Modèles de prévision préférés
Quels types de modèles de prévision utilisez-vous en interne ? C’est une question fréquemment posée à la fois par les clients et les partenaires de Lokad.
Répondre à cette question est délicat pour nous pour deux raisons :
- Notre technologie est un atout essentiel. Ainsi, nous n’avons pas l’intention de divulguer tous les détails (bien que nous ne soyons pas totalement secrets non plus).
- Notre technologie est complexe. Nous utilisons de nombreux modèles, et un composant essentiel est précisément la sélection de modèle.
Ainsi, plutôt que de donner la liste exacte des modèles utilisés par Lokad, je vais énumérer ma propre liste personnelle de modèles préférés. Je ne prétends pas que ces modèles représentent la liste complète des modèles utilisés chez Lokad, ni que tous ces modèles sont réellement utilisés en production chez Lokad ; cependant, cela devrait vous donner un aperçu de ce que nous faisons chez Lokad.
Tout d’abord, il y a les classiques tout simples : autorégressif, moyenne mobile, lissage exponentiel (double, triple), Box-Jenkins, Holt-Winters, ARMA, ARIMA… Ces modèles traitent généralement ni les séries multiples, ni les balises ou les événements ; pourtant, la simplicité est souvent de mise. Ne rejetez pas la moyenne mobile simplement parce qu’elle semble trop simple pour être efficace.
Ensuite, pour des modèles plus avancés, je préfère parler d’approches plutôt que de modèles. En effet, plus le modèle est complexe, plus le mathématicien a de latitude pour ajuster de manière subtile le comportement du modèle de prévision.
L’approche bayésienne : l’établissement de graphiques de relations est particulièrement utile dans le contexte de Lokad où nous exploitons les corrélations entre les séries temporelles. C’est également utile pour traiter les balises et les événements.
L’approche de marge vaste : les machines à vecteurs de support (SVM) sont devenues incroyablement populaires ces jours-ci. Cependant, en ce qui concerne les séries temporelles, c’est plutôt la régression par vecteurs de support (SVR) qui est la plus utile pour nous. Comme inconvénient mineur, les SVM et les SVR sont généralement assez coûteux en termes de puissance de traitement brute.
L’approche de mélange / renforcement : mélanger de nombreux prédicteurs simples afin d’améliorer la prévision globale fonctionne bien. La combinaison d’un grand nombre de prédicteurs simples peut être utilisée pour refléter des comportements vraiment complexes.
L’approche méta-heuristique : algorithme génétique, réseaux neuronaux, programmation génétique et autres approches évolutives / adaptatives. Ces approches sont puissantes, mais elles sont également connues pour leur sensibilité intrinsèque à de nombreux paramètres de réglage.
En conclusion, notre technologie est en constante évolution rapide. De nouveaux modèles sont mis en production environ tous les mois. Cette liste n’est pas définitive et le cloud computing crée en réalité de nombreuses opportunités pour nous de mettre en œuvre des modèles qui étaient tout simplement trop coûteux par le passé.
