Prévision avec les grilles de quantiles (2015)

Les grilles de quantiles représentent une amélioration significative par rapport aux prévisions classiques ou quantiles chaque fois que des stocks sont impliqués. Cependant, les prévisions probabilistes surpassent largement les grilles de quantiles. Consultez nos dernières pages technologiques pour plus d’informations.
grids/graph-quantile-grids

Les grilles de quantiles représentent une amélioration radicale par rapport aux méthodes de prévision classiques chaque fois que des stocks sont impliqués. Elles sont également supérieures aux prévisions quantiles car elles fournissent beaucoup plus d’informations sur l’avenir. Les méthodes de prévision traditionnelles fonctionnent mal, en particulier pour le commerce. La cause profonde de ce problème est simple : l’avenir est incertain. Les prévisions classiques tentent de prédire la seule valeur correcte de la demande future, et, eh bien, elles échouent. Essayer désespérément de corriger les prévisions classiques dans l’espoir de prédire la demande future “correcte” relève de l’illusion. Les grilles de quantiles adoptent une position totalement différente sur cette question.

Avec les grilles de quantiles, Lokad ne prédit pas une seule valeur de demande future pour un produit donné, mais l’ensemble de la distribution de probabilité pour la demande ; c’est-à-dire la probabilité d’avoir une demande de zéro unité, puis une unité, puis deux unités, etc. Cette information est beaucoup plus riche et peut être exploitée de manière beaucoup plus rentable que les prévisions classiques.

Introduction pour les non-statisticiens

En lisant ces lignes, si vous n’êtes pas statisticien, vous pourriez vous demander si votre entreprise a une chance de réussir à faire quelque chose de sensé avec ces soi-disant “grilles de quantiles”. Cela ressemble davantage à un bon titre pour une thèse de doctorat en statistiques modernes qu’à un moyen pratique de prévision. Eh bien, si vous pensez que ce terme est intimidant, remplacez simplement mentalement grilles de quantiles par prévisions qui fonctionnent réellement, et cela suffira. La grande majorité des entreprises qui utilisent Lokad n’ont aucune compétence en statistiques. Le filtre anti-spam associé à votre boîte de réception utilise également des statistiques avancées, et il n’est pas nécessaire d’avoir un doctorat pour utiliser une boîte de réception.

Lokad fait à peu près la même chose pour le commerce. Nous exploitons l’apprentissage automatique avancé pour rendre votre entreprise plus rentable, et la technologie qui le sous-tend est maintenant si avancée que vous n’avez en réalité plus à vous en soucier beaucoup.

Ci-dessous, nous décrivons ce qui se passe en coulisses chez Lokad, mais soyez assuré que vous pouvez utiliser Lokad même si vous n’avez pas une compréhension complète de ce qui entre dans notre moteur de prévision - tout comme vous pouvez utiliser un filtre anti-spam sans connaître l’inférence probabiliste bayésienne.

Repenser la prévision pour le commerce

computer-history
De nombreux fournisseurs se vantent d’utiliser des méthodes de prévision “avancées” telles que ARIMA, Box-Jenkins et Holt-Winters, qui ont en réalité près d’un demi-siècle ; elles ont toutes été conçues à une époque où les ordinateurs d’entreprise les plus puissants avaient moins de puissance de traitement que la plupart des réfrigérateurs d’aujourd’hui. Les personnes qui ont inventé ces méthodes étaient exceptionnellement intelligentes, mais elles devaient se contenter des ressources informatiques de leur époque et ont donc donné la priorité à des modèles qui pouvaient être calculés avec très peu de calculs. De nos jours, nous pouvons utiliser d’énormes quantités de puissance de calcul pour nos défis de prévision à très peu de coût.

Gardez à l’esprit que 1000 heures de puissance de calcul coûtent moins de 50 $ lors de l’utilisation d’une plateforme de cloud computing. Évidemment, cela ouvre de nouvelles perspectives radicales pour la prévision, et c’est exactement ces perspectives que Lokad explore intensivement. Les Grilles Quantiles représentent la troisième version de la technologie de prévision de Lokad, mais revenons quelques années en arrière pour avoir une vue d’ensemble. Nous avons commencé avec des prévisions classiques en 2008 en tant que première version de notre technologie de prévision, et malgré trois années d’efforts de R&D considérables de la part de l’équipe de Lokad, l’approche classique s’est révélée être une impasse. Nous n’avons jamais vraiment réussi à satisfaire pleinement nos clients avec des prévisions classiques. À mesure que nous en apprenions davantage sur les expériences de nos clients avec d’autres fournisseurs de prévisions, il est apparu qu’il n’y avait pas une seule entreprise qui était même proche d’être satisfaite de la technologie de prévision qu’elle avait acquise. Ce problème n’était pas spécifique à Lokad, et nous avons réalisé que toute l’industrie de la prévision était dysfonctionnelle ; et nous avons décidé de faire quelque chose à ce sujet.

