La notion de précision des prévisions est subtile, vraiment subtile. Il est évident de dire que si plus les prévisions se rapprochent du futur, mieux c’est, le bon sens peut néanmoins être complètement faux.

Avec le lancement de Shelfcheck, notre optimisateur de disponibilité sur les rayons, nous avons commencé à traiter beaucoup plus de données au niveau des points de vente, en essayant de détecter automatiquement les problèmes d’out-of-shelf (OOS). Au cours des derniers mois, notre connaissance des schémas d’OOS s’est considérablement améliorée, et aujourd’hui, cette connaissance est recyclée dans notre technologie centrale de prévision.

Illustrons la situation. Le graphique ci-dessous représente les ventes quotidiennes agrégées au niveau du magasin pour un produit donné. Le magasin est ouvert 7 jours sur 7. Une prévision sur sept jours est produite à la fin de la semaine 2, mais un OOS survient au milieu de la semaine 3. Les jours marqués d’un point noir ont zéro vente.

Dans cette situation, la prévision est assez précise, mais en raison du problème d’OOS, la comparaison directe entre les ventes et les prévisions donne l’impression que la prévision surestimait significativement les ventes, ce qui n’est pas le cas, du moins pas lors des jours sans OOS. La mesure de sur-prévision est un artefact causé par l’OOS lui-même.

Jusqu’à présent, il semble que l’OOS puisse seulement dégrader la précision des prévisions perçue, ce qui ne semble pas trop grave car, vraisemblablement, toutes les méthodes de prévision devraient être impactées de la même manière. Après tout, aucun modèle de prévision n’est capable d’anticiper le problème d’OOS.

Eh bien, l’OOS peut faire bien pire que de simplement dégrader la précision des prévisions, il peut également l’améliorer.

Jetons un coup d’œil au graphique pour illustrer cela. Encore une fois, nous examinons des données de ventes quotidiennes, mais cette fois, le problème d’OOS commence le tout dernier jour de la semaine 2.

La prévision pour la semaine 3 est nulle pendant toute la semaine. Le modèle de prévision anticipe la durée de l’OOS. La prévision n’est pas entièrement précise car, le dernier jour de la semaine 3, un réapprovisionnement est effectué et les ventes ne sont plus nulles.

Évidemment, un modèle de prévision qui anticipe la durée du problème d’OOS est extrêmement précis en ce qui concerne la comparaison numérique ventes vs prévisions. Pourtant, cela a-t-il vraiment du sens ? Non, évidemment que non. Nous voulons prévoir la demande et non des artefacts de ventes. Pire encore, une prévision nulle peut conduire à un réapprovisionnement nul qui, à son tour, prolonge la durée réelle du problème d’OOS (et augmente davantage la précision de notre modèle de prévision passionné d’OOS). C’est évidemment une situation peu souhaitable, peu importe la qualité de la prévision d’un point de vue purement numérique naïf.

Mauvais cas de surajustement OOS

Nous avons constaté que la situation illustrée par le 2ème graphique est loin d’être inhabituelle. En effet, avec 8 % d’indisponibilité sur rayon (un chiffre typique dans le retail) et environ 30 % de MAPE sur les prévisions quotidiennes, les situations d’OOS représentent typiquement 8 % x 100 / 30 ≈ 27 % ≈ 1/4 de l’erreur totale de prévision mesurée.

Parce que la part de l’erreur causée par l’OOS est significative, nous avons constaté qu’une heuristique simple telle que « si le dernier jour présente zéro vente sur un produit best-seller, alors prévoir zéro vente pendant 7 jours » peut réduire l’erreur des prévisions de quelques pourcentages en tirant directement parti du schéma d’OOS. Évidemment, très peu de praticiens mettraient explicitement une telle règle parmi leurs modèles de prévision, mais même un modèle linéaire autoregressif modérément complexe peut apprendre ce schéma de manière significative, et ainsi surajuster l’OOS.

Naturellement, Shelfcheck est là pour aider sur ces questions d’OOS. Restez à l’écoute.


Reader Comments (2)

Salut Lars, Merci pour ton suivi. Au niveau du magasin, les choses sont vraiment bruitées. Pensez à 1 ou 2 unités vendues par jour et par article comme cas typique. La tarification est certes importante, mais en pratique, au niveau du magasin, il est très difficile de quantifier précisément l’impact d’un ajustement de prix de 5 % pour un article particulier. Cependant, les promotions (qui sont également un effet de tarification, bien qu’important) ont, en effet, des effets très mesurables, même au niveau du magasin. Ensuite, Shelfcheck intègre les informations quotidiennes de tarification. Cependant, nous avons constaté que dans Food & Beverage, il est tout à fait possible de surpasser de manière significative (en termes de prévision) la précision des systèmes existants sans utiliser les informations de tarification. Cependant, je ne dis pas que les informations de tarification soient inutiles, simplement qu’elles ne sont pas nécessaires pour améliorer de manière spectaculaire chaque configuration que nous avons observée jusqu’à présent dans l’industrie de la vente au détail. Ensuite, à l’avenir, la tarification mais aussi les données fines de fidélisation deviendront de plus en plus cruciales pour rester compétitif sur le marché de la prévision. Joannes Vermorel (6 years ago)


Salut, Dans Food & Beverage, la quantité vendue réelle présente souvent une forte corrélation avec le prix de vente effectif. Ceci est souvent modélisé en utilisant l’Élasticité des prix : Index = variation % de la quantité / variation % du prix. D’après mon expérience, une prévision statistique unidimensionnelle qui ne regarde que la quantité vendue réelle sans prendre en compte le prix moyen effectif devient plutôt inutile = une perte de temps totale. Êtes-vous d’accord et quel est votre avis à ce sujet ? Lars (6 years ago)