusieurs domaines :

• • Le temps de déploiement est passé de 6 mois à 2-3 mois par région.
• • La complexité du système a diminué, car il n'est plus nécessaire de réentraîner le modèle chaque semaine.
• • L'intégration de nouvelles régions est devenue plus simple, car le fine-tuning peut être effectué sur des données locales sans avoir à redessiner l'architecture.

CHRONOS-2 DÉJÀ EN PRODUCTION : L'ASIE DU SUD-EST ET L'AMÉRIQUE LATINE EN PREMIÈRE LIGNE

Chronos-2 est déjà en production pour les zones d'approvisionnement d'Asie du Sud-Est et d'Amérique latine, qui sont les régions à l'origine des résultats précédents. Decathlon étend désormais la solution à ses autres zones d'approvisionnement, avec un déploiement complet prévu pour 2026. Le Moyen-Orient et l'Afrique sont les prochaines cibles d'expansion.

LE FUTUR : MULTIPLIER LES MODÈLES POUR MIEUX PRÉDIRE

Decathlon ne compte pas s'arrêter là. L'entreprise prévoit de déployer une approche d'ensemblage par mélange d'experts (MoE) en production. Leurs benchmarks montrent que combiner plusieurs TSFMs donne systématiquement de meilleurs résultats que le meilleur modèle seul, avec d'autres modèles qui surpassent Chronos-2 sur environ 40 % des produits.

L'équipe travaille également sur l'expansion vers les régions du Moyen-Orient et de l'Afrique, ainsi que sur l'intégration de données externes comme les prix ou la météo en tant que covariables. Ils explorent également les capacités de cross-learning de Chronos-2 pour les produits à démarrage difficile, c'est-à-dire les produits pour lesquels peu de données historiques sont disponibles.

POURQUOI CHRONOS-2 EST-IL SI EFFICACE ?

Plusieurs éléments expliquent l'efficacité de Chronos-2 pour Decathlon :

• • Précision supérieure : Même en mode zero-shot, Chronos-2 rivalise avec les systèmes entièrement entraînés.
• • Gestion native des covariables : Pas besoin de contournements pour intégrer des variables comme le prix ou le nombre de magasins.
• • Fine-tuning efficace : L'adaptation à faible rang (LoRA) permet d'améliorer le modèle sans nécessiter un réentraînement complet.
• • Scalabilité : Le système peut être déployé rapidement dans de nouvelles régions avec peu d'efforts d'ingénierie.
• • Réduction des coûts opérationnels : Moins de réentraînement, moins de maintenance, et une meilleure gestion des stocks.

COMMENT DÉBUTER AVEC CHRONOS-2 ?

Si vous souhaitez explorer Chronos-2 pour vos propres cas d'usage de prévision ou en savoir plus, voici quelques ressources utiles :

• • Le billet de blog Amazon Science sur Chronos-2.
• • L'article de Recherche original.
• • Le notebook de démarrage rapide.
• • Le tutoriel AutoGluon Chronos pour le fine-tuning.

UN MODÈLE QUI CHANGE LA DONNE POUR LE COMMERCE DE DÉTAIL

L'expérience de Decathlon démontre que les modèles de base pour séries temporelles, et Chronos-2 en particulier, sont prêts pour des prévisions de demande de détail à l'échelle de la production. En combinant une évaluation rigoureuse des modèles avec un fine-tuning efficace grâce à LoRA, Decathlon a atteint une amélioration de 11 à 15 points de WAPE à l'horizon de 12 semaines. Dans le même temps, l'équipe a réduit le temps de déploiement de 6 mois à 2-3 mois par région.

Pour les détaillants qui évaluent les modèles de base pour leurs prévisions, l'expérience de Decathlon offre un plan pratique à suivre. Avec des résultats aussi convaincants, il est clair que l'IA est en train de révolutionner la gestion des stocks et la chaîne logistique.

CONCLUSION : L'IA AU SERVICE DE LA DISPONIBILITÉ PARFAITE

Decathlon a transformé sa chaîne logistique grâce à Chronos-2. En combinant précision, efficacité et scalabilité, l'entreprise a réussi à anticiper les besoins de ses clients avec une précision inégalée. Résultat : moins de ruptures de stock, moins de surstocks, et une satisfaction client accrue.

Avec des déploiements en cours et des améliorations continues, Decathlon montre que l'intelligence artificielle n'est plus une option, mais une nécessité pour les entreprises qui veulent rester compétitives dans le commerce de détail. L'avenir de la logistique passe par des modèles comme Chronos-2, capables de s'adapter rapidement et de fournir des prévisions précises à grande échelle.

CE QU'IL FAUT RETENIR

• • Decathlon utilise Chronos-2, un modèle d'IA spécialisé dans les séries temporelles, pour prévoir la demande en produits sportifs.
• • Chronos-2 offre une précision supérieure, même en mode zero-shot, et une gestion native des covariables comme le prix ou le nombre de magasins.
• • Le fine-tuning avec LoRA permet d'améliorer le modèle sans réentraînement complet, réduisant les coûts et le temps de déploiement.
• • Decathlon a réduit l'erreur de prévision de 11 à 15 points de WAPE à l'horizon de 12 semaines, tout en divisant par deux le temps de déploiement dans de nouvelles régions.
• • Le système est déjà déployé en Asie du Sud-Est et en Amérique latine, avec une extension prévue à toutes les zones d'approvisionnement d'ici 2026.