FamilyMart réduit ses heures de travail de 6 heures par semaine grâce à la commande par IA, tout en optimisant les stocks pour réduire le gaspillage alimentaire.

Table des matières

1. Introduction : La transformation numérique des supérettes et les "commandes par IA"

2. Contexte de l'introduction : Entre le manque de personnel et le gaspillage alimentaire

3. Qu'est-ce que la commande recommandée par IA ?

4. Éléments techniques du système

5. Résultats du projet pilote dans 500 magasins

6. Ressenti du personnel de vente et objectifs du siège

7. Optimisation de l'assortiment grâce aux recommandations de magasins similaires

8. Réduction du gaspillage alimentaire

9. Impact sur les coûts de main-d'œuvre et de formation

10. Comparaison avec d'autres chaînes et exemples internationaux

11. Gestion des situations irrégulières et "œil humain"

12. Feuille de route à moyen et long terme et défis

13. Évaluation du point de vue ESG et SDGs

14. Conclusion et perspectives

1. Introduction : La transformation numérique des supérettes et les "commandes par IA"

Les supérettes japonaises, déployées à une densité sans précédent dans le monde, font face à un double défi : le manque chronique de personnel et le maintien d'une ouverture 24 heures sur 24. Après les caisses automatiques et les commandes mobiles, la prochaine transformation numérique (DX) qui attire l'attention est la "commande par IA". Après environ un an de PoC (preuve de concept), FamilyMart a commencé à l'introduire dans 500 magasins à l'échelle nationale en juillet 2025.ITmedia

Passage à une gestion axée sur les données

Les commandes traditionnelles dépendaient fortement de "l'expérience et de l'intuition du personnel expérimenté", ce qui posait un problème de disparités entre les magasins. L'introduction de l'IA est la première étape pour quantifier les tâches subjectives et réaliser des opérations hautement reproductibles.

2. Contexte de l'introduction : Entre le manque de personnel et le gaspillage alimentaire

Accélération du manque de personnel

En raison de la diminution de la population active nationale, les chaînes de supérettes sont dans une situation où elles doivent envisager de fermer la nuit ou de réduire les heures d'ouverture. Les tâches de commande prennent jusqu'à 4 fois par jour, nécessitant 15 à 30 minutes à chaque fois, ce qui n'est pas négligeable.雑記ブログ、ときどきAmazon

Gaspillage alimentaire et pression ESG

Le gaspillage alimentaire au Japon s'élève à 5,22 millions de tonnes par an (ministère de l'Agriculture, 2024). Le gaspillage dans les supérettes est souvent critiqué socialement et affecte la valeur de l'entreprise. La commande par IA est évaluée sur sa capacité à réduire les invendus tout en évitant les pertes d'opportunités.AMP[アンプ] - Média d'inspiration pour les affaires

3. Qu'est-ce que la commande recommandée par IA ?

Apprentissage des données multidimensionnelles

Le système intègre plus de 30 caractéristiques telles que les performances de vente, la météo, les jours fériés, les événements environnants et le trafic, et réapprend toutes les 15 minutes. Il dessine des courbes de demande par jour, par livraison et par article, et renvoie le nombre recommandé en tenant compte des stocks et du moment de la prochaine livraison.FamilyMart

Benchmark de magasins similaires

L'IA extrait automatiquement des "magasins modèles" ayant des conditions de localisation, une clientèle et une composition de ventes similaires. En déployant horizontalement les produits populaires, elle comble les différences de préférences régionales tout en explorant de nouvelles demandes.AMP[アンプ] - Média d'inspiration pour les affaires

4. Éléments techniques du système

• Modèle de prévision de la demande en série temporelle : Combinaison de XGBoost et LSTM pour capturer simultanément les tendances à court terme et les facteurs saisonniers.

• Optimisation multi-agents : Maximisation du profit global en tenant compte de l'espace d'étalage, de la date de péremption et du taux de marge brute.

• Rétroaction récurrente : Les valeurs manuelles modifiées par le personnel sont réintégrées dans les données d'apprentissage pour une mise à jour automatique du modèle.

5. Résultats du projet pilote dans 500 magasins

Le tableau ci-dessus montre les valeurs moyennes (n=500 magasins). La réduction des tâches a permis au personnel de réaffecter du temps à l'accueil des clients et à la mise en rayon, contribuant ainsi à une augmentation de 4% des ventes.ITmediaAMP[アンプ] - Média d'inspiration pour les affaires

6. Ressenti du personnel de vente et objectifs du siège

"Les chiffres de l'IA sont fondés, ce qui est très convaincant. Je peux commander en toute confiance." (Directeur de franchise à Tokyo)
"Une fois habitué, le travail est terminé en 3 minutes. Les heures supplémentaires après la fermeture ont considérablement diminué." (Directeur adjoint à Osaka)

Le siège vise à standardiser et à uniformiser la qualité, ainsi qu'à améliorer l'efficacité des tâches des superviseurs (SV). Un SV responsable déclare : "Le temps consacré à 'l'instruction des commandes' lors des visites de magasins peut désormais être utilisé pour proposer des promotions."雑記ブログ、ときどきAmazon

7. Optimisation de l'assortiment grâce aux recommandations de magasins similaires

L'IA apprend des magasins ayant une clientèle similaire et propose des produits à succès non encore traités. Plutôt que d'éliminer de force les "produits à faible rotation", elle optimise à la fois le taux de rotation et le taux de marge brute, préservant ainsi l'individualité de chaque magasin.AMP[アンプ] - Média d'inspiration pour les affaires

8. Réduction du gaspillage alimentaire

L'IA calcule le "nombre de maintien du volume de vente" pour minimiser les stocks tout en conservant la visibilité. Cela a permis de réduire en moyenne de moitié le gaspillage. En combinant cela avec des mesures secondaires telles que la congélation ou le don des invendus, elle contribue à l'objectif 12.3 des SDGs.FamilyMart

9. Impact sur les coûts de main-d'œuvre et de formation

L'apprentissage de la logique de commande était la partie la plus chronophage de la formation des nouveaux employés. Après l'introduction de l'IA, le processus a été raccourci en "lecture du manuel→vérification des valeurs recommandées par l'IA→ajustements mineurs", réduisant les coûts de formation de 30%. Il est également intégré à l'e-learning du siège, permettant une évaluation quantitative du niveau de compétence.

10. Comparaison avec d'autres chaînes et exemples internationaux

• Seven-Eleven Japan : Teste des commandes automatiques basées sur l'apprentissage profond depuis 2022.

• Lawson : Collabore avec une startup d'IA de vente au détail pour tester dans 200 magasins au Kansai.

• Walmart US : A réduit les ruptures de stock de 40% grâce à l'optimisation des stocks par IA (résultats 2024).
  Les supérettes japonaises se distinguent par un grand nombre de SKU et des dates de péremption courtes, ce qui rend les modèles d'IA plus complexes.

11. Gestion des situations irrégulières et "œil humain"

Lors d'événements imprévisibles tels que les feux d'artifice ou les grands typhons, le jugement humain est indispensable. L'IA émet un "drapeau d'alerte" et laisse la décision finale au magasin, assurant ainsi la sécurité psychologique sur le terrain.

##HTML_TAG_