Accueil »
Salescast » Ici
Comment le moteur de prévision fonctionne-t-il ?
Le moteur de prévision de Lokad fonctionne comme une
boîte noire dans le sens que, vous n'obtenez pas les détails de la manière dont les prévisions sont générées. Néanmoins, nous ne vous cachons ni les grandes lignes ni la méthodologie. Jetons un coup d’œil sur ce qui se cache à l'intérieur. Veuillez consulter notre
page technologie et la
foire aux questions sur la technologie pour obtenir une explication plus précise.
Notre technologie repose sur quatre grands
piliers :
Notre
bibliothèque de modèles statistiques contient plus de 100 modèles. Nous mettons constamment de nouveaux modèles en production. Notre portefeuille contient des
classiques bien connus comme la méthode des filtres autorégressifs, la moyenne mobile, le lissage exponentiel (double, triple), les modèles Box-Jenkins, Holt-Winters, ARMA, ARIMA etc. Nous travaillons également avec des modèles très avancés, ou des
approches plutôt avancées que nous préférons qualifier d'approches bayésiennes-, à grande marge-, de mélange/stimulation-, méta-heuristiques (algorithme génétique, réseaux neuronaux, programmation génétique et autres approches évolutives / d'adaptation), etc.
Le
mécanisme de sélection de modèle garantit l'identification et l'application de la meilleure combinaison de modèles pour chaque produit de notre portefeuille. Notre méthode est d'évaluer de nombreux modèles les uns par rapport aux autres dans le cadre d'une
compétition interne afin d'identifier la combinaison la plus précise. Ceci garantit que la prévision de chaque produit est effectuée avec le meilleur ensemble de modèles de notre portefeuille. En effet, la sélection de modèle est, dans de nombreux cas, plus difficile à réaliser que la conception des modèles eux-mêmes.
Notre
approche multi séries temporelles est basée sur la simple idée qu'examiner un seul produit à la fois relève plus d'une approche de prévision
myope. Par exemple, lors de la prévision de la saisonnalité d'une barre chocolatée précise, la saisonnalité d'autres barres chocolatées représente une source d'informations valable. Pour chaque produit individuel, nous analysons le portefeuille de produits complet dans le but de trouver des corrélations. Ainsi, nous découvrons souvent une multitude de modèles se chevauchant comme des saisonnalités, des cannibalisations, des tendances, des effets de réseau qui nous aident à améliorer la prévision du produit à disposition.
Pour finir le
cloud computing fournit l'immense quantité de puissance informatique nécessaire à la création de notre bibliothèque de modèles, de notre mécanisme de sélection et de notre travail d'approche multi séries temporelles. Par exemple, pour générer des prévisions pour un échantillon de 1000 produits, il existe déjà environ 1 000 000 de corrélations potentielles à analyser. Ce qui nécessite environ mille fois plus de puissance informatique que pour les trousses à outils de prévision classiques qui évitent précisément ces types de modèles de calcul lourds. Nous avons gagné, en 2010, le
Microsoft Windows Azure Partner Award of The Year pour cette technologie.