Le deep learning au service de l'exactitude des prévisions logistiques

Prévisions grâce au deep learning



Les prévisions établies grâce au deep learning (apprentissage profond), ou prévisions profondes, représentent une amélioration significative de la technologie de prévisions développée jusqu'à présent par Lokad. Par rapport aux méthodes de prévision classiques, le deep learning atteint une exactitude statistique inégalée et permet d'obtenir des prévisions probabilistes, incontournables en matière de logistique et de stock.

Image

Accepter l’incertitude

Certaines entreprises sont frustrées par des prévisions sur lesquelles elles ne peuvent compter. Les approches traditionnelles des prévisions sont censées fournir des chiffres « exacts », mais ne le font pas. Par nature, le futur est incertain et lorsqu’un outil ou une solution ne fournit des chiffres dont l'exactitude est inférieure aux attentes, les bénéfices ne sont pas au rendez-vous. Aucun ajustement des modèles existants ni aucun nouveau modèle — au sens classique du terme — ne peut résoudre ce problème. Les méthodes comme l’analyse du stock de sécurité sont censées gérer l’incertitude, mais, dans les faits, une telle analyse n’est qu’un élément ajouté à la dernière minute. Les prévisions probabilistes offrent une toute nouvelle façon d’envisager le futur. En logistique, les coûts sont alimentés par des événements extrêmes : un niveau de demande exceptionnellement haut entraîne des ruptures de stock et la frustration des clients, tandis qu’un niveau de demande exceptionnellement bas crée du stock mort et des radiations coûteuses. Tout cadre dirigeant le sait bien, les entreprises doivent espérer le meilleur et se préparer au pire. Lorsque la demande est exactement au niveau attendu, tout se passe bien. Cependant, le défi majeur des prévisions commerciales ne consiste pas à fournir de bons résultats dans les cas « simples », lorsque tout se passe bien même avec une moyenne mobile approximative. Le défi majeur porte sur les cas « coriaces », ceux qui perturbent votre approvisionnement et rendent vos équipes folles.

En 2016, Lokad a développé une toute nouvelle façon d’établir des prévisions à travers les prévisions probabilistes. Ensuite, plus récemment, ces prévisions ont été grandement améliorées grâce au deep learning. Des prévisions probabilistes de la demande ne donnent pas simplement une estimation de la demande, elles indiquent la probabilité de chaque futur possible. La probabilité que le niveau de demande soit de 0 (zéro) unité est estimée, ainsi que la probabilité qu’il soit de 1, de 2, etc. Chaque niveau de demande est associé à une probabilité jusqu’à ce que les probabilités soient si faibles qu’elles puissent être ignorées sans danger.

Ces prévisions probabilistes offrent une toute nouvelle façon d’envisager le futur. Au lieu de devoir prendre leurs désirs pour des réalités et espérer que les chiffres prévus se réalisent, les utilisateurs des prévisions probabilistes savent que tout est toujours possible, mais pas avec la même probabilité. Ainsi, les prévisions probabilistes sont un puissant moyen de se préparer au pire en analysant quantitativement les risques (tandis que les prévisions classiques y sont hermétiques).
Si l’analyse des risques est souvent un élément secondaire des méthodes de prévision classiques, Lokad la met au premier plan à travers les prévisions probabilistes.

Du point de vue des professionnels

Le deep learning et les prévisions probabilistes peuvent paraître intimidants et techniques. Pourtant, si vous êtes un professionnel de la logistique, il y a de grandes chances pour que fassiez déjà des prévisions probabilistes « intuitivement », depuis des années : pensez à toutes les fois où vous avez dû réviser à la hausse ou à la baisse vos prévisions initiales parce que le risque était trop élevé... C’est exactement ce que font les prévisions probabilistes : elles mettent en balance des décisions, de façon réaliste, lorsque le futur est incertain. Si l’analyse des risques est souvent un élément secondaire des méthodes de prévision classiques, Lokad la met au premier plan à travers les prévisions probabilistes.

