DStar
Moteur d'optimisation des visites commerciales — 30 recommandations classées par IA, chaque lundi matin.
Un pipeline MLOps entièrement automatisé qui analyse les transactions commerciales, détecte les SKUs sous-indexés sur tous les points de vente, et livre une liste de visites prioritaires à chaque commercial avant le début de la semaine.
Les commerciaux avaient des données.
Pas le bon signal.
La force de vente de Pernod Ricard gère des centaines de points de vente. Chaque commercial avait accès aux chiffres de ventes bruts — mais aucun moyen structuré de prioriser les comptes ou d'identifier quels SKUs pousser.
Des opportunités à forte valeur étaient manquées, les visites étaient guidées par l'habitude, et les SKUs sous-performants passaient inaperçus jusqu'aux bilans trimestriels — trop tard pour agir.
Un pipeline d'intelligence
hebdomadaire entièrement automatisé.
DStar fonctionne de manière autonome chaque lundi matin. Il ingère les données CRM, ERP et transactions PDV, calcule les scores d'indexation pour chaque SKU dans chaque point de vente, et livre une liste classée de 30 visites prioritaires par commercial avant le début de la semaine de travail.
Schéma du
pipeline
Tous les services fonctionnent dans des conteneurs Docker sur Azure. Le Durable Orchestrator gère le parallélisme, les reprises et l'état — une exécution fiable chaque semaine sans supervision.
Déplacez les nœuds · Les arêtes animées montrent la direction du flux de données
SKUs sous-indexés vs sur-indexés
Les ventes d'un produit dans un point de vente n'ont de sens que par rapport à son potentiel. DStar calcule un score d'indexation, puis superpose des signaux de clustering et temporels pour construire une priorité de visite composite.
Sous-indexé
Le produit se vend en dessous de son benchmark régional dans ce point de vente. Il y a un potentiel inexploité — une visite commerciale est susceptible de débloquer un volume incrémental.
Sur-indexé
Le produit surpasse déjà son benchmark. Ce point de vente est saturé — le temps du commercial est plus précieux dans un compte sous-indexé.
Les points de vente sont regroupés par coordonnées GPS avec K-Means. Cela garantit que les 30 recommandations forment des itinéraires géographiquement efficaces — minimisant le temps de trajet entre les visites.
Les SKUs sont regroupés par catégorie, niveau de prix et profil de saisonnalité des ventes. Les benchmarks d'indexation sont calculés au sein des clusters, évitant des comparaisons injustes entre produits à demandes fondamentalement différentes.
Les points de vente sont segmentés par canal (on-trade vs off-trade), niveau de volume et comportement d'achat historique. Chaque segment utilise sa propre distribution de benchmark, améliorant la précision du score d'indexation.
Les scores d'indexation bruts sont pondérés par le temps écoulé depuis la dernière visite. Un compte visité il y a 2 semaines contribue moins d'urgence qu'un compte non visité depuis 3 mois, même si l'écart d'indexation est identique.
Cela empêche la sur-concentration des visites dans des comptes déjà visités et garantit que tout le territoire bénéficie d'une couverture systématique dans le temps.
Stack cloud
Azure complet
Chaque couche fonctionne sur Microsoft Azure. Tous les composants sont dockerisés pour la portabilité et la cohérence entre les environnements de développement, staging et production.