01. Le Problème
Les gestionnaires de stock perdaient des marchandises faute d'outil de prédiction fiable. Sans anticipation de la demande, les commandes reposaient uniquement sur l'intuition, entraînant surcommandes ou ruptures coûteuses et un gaspillage important de ressources.
02. La Solution
Application web full-stack PHP/JavaScript avec une API REST Python (Flask) exposant un modèle de Machine Learning (Régression linéaire). Le modèle est entraîné sur les données historiques de ventes et génère des prévisions automatiques. Un tableau de bord interactif affiche les alertes de rupture prévisionnelles et les recommandations de réapprovisionnement.
03. Fonctionnalités clés
- Modèle ML (Régression) entraîné sur données historiques de ventes
- API REST Python Flask exposant les prédictions au frontend
- Tableau de bord interactif avec alertes de rupture prévisionnelles
- Architecture full-stack PHP/JavaScript + Python découplés via API
- Réduction estimée de 15% des pertes sur les références à fort turnover
04. Les Résultats
Réduction estimée des pertes de stock de 15% sur les références à fort turnover. Le système génère des alertes 7 jours avant les ruptures potentielles, permettant des réapprovisionnements optimisés. Projet phare démontrant l'intégration concrète de l'IA dans un outil métier.