Le moteur de prévisions probabilistes fournit des distributions de probabilités. D’un point de vue pratique, même si les informations sont très riches (c’est un aperçu des nombreux futurs possibles), elles sont presque inexploitables dans leur forme brute. Par conséquent, Lokad fournit une plateforme complète ainsi que l’ensemble des outils et du support humain nécessaires à la transformation de ces probabilités en décisions commerciales, telles que des quantités à commander.

L’application Web de Lokad comprend des fonctionnalités Big Data et permet de créer la logique métier de transformation des prévisions en décisions spécifiques à votre entreprise. Ces décisions peuvent être ajustées à vos contraintes logistiques (quantités minimales de commande par exemple), à vos moteurs économiques (risques associés aux dates d’expiration par exemple) et à vos processus (passage quotidien des commandes avant 8h00 le matin). Image
Quel que soit le temps passé à ajuster la solution, celle-ci peut toujours être affinée.

Automatisation grâce à l'intelligence artificielle (IA)

La gestion logistique implique souvent de déplacer plusieurs produits entre plusieurs emplacements. Les solutions de prévision classiques ont tendance à fortement s’appuyer sur des ajustements manuels lorsqu’entrent en jeu des particularités statistiques avancées, comme les nouveaux produits ou les promotions.

Mais l’expérience de Lokad a montré que, dès lors qu’une solution de prévision requiert des ajustements, ces derniers sont sans fin : quel que soit le temps passé à ajuster la solution, celle-ci peut toujours être affinée, simplement parce qu’il y a trop de produits, d’emplacements et que l’activité évolue en permanence.

Ainsi, chez Lokad, nous avons opté pour une automatisation totale du processus de prévision.

Aucune connaissance statistique n’est nécessaire à l’obtention de prévisions. Aucun ajustement des prévisions n’est requis. Aucune intervention n’est nécessaire à mise en adéquation des prévisions avec votre activité.

Une telle automatisation requiert un concept communément appelé intelligence artificielle. Lokad offre des capacités d'intelligence artificielle à travers sa technologie de prévisions qui repose sur le deep learning. Intuitivement, si l’on prend les produits un par un, les informations disponibles sont souvent trop peu significatives pour effectuer une analyse statistique précise. Pourtant, grâce aux corrélations qui existent entre les produits vendus, les modèles de prévision peuvent être ajustés automatiquement et de meilleures prévisions calculées, en exploitant non seulement les données du produit lui-même, mais aussi celles des produits identifiés comme similaires du point de vue des prévisions.

À l'inverse des approches précédentes, notre moteur de prévisions profondes apprend — seul — les anomalies que peuvent contenir les données. Par exemple, la vente d'une unité d'un produit aujourd'hui indique généralement que la demande pour ce produit va augmenter dans un futur proche (contrairement à une demande nulle). Pourtant, parfois, dans des scénarios d'entretien matériel, une telle vente peut signifier l'inverse : une unité vendue indique précisément qu'aucune autre unité ne sera vendue de sitôt.

Dans les secteurs les plus exigeants, comme la mode, notre moteur de deep learning exploite les indices les plus subtils, afin de prendre en compte tous les facteurs qui contribuent au succès du lancement d'un produit, par exemple.
Chez Lokad, établir des prévisions est un chantier perpétuel.

L’origine de nos prévisions profondes

Lokad n'a inventé ni le deep learning ni les prévisions probabilistes. Nous avons pourtant été les premiers à mettre en production ces théories statistiques, particulièrement adaptées aux besoins logistiques. Nos prévisions profondes correspondent à la cinquième génération de notre technologie de prévision.

Notre moteur de prévisions 5.0 utilise désormais un réseau de GPU (graphics processing units, processeur graphique) au lieu de s'appuyer uniquement sur les CPU (central processing units, processeurs). Les GPU nous donnent accès à une puissance de traitement inégalée, qui peut se transformer en prévisions de qualité supérieure.