En 2012, Lokad a publié la deuxième version de sa technologie de prévision baptisée Prévisions Quantiles. En termes simples, les prévisions quantiles abordent le principal problème qui affecte les prévisions classiques : les prévisions classiques ne regardent tout simplement pas le bon problème.

En effet, le défi pour les entreprises est d’éviter deux extrêmes : une demande inattendue élevée qui entraîne des ruptures de stock, et une demande inattendue faible qui entraîne des stocks morts. Ce qui se passe au milieu lorsque la demande future est “comme prévu” importe très peu du point de vue commercial.

Pourtant, les prévisions classiques, qu’il s’agisse de prévisions moyennes ou médianes, ignorent complètement ces situations “extrêmes” et se concentrent entièrement sur le cas moyen. Sans surprise, les prévisions classiques échouent à prévenir à la fois les ruptures de stock et les stocks morts. Les prévisions quantiles abordent directement le défi et examinent directement le scénario d’intérêt, par exemple éviter les ruptures de stock, et s’efforcent de fournir une réponse précise à ce problème précis. Soudain, en 2012, nous avons commencé à avoir de plus en plus de clients satisfaits. Pour la première fois dans l’histoire de Lokad, plus de 3 ans après le lancement de l’entreprise, nous avions quelque chose qui fonctionnait.

En 2015, Lokad a publié la troisième version de sa technologie de prévision, les grilles quantiles. Alors que les prévisions quantiles étaient déjà une amélioration radicale par rapport aux prévisions classiques, elles avaient encore leurs faiblesses. À mesure que nous acquérions de plus en plus d’expérience avec des dizaines de déploiements de notre technologie de prévision quantile, nous avons réalisé que l’idée de produire une prévision pour un seul scénario commercial était pertinente, mais pas entièrement complète. Pourquoi seulement ce scénario ? Pourquoi pas un deuxième scénario, ou un troisième ? La gestion manuelle de plusieurs scénarios s’est révélée fastidieuse, et nous avons réalisé que tous les scénarios devraient être prévus en même temps. Du point de vue informatique, cela était beaucoup plus coûteux : pour chaque produit, nous calculions les probabilités respectives de (presque) chaque niveau de demande. Cependant, bien que la quantité de calculs impliqués semble stupéfiante, les prix des ressources informatiques ont également chuté au fil des ans. Et ce qui aurait été considéré comme trop coûteux il y a 5 ans était maintenant tout à fait abordable. En 2015, Lokad a publié la troisième version de sa technologie de prévision, les grilles quantiles. Bien qu’elles soient extrêmement intensives en calcul, les grilles quantiles sont désormais abordables grâce à la chute libre des ressources informatiques dans le cloud.

Prendre en compte toute la distribution de probabilité de la demande

indecision
La demande future est incertaine. Toute tentative de représenter la demande future avec une seule valeur est quelque peu naïve car peu importe à quel point cette valeur peut être bonne, elle ne peut jamais raconter toute l’histoire. Bien qu’il serait agréable d’avoir un système “magique” capable de prédire le niveau exact de la demande future, cela relève également de l’illusion. Lorsque les gens essaient de gérer une prévision incorrecte, il est très tentant d’essayer de “corriger” cette prévision. Malheureusement, la prévision statistique est en grande partie contre-intuitive, et la réalité est qu’il n’y a souvent rien à corriger : la valeur prévue est l’un des résultats parfaitement valides et possibles pour la demande future.

Le système peut éventuellement être ajusté légèrement pour produire des valeurs légèrement plus probables pour la demande future, mais c’est à peu près tout. Votre entreprise finit par obtenir des valeurs légèrement plus probables pour la demande future, ce qui ne se traduit pas par une augmentation de l’activité commerciale qui aurait été attendue en premier lieu.

