Intelligence Artificielle Dans La Prévision De Demande Au Détail : Effets Sur La Performance Des Inventaires Et La Satisfaction Client

La croissance rapide du commerce de détail omnicanal et la demande volatile des consommateurs ont révélé les limites des techniques traditionnelles de prévision de la demande. Les avancées récentes en intelligence artificielle (IA) et en apprentissage automatique (AA) offrent des capacités supérieures pour traiter des données de vente au détail non linéaires, en temps réel et à grande échelle. Cette étude examine l'efficacité des modèles de prévision de la demande basés sur l'IA et leur impact sur la performance des inventaires et la satisfaction des clients dans des environnements de vente au détail. S'appuyant sur des recherches antérieures, l'étude intègre l'IA explicable, la collaboration humain-IA, la confiance managériale, la préparation organisationnelle et la dette technique dans un cadre empirique global. En utilisant une conception de recherche quantitative et transversale, les données ont été collectées auprès de 260 professionnels du commerce de détail et de la chaîne d'approvisionnement et analysées à l'aide de techniques de régression, de médiation et de modération. Les résultats indiquent que la prévision basée sur l'IA améliore considérablement la précision des prévisions, réduit les ruptures de stock et les excédents d'inventaire, et améliore la satisfaction client. L'IA explicable et la collaboration humain-IA se sont révélées être des moteurs critiques de la confiance managériale et de la qualité des décisions d'inventaire, tandis que la préparation organisationnelle renforçait et que la dette technique affaiblissait les résultats de performance de l'IA. L'étude contribue à la littérature sur l'IA et l'analytique du commerce de détail en allant au-delà des évaluations axées sur la précision et en soulignant le rôle stratégique de la confiance, de l'explicabilité et du contexte organisationnel dans l'adoption de l'IA.