Commerce de détail et distribution
Prédire la demande avant que la météo ne décide pour vous.
Comment le client a utilisé l’IA et les données météo pour passer d’une prévision réactive basée sur l’instinct à une prédiction proactive et axée sur les données.
Le défi
Des prévisions de ventes basées sur l’information, pas l’intuition.
Pour une entreprise dont les ventes sont directement liées aux conditions météorologiques, le processus de prévision du client était étonnamment manuel. Les équipes de vente recueillaient les données météo ville par ville, les croisaient avec l’historique des ventes et s’appuyaient largement sur l’expérience pour anticiper les hausses ou baisses de la demande.
Le problème n’était pas un manque de données, mais un manque de structure. Les signaux météo existaient, mais ils étaient dispersés, non traités et déconnectés de la prise de décision commerciale. Il n’y avait aucun moyen systématique de détecter une vague de froid imminente à Montréal tout en gérant l’inventaire pour Vancouver et Calgary en même temps. Les anomalies, qu’il s’agisse d’une tempête inattendue ou d’un octobre anormalement chaud, étaient détectées trop tard, après que le mal était fait.
La solution
Une preuve de concept en deux phases. Conçue pour valider avant de passer à l’échelle.
Plutôt que de s’engager sur une plateforme complète, Mirego a cadré le projet comme un PoC ciblé en deux phases, conçu pour confirmer que l’IA était le bon outil pour les besoins du client avant d’investir davantage.
Phase 1 : Collecte de données météo Mirego a construit une application sur Forra qui collecte, structure et visualise les données météo à travers jusqu’à 10 villes canadiennes. Les équipes de vente et d’opérations accèdent aux données historiques, actuelles et prévisionnelles via une interface claire, et exportent le tout dans un document Excel structuré pour le partage entre équipes. Ce qui était autrefois un processus manuel et fragmenté est devenu une source de vérité unique et cohérente.
Phase 2 : Détection automatique des anomalies En s’appuyant sur les fondations de la Phase 1, l’application a été étendue pour identifier activement les anomalies. À partir des prévisions météo et des cycles de ventes passés, le système signale les événements susceptibles d’affecter la demande, qu’ils soient déclenchés par des règles définies par l’équipe de vente ou détectés automatiquement à partir des tendances historiques. Un module de surveillance tient les équipes informées en temps réel.
Les résultats
Du réactif au proactif, en deux phases.
- Collecte manuelle de données météo éliminée dans 10 villes canadiennes, remplacée par un flux automatisé et toujours à jour.
- Les équipes de vente peuvent désormais anticiper les variations de la demande liées aux événements météo avant qu’ils n’affectent l’inventaire ou les revenus.
- Les anomalies sont détectées automatiquement, en se basant sur les tendances historiques et les règles définies par l’équipe de vente.
- Les exports Excel structurés permettent un partage fluide entre équipes sans traitement supplémentaire.
- L’approche PoC en phases a validé le cas d’usage de l’IA avec un risque minimal, avant de s’engager dans un développement à grande échelle.
- La Phase 2 ouvre la porte à une boucle de surveillance continue, où chaque cycle de vente alimente des prédictions futures plus intelligentes.
Votre base de connaissances n’est pas le problème. C’est la façon dont elle est cherchée ou utilisée, qui l’est.
Des agents IA sur mesure remplacent un assistant générique, atteignant 87,5 % de précision sur un benchmark validé contre 12 % pour Microsoft Copilot.
La force de l’expérience : 30 ans de savoir préservés.
L’IA transcrit les entrevues d’experts, identifie les intervenants et transforme le savoir institutionnel en ressource consultable pour toute l’équipe.
La réponse existait. Elle était enfouie dans 15 heures de recherche.
Un agent de recherche IA interroge quatre bibliothèques scientifiques simultanément et livre un rapport complet et sourcé en quelques minutes au lieu de plusieurs heures.