Les grilles quantiles adoptent une approche très différente : pour chaque produit, Lokad calcule les probabilités respectives de chaque niveau de demande future. Au lieu de chercher à maintenir l’illusion que la demande future est connue, les grilles quantiles expriment directement les probabilités associées à de nombreux futurs possibles.

Par exemple, si nous considérons un produit peu vendu avec un délai de livraison de 2 semaines, la distribution de la demande au cours des 2 prochaines semaines (généralement l’horizon de prévision doit correspondre au délai de livraison) pour ce produit peut être représentée comme suit :

Demande Probabilité
0 unité 55%
1 unité 20%
2 unités 14%
3 unités 7%
4 unités 3%
5 unités 0% (arrondi)

Penser à l’avenir d’un point de vue entièrement probabiliste peut sembler compliqué, mais cela représente en réalité ce que chaque dirigeant d’entreprise fait déjà, bien que de manière moins formelle : évaluer les chances de certains résultats et couvrir les paris vis-à-vis de leur entreprise afin d’être bien préparé lorsqu’il s’agit des scénarios les plus pertinents. Du point de vue du moteur de prévision, puisque nous ne savons pas à l’avance quels seraient les scénarios les plus pertinents, la solution logique, bien que quelque peu brutale, consiste à traiter tous les scénarios possibles. Cependant, en supposant qu’une entreprise ait mille produits à prévoir (et certains de nos clients ont des millions de références à gérer), et que Lokad calcule les probabilités associées à 100 scénarios pour chaque produit, les grilles quantiles produiraient une liste énorme de 100 000 entrées qui ne semble pas pratique à traiter. Nous en arrivons à ce point dans la section ci-dessous.

Prioriser les décisions de la supply chain

Pour chaque décision d’achat, nous pouvons établir un simple calcul approximatif, la formule “résultat” qui dépend de la demande future par rapport à la décision d’achat actuelle. Ensuite, chaque décision peut être évaluée en fonction de la probabilité respective de chaque niveau de demande future.

purchase_priority_screenshot
Les prévisions de la demande sont le plus souvent utilisées pour orienter les décisions de la supply chain telles que la passation de commandes d’achat pour le commerce ou le déclenchement d’un lot de production dans un environnement industriel. Une fois que nous avons toutes les probabilités associées à tous les résultats futurs, il est possible de construire une liste de priorités complète de toutes les décisions d’achat. En effet, pour chaque décision d’achat, nous pouvons établir un simple calcul approximatif, la formule “résultat” : en supposant que la demande sera de D unités et en supposant que nous achetons P unités, alors le résultat financier sera X. Inutile de dire que Lokad est là pour vous aider à rédiger cette courte formule, qui se résume pour la plupart des entreprises à la marge brute moins le coût des stocks et moins le coût des ruptures de stock. Par conséquent, une fois que nous avons cette formule, pour chaque décision de la supply chain, comme “acheter 1 unité du produit Z”, les résultats peuvent être comparés aux probabilités de chaque futur possible. En faisant cela, nous calculons le “score” de chaque décision possible.

Une fois que chaque décision a été évaluée, il est possible de classer toutes ces décisions, en plaçant les options les plus rentables en haut de la liste. Nous appelons cette liste la liste de priorité d’achat principale. Il s’agit d’une liste où chaque produit apparaît sur plusieurs lignes. En effet, l’achat d’une unité du produit Z peut être la décision d’achat la mieux classée (également appelée l’achat le plus urgent), mais l’achat de la prochaine unité du produit Z peut être seulement la 20e décision d’achat la plus urgente, avec de nombreuses autres unités d’autres produits à acheter entre-temps.

image-pricing
La liste principale répond à une question très simple : si l’entreprise dispose d’un dollar supplémentaire à dépenser pour son inventaire, où devrait aller ce dollar en premier ? Eh bien, ce dollar devrait aller à l’article qui rapporte le plus à votre entreprise. Ensuite, une fois cet article particulier acquis, on peut poser la même question. Cependant, cette fois-ci, une fois cette unité supplémentaire acquise, l’article le plus rentable à acheter ensuite sera probablement différent, car il y a de fortes rendements décroissants à accumuler le même article en grande quantité dans votre stock. En effet, plus vous avez d’inventaire, moins votre inventaire tourne et plus vos chances de vous retrouver avec un inventaire mort sont élevées. Ces problèmes se reflètent naturellement dans la formule “résultat” et dans la priorisation de la liste qui en découle.