Grâce à l’expérience gagnée au cours des itérations précédentes, notre savoir-faire s’est considérablement développé en matière de conception d’un moteur de prévisions capable de couvrir une large gamme de situations commerciales. Image

L’idée d’estimer des probabilités plutôt qu’une moyenne est née alors que nous essayions encore de faire fonctionner l’approche classique. Plusieurs échecs nous ont permis de réaliser que cette dernière est intrinsèquement défaillante et que, quels que soient nos efforts de recherche et développement nous ne pourrions y remédier. C’est le cadre statistique lui-même qu'il fallait changer pour que le modèle de prévision fonctionne.

De plus, chaque itération de notre moteur de prévisions était une « généralisation » —du point de vue mathématique — de la version précédente. Chaque nouvelle génération du moteur permet de prendre en compte plus de cas que la précédente. En effet, mieux vaut avoir approximativement raison qu'exactement tort. Les situations les plus difficiles sont celles dans lesquelles le moteur de prévisions ne peut générer de prévisions appropriées à un cas commercial donné parce que le moteur n’est pas assez expressif. Ou bien lorsque le moteur de prévisions ne peut traiter des données d’entrée qui seraient réellement pertinentes et significatives par manque, une fois encore, d’expressivité.

Chez Lokad, établir des prévisions est un chantier perpétuel. Nous sommes fiers de ce que nous avons construit avec notre moteur de prévisions probabilistes, mais ce dernier ne marque pas la fin de nos efforts. À la différence des solutions installées chez les clients, pour lesquelles une mise à jour est un projet à elle seule, la nouvelle génération de notre moteur de prévisions est disponible pour tous nos clients dès sa mise en service.


Notre FAQ sur les prévisions


Quels modèles de prévision utilisez-vous ?

Notre moteur de prévisions profondes utilise un modèle unique qui repose sur les principes de deep learning. Au contraire des modèles statistiques, ce dernier est un modèle qui contient des dizaines de millions de paramètres capables d'apprendre, soit 1 000 fois plus de paramètres que notre modèle précédent, qui était plus complexe et ne bénéficiait pas du deep learning. Ce dernier produit de bien meilleurs résultats que les anciennes approches de deep learning (forêts d'arbres décisionnels, gradient boosting). Il faut cependant noter que ces anciennes approches de deep learning étaient déjà beaucoup plus satisfaisantes que les séries temporelles classiques (Box-Jenkins, ARIMA, Holt-Winters, lissage exponentiel, etc.).

Tirez-vous un enseignement de vos erreurs de prévisions ?

Oui. Le processus d'apprentissage statistique — qui est à l'origine du modèle de deep learning — exploite toutes les données historiques dont dispose Lokad, à travers un processus appelé backtesting. Par conséquent, plus le volume de données historiques disponible est important, plus le modèle a la possibilité d'apprendre de ses propres erreurs.

Votre moteur de prévisions gère-t-il la saisonnalité des produits, les tendances, les jours de la semaine ?

Oui, le moteur de prévisions prend en charge toutes les cyclicités les plus courantes et même les quasi-cyclicités, dont l'importance est souvent sous-estimée. En ce qui concerne le code, nos modèles de deep learning utilisent largement les séries temporelles multiples pour exploiter les cycles observés sur d’autres produits afin d’améliorer l’exactitude des prévisions de chaque produit. Naturellement, il se peut que deux produits partagent la même saisonnalité, mais pas la même évolution en fonction des jours de la semaine par exemple. Le modèle est capable de rendre compte de cette évolution. De plus, l'un des avantages principaux du deep learning est la possibilité d'illustrer la variabilité de la saisonnalité elle-même. En effet, une saison peut commencer plus tôt ou plus tard que d'habitude, en fonction de facteurs externes, tels que la météo. Ces variations sont détectées et apparaissent dans nos prévisions.

De quelles données avez-vous besoin ?

Pour prévoir la demande, le moteur de prévisions a besoin, au minimum, de l’historique de la demande quotidienne. Un historique des commandes désagrégé est encore mieux. Plus l’historique est long, mieux c’est. Aucune saisonnalité ne peut être détectée avec un historique de moins de 2 ans. Un historique de 3 ans est considéré comme une bonne base tandis qu’un historique de 5 ans est excellent. Pour prévoir les délais d'approvisionnement, le moteur a généralement besoin des commandes d’achat avec à la fois les dates de commande et de livraison. Les attributs des produits ou SKU permettent également d’affiner considérablement les prévisions. Enfin, les niveaux de stock sont utiles pour obtenir une première analyse de stock significative.

