Dans un groupe agroalimentaire, plusieurs usines s'appuyaient sur le même fichier Excel pour traiter leurs prévisions de ventes. Le fichier était mûr, les équipes ne pouvaient plus s'en passer, et il atteignait ses limites. Ce cas client décrit la digitalisation d'un fichier Excel de prévisions en application web sur mesure, les choix techniques et ce que nous en retenons.
Contexte de la digitalisation d'un fichier Excel de prévisions
Secteur : agroalimentaire, transformation de volailles. Périmètre : plusieurs usines d'un groupe. Outils en place : un ERP qui porte la GPAO et fournit trois extractions Excel, et un fichier Excel de prévisions qui consolide ces extractions, applique des prévisions types par semaine, gère fond de rayon et promotions, puis produit le fichier de retour vers l'ERP.
Les utilisateurs principaux sont les planificateurs ; le service commercial intervient sur les quantités prévues. Les extractions dépassent parfois 200 000 lignes.
Le problème
Le fichier faisait gagner beaucoup de temps, mais il se heurtait aux limites connues d'Excel sur ce type d'usage :
- Performance. La surcharge de données dégradait fortement le classeur. Pour le préserver, un fichier distinct avait été créé par année de prévision : en fin d'année, les équipes jonglaient entre deux fichiers.
- Historique. Impossible de conserver les années précédentes dans le même outil.
- Traçabilité. Le service commercial pouvait modifier les quantités prévues hors des délais convenus. Ces ajustements discrets pesaient sur la planification, sans qu'on puisse les retrouver.
- Réalignement. Avant l'export vers l'ERP, le planificateur devait réaligner par produit les promotions et le fond de rayon, une étape longue dans Excel.
En parallèle, l'équipe de développement de l'ERP travaillait à intégrer ce processus dans l'ERP lui-même, avec des temps incompatibles avec l'usage : un coefficient applicable sur une seule semaine à la fois, environ 15 secondes par semaine, soit 52 manipulations pour une année ; et de 20 à 30 minutes pour générer le fichier de prévisions, d'où un envoi programmé chaque nuit.
Ce que nous avons mis en place
Une ergonomie qui ne dépayse pas
Pour ne pas perturber les utilisateurs, la navigation reprend les onglets du classeur ; l'onglet actif est en gras et légèrement plus grand. Les trois extractions de l'ERP (« extraction1 », « extraction2 », « extraction3 ») se chargent toujours au format Excel, par sélection classique ou par glisser-déposer dans le navigateur. Une liaison EDI aurait été possible.
Le tableau central offre ce que les utilisateurs attendaient d'Excel : saisie directe en cellule avec mise à jour immédiate en base, modification en masse des fonds de rayon standards, filtre sur chaque en-tête de colonne, dimanches grisés, jours fériés détectés et teintés, plage de dates pour les promotions.
Un modèle de données par article
Nous avons retenu une base MongoDB, en NoSQL. Chaque article est un objet qui contient ses caractéristiques, ses prévisions de promotions, son fond de rayon, ses ventes réelles ; un article sans promotion n'a simplement pas ce sous-objet. Le projet mené côté ERP reposait sur de nombreuses tables SQL et des jointures lourdes, et n'atteignait pas le même niveau de performance.
Des algorithmes de prévision à la demande
L'application propose plusieurs algorithmes : application des prévisions types aux semaines de l'année, coefficients par famille ou sous-famille, génération du fond de rayon sur une longue durée à partir de la table des fonds de rayon standards. Les critères sont fins : par exemple, augmenter de 50 % les ventes des volailles bio de couleur blanche les mardis et mercredis d'une période donnée.
Un historique des modifications, façon Excel
Chaque cellule modifiée garde l'ancienne valeur et la date de modification, affichées au survol dans un commentaire avec le petit triangle rouge familier. Plusieurs modifications successives forment un historique structuré, qui permet d'expliquer une anomalie et de montrer que la prévision est suivie.
Des statistiques en temps réel et un export instantané
À chaque modification, un processus enfant recalcule les statistiques en parallèle du processus principal, et le graphique se met à jour à la réception de l'événement : plus besoin de se demander si les données sont à jour ni d'attendre un traitement nocturne. L'affichage des colonnes se configure d'un bouton, par exemple « FDR vs RÉEL » pour comparer fond de rayon et ventes réelles.
L'export vers la GPAO produit un fichier CSV ou TXT au format attendu par l'ERP, aligné par produit entre promotions et fond de rayon. L'utilisateur choisit la date de début, le nombre de jours et le répertoire de destination ; le back-end Node.js peut aussi écrire directement dans un répertoire serveur, avec l'accord du service informatique. La génération repose sur une table préformatée, mise à jour à chaque modification de prévision.
Technologies : Express, EJS, MongoDB, Multer, child-process, Tabulator, Google Charts, Socket.io.
Résultats
- Les algorithmes traitent plusieurs dizaines de milliers de lignes en moins de 3 secondes, et le tableau reste fluide.
- Dix ans de prévision se génèrent en un clic, contre 52 manipulations d'environ 15 secondes dans le projet ERP pour une seule année.
- Le fichier de prévisions pour la GPAO se génère instantanément, à tout moment, contre 20 à 30 minutes et un envoi nocturne côté ERP.
- Toutes les années sont gérées dans la même application, sans jongler entre fichiers.
- Les modifications du commercial sont tracées, datées et visibles par les planificateurs.
Ce que nous en retenons
Un fichier Excel mûr est un cahier des charges : il contient les règles métier, validées par des années d'usage. Digitaliser, ce n'est pas réinventer le processus, c'est le porter dans un outil qui tient le volume, garde l'historique et trace les modifications. Conserver l'ergonomie familière (onglets, filtres, saisie en cellule, commentaires) a fait la différence pour l'adoption.
Le modèle de données compte autant que l'interface : un objet par article a donné des temps de calcul sans commune mesure avec une approche multi-tables. Enfin, le temps réel n'est pas un luxe : ne plus se demander si un chiffre est à jour change la relation des utilisateurs à l'outil.
Et aujourd'hui ?
Ce qui a été développé sur mesure dans ce projet est aujourd'hui le standard de Planiprev : prévision article par article, fond de rayon distinct des promotions, coefficients, historique des modifications et commentaires, stock projeté et couverture, import des extractions ERP ou des classeurs Excel, export vers la GPAO. D'autres projets sont décrits dans nos réalisations. Demander une démo.