Mieux que d’ajuster les niveaux de service

Déterminer les niveaux de service “optimaux”, c’est-à-dire les probabilités souhaitées de ne pas manquer de stock, est un exercice très difficile. Il s’agit d’un problème complexe car les niveaux de service sont seulement indirectement liés à la performance financière d’une entreprise. En fait, pour certains produits, obtenir un pourcentage supplémentaire de niveau de service peut s’avérer très coûteux. Par conséquent, si des ressources sont disponibles, elles devraient plutôt être allouées à d’autres produits, où le même investissement permettrait d’obtenir non pas 1% mais 10% supplémentaires de niveau de service.

Avec les grilles de quantiles utilisées comme liste de priorité d’achat principale, il n’est même pas nécessaire de se soucier des niveaux de service car ils sont nativement reflétés dans la priorisation elle-même.

Si le niveau de service d’un produit à marge élevée peut être augmenté à moindre coût, ce produit grimpe naturellement en haut de la liste. Inversement, si un produit souffre de ventes extrêmement erratiques, ce qui rend toutes les tentatives d’augmentation du niveau de service extrêmement coûteuses, alors ce produit montera en haut de la liste uniquement lorsque les stocks seront dangereusement bas et qu’une entreprise est presque garantie de ne pas se retrouver avec un inventaire mort malgré des schémas de demande très erratiques. La liste de priorité résout également le problème des contraintes de trésorerie. Peu importe où se situe votre entreprise en termes de trésorerie, la liste de priorité vous offre une option réalisable. Si vous disposez de très peu de liquidités, votre entreprise n’achète que ce qui se trouve en haut de la liste, maintenant les niveaux de stock uniquement pour les produits qui ont désespérément besoin d’être réapprovisionnés. Si vous disposez de liquidités supplémentaires, votre entreprise a alors la possibilité d’augmenter son inventaire en se concentrant sur les articles qui stimuleront le plus la croissance tout en maîtrisant les risques d’inventaire.

Intégrer les contraintes de la supply chain

Les entreprises doivent souvent faire face à des contraintes d’approvisionnement telles que des quantités de commande minimales, soit au niveau du SKU, soit au niveau de la commande. Parfois, les unités doivent être regroupées en grands lots tels que des conteneurs. De telles contraintes peuvent être naturellement intégrées dans les processus de travail via une liste de priorité d’achat principale telle que décrite ci-dessus ; cela permet non seulement de fournir des suggestions d’achat prioritaires, mais aussi de fournir des recommandations compatibles avec les contraintes de commande de l’entreprise.

Le processus exact à suivre dépend du type de contraintes réelles auxquelles une entreprise peut être confrontée. Prenons par exemple les expéditions de conteneurs. Lokad peut calculer les volumes cumulés par fournisseur, en supposant que les lignes d’achat sont traitées dans l’ordre de la liste et en supposant que chaque fournisseur expédie indépendamment des autres. Sur la base de ces volumes cumulés, le processus consistant à descendre dans la liste jusqu’à ce que la capacité du conteneur cible soit atteinte est très simple. De même, si une contrainte de quantité de commande minimale existe pour un SKU donné, il est également facile de supprimer de la liste toutes les lignes qui précèdent la satisfaction de la contrainte et de reporter les quantités directement sur la première ligne une fois que la contrainte est satisfaite.

choix
En fixant l’achat à un minimum de N unités, la compétitivité du SKU est dégradée, c’est-à-dire que le SKU apparaît d’abord dans la liste à un rang inférieur, ce qui correspond exactement au comportement souhaité car les risques de stocks augmentent avec les quantités de commande minimales. En particulier, cette approche répond entièrement aux défis de longue date qui avaient des conséquences négatives tant sur les prévisions classiques que sur les prévisions quantiles : que faire lorsque les quantités de réapprovisionnement suggérées sont supérieures ou inférieures aux contraintes de commande ? Si certaines unités doivent être supprimées, quels produits doivent être les premiers à partir ? Si des unités doivent être ajoutées, quels produits doivent être achetés en plus grande quantité ? Les anciennes méthodes de prévision ne fournissaient pas de réponses satisfaisantes à ces questions. Avec une liste d’achat prioritaire, il suffit de suivre l’ordre de la liste.