Pouvez-vous établir des prévisions à partir de mon fichier Excel ?

En règle générale, si toutes vos données tiennent dans un fichier Excel, nous ne pourrons pas grand-chose pour vous et, honnêtement, personne ne le pourra. Dans un tel fichier, les données sont souvent agrégées par semaine ou par mois et les informations historiques sont alors perdues. De plus, dans ce cas, votre fichier contient peu d'informations sur les catégories et les hiérarchies qui s'appliquent à vos produits. Notre moteur de prévisions exploite toutes les données dont vous disposez et un test sur un échantillonnage de celles-ci ne donnera pas de résultats satisfaisants.

Qu’en est-il des ruptures de stock et des promotions ?

Les ruptures de stock et les promotions représentent des biais dans l’historique des ventes. L’objectif étant de prévoir la demande, et non les ventes, ces biais doivent être pris en compte. Une façon courante, mais incorrecte, de gérer ces événements consiste à corriger l’historique, pour compléter les creux ou atténuer les pics. Cependant, nous n’aimons pas cette approche qui, en réalité, consiste à donner des prévisions au moteur de prévisions et peut générer des problèmes de surapprentissage. Notre moteur prend donc en charge des « codes » qui indiquent si la demande a été limitée ou exagérée.

Effectuez-vous des prévisions sur de nouveaux produits ?

Oui. Cependant, pour cela, le moteur a besoin des dates de lancement des autres produits plus anciens, ainsi que de l’historique de leur demande au moment du lancement. Il est également conseillé d’indiquer les catégories de vos produits et/ou leur hiérarchie. En effet, le moteur établit les prévisions des nouveaux produits en détectant automatiquement les produits plus anciens comparables aux nouveaux. Mais, aucune demande n’ayant encore été observée pour les nouveaux articles, les prévisions reposent entièrement sur les attributs qui leur sont associés.

Est-il possible d’ajuster les prévisions ?

Notre expérience de près de dix ans en prévisions statistiques nous a appris qu’ajuster les prévisions n’est « jamais » une bonne idée. Si les prévisions doivent être ajustées, alors le moteur de prévisions ne fonctionne surement pas correctement et doit être corrigé. Si aucune réparation n’est nécessaire et que les prévisions sont établies « comme prévu » d’un point de vue statistique, alors les ajuster est probablement une mauvaise solution au problème que vous rencontrez. Généralement, le besoin d’ajustement des prévisions reflète la nécessité de prendre en compte un moteur économique, qui doit impacter l’analyse des risques qui repose sur les prévisions, mais pas les prévisions elles-mêmes.

Avez-vous de l’expérience dans mon secteur d’activité ?

Nous avons de l’expérience dans de nombreux secteurs d’activité : la mode, les aliments frais, l’électronique, les pièces détachées, l’aéronautique, la fabrication de luminaires, l’industrie lourde, etc. Nous pouvons travailler avec différents types d’entreprises : e-commerçants, grossistes, importateurs, fabricants, distributeurs, détaillants, etc. Le moyen le plus sûr de savoir si nous connaissons votre secteur d’activité est de nous contacter directement.

Utilisez-vous des données externes pour affiner les prévisions ?

Nous pouvons par exemple utiliser des données sur les prix pratiqués par les concurrents, obtenues grâce à des entreprises tiers spécialistes de l'acquisition automatisée de données sur le Web (web scraping). Les échangées sur Internet peuvent également être utilisées, et potentiellement acquises, pour enrichir les données historiques et améliorer la précision statistique du moteur de prévisions. En pratique, le principal obstacle à l'utilisation de sources de données n'est pas notre moteur de prévisions — qui est tout à fait à la hauteur —, mais la mise en place et la gestion de pipelines de données de qualité reliés aux sources de données externes.