Comment Safran Aircraft Engines a boosté sa prévision de vente grâce à l’IA

La plus française des entreprises américaines ou l’inverse, Dataiku, dont la R&D est restée à Paris tandis que le siège a été déplacé à New York en 2017, quatre ans après sa création, se présente comme « une plateforme universelle d’IA  ». Ce pionnier de l’IA permet d’orchestrer les fonctions Tech et Métiers de ses clients, autour d’une plateforme qui extraie la data, la structure et permet de développer des applications clé en main. La plateforme Dataiku est une plateforme transverse qui permet de se connecter à l’ensemble des systèmes internes et externes de l’entreprise, qui propose un catalogue d’une quarantaine de cas d’usage pré-packagés, notamment en supply chain dans le domaine du Demand Forecast, du Process Mining ou encore de la gestion des inventaires.

Elle a séduit à ce jour 700 clients dont 200 des 2 000 plus grandes entreprises mondiales, parmi lesquels Unilever, Engie, Rolls Royce, Roche, Solvay, Renault ou encore Safran qui témoignait lors d’une matinée client à Paris le mardi 1^er avril 2025.

Avoir les bonnes pièces au bon moment

Dans un environnement économique particulièrement mouvant telle que celui que nous connaissons depuis le Covid, le besoin de forecast efficaces est évidemment un vecteur de croissance pour Dataiku et plus particulièrement au service de directions supply chain. C’est ce qu’a illustrer le témoignage de Sylvie Devaux, responsable prévision de ventes pièces de rechange pour le moteur CFM56 de Safran Aircraft Engines dont la hantise est d’avoir des avions cloués au sol, faute de pièces de rechange disponibles pour ses moteurs. Un risque d’autant plus grand que pas moins de 28 000 moteurs (CFM56, MFP, Leap) sont en fonctionnement dans le monde et que Safran Aircraft Engines ne livre pas moins de 14 millions de pièces par ans réparties en 12 000 références.

Notre équipe de neuf prévisionnistes cumule beaucoup de profils différents, dont des gens venus de la supply chain et de la logistique, mais pas de data scientist

Les facteurs que les huit prévisionnistes avec lesquels elle travaille doivent combiner pour lui permettre d’améliorer sa prévision sont très nombreux, y compris les facteurs externes comme les soubresauts géopolotiques. « Le dernier exemple est l’interdiction de survoler la Russie, qui a provoqué des trajets plus longs, donc une plus grande utilisation des moteurs, un plus grand vieillissement des pièces et un besoin accru de pièces de rechange », illustre-t-elle. « Notre équipe de neuf prévisionnistes cumule beaucoup de profils différents, dont des gens venus de la supply chain et de la logistique, mais pas de data scientist », précise Sylvie Devaux.

Le temps de retraitement de la data divisé par deux

Après le Covid, elle a choisi de remplacer un logiciel de prévision statistique mis en défaut par le Covid par Dataiku qui lui a permis d’aller plus loin dans l’exploitation des données. Son service a également permis de diviser par deux le temps passé sur des actions à non-valeur ajoutée telle que le retravail de la donnée. « Cela nous permet de débloquer du temps, par exemple pour aller discuter avec nos clients compagnie aérienne et chercher de l’information auprès d’eux. Nous mettons à profit ce temps pour faire d’autre chose, des analyses plus complexes ».

De fait, le service de Sylvie Devaux a amélioré sa prévision, grâce à une construction plus souple de ses modèles, des modèles statistiques, mais aussi des modèles déterministes qui impliquent des données récupérées directement auprès des clients.

Nous fournissons des données de meilleure qualité. Nous nous sentons donc légitimes à exiger de la donnée de meilleure qualité

L’autre conséquence positive est d’enclencher un cercle vertueux en termes de production et de traitement de la data. « Comme nous avons augmenté notre capacité à traiter de la donnée, nous sommes devenus beaucoup plus exigeants vis-à-vis de nos fournisseurs de données en interne. Nous fournissons des données de meilleure qualité. Nous nous sentons donc légitimes à exiger de la donnée de meilleure qualité », explique Sylvie Devaux. Une tendance d’autant plus intéressante que son service n’a pas attendu d’être un champion de la data pour engager son projet IA avec Dataiku. « Nous avons commencé sans data lake, à partir de fichiers Excel  », rappelle Sylvie Devaux avec humilité qui conclut : « ne pas avoir les données propres et nettes dès le départ ne nous empêche pas d’avancer ».