Les ruptures de stock peuvent expliquer 1/4 de l'erreur de prévision en magasin

Joannes Vermorel

La notion de précision des prévisions est subtile, vraiment subtile. Il est de bon sens de dire que plus les prévisions sont proches du futur, mieux c’est, et pourtant le bon sens peut être tout à fait erroné.

Avec le lancement de Shelfcheck, notre optimiseur de disponibilité en rayon, nous avons commencé à traiter beaucoup plus de données au niveau du point de vente, en essayant de détecter automatiquement les problèmes de rupture de stock. Ces derniers mois, notre connaissance des schémas de rupture de stock s’est considérablement améliorée, et aujourd’hui cette connaissance est recyclée dans notre technologie de prévision principale.

Illustrons la situation. Le graphique ci-dessous représente les ventes agrégées quotidiennes au niveau du magasin pour un produit donné. Le magasin est ouvert 7/7. Une prévision de sept jours est produite à la fin de la semaine 2, mais une rupture de stock se produit au milieu de la semaine 3. Les jours marqués de points noirs ont zéro vente.

Dans cette situation, la prévision est assez précise, mais en raison du problème de rupture de stock, la comparaison directe des ventes par rapport aux prévisions donne l’impression que la prévision surestime significativement les ventes, ce qui n’est pas le cas, du moins pas les jours sans rupture de stock. La mesure de surprévision est un artefact causé par la rupture de stock elle-même.

Jusqu’à présent, il semble que les ruptures de stock ne peuvent que dégrader la précision perçue des prévisions, ce qui ne semble pas si mal car vraisemblablement toutes les méthodes de prévision devraient être également impactées. Après tout, aucun modèle de prévision n’est capable d’anticiper le problème de rupture de stock.

Eh bien, les ruptures de stock peuvent faire bien pire que simplement dégrader la précision des prévisions, elles peuvent aussi l’améliorer.

Regardons le graphique pour illustrer cela. Encore une fois, nous examinons les données de ventes quotidiennes, mais cette fois le problème de rupture de stock commence le tout dernier jour de la semaine 2.

La prévision pour la semaine 3 est zéro toute la semaine. Le modèle de prévision anticipe la durée de la rupture de stock. 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.

De toute évidence, un modèle de prévision qui anticipe la durée du problème de rupture de stock est extrêmement précis en ce qui concerne la comparaison numérique ventes vs prévisions. Pourtant, est-ce vraiment logique ? Non, évidemment que non. Nous voulons prévoir la demande et non les artefacts de ventes. De plus, une prévision à zéro peut entraîner un réapprovisionnement à zéro, ce qui prolonge la durée réelle du problème de rupture de stock (et augmente encore davantage la précision de notre modèle de prévision enthousiaste de la rupture de stock). Cette situation n’est évidemment pas souhaitable, peu importe à quel point la prévision peut sembler bonne d’un point de vue numérique naïf.

Mauvais cas de surajustement de la rupture de stock

Nous avons constaté que la situation illustrée par le 2ème graphique est loin d’être inhabituelle. En effet, avec une indisponibilité en rayon de 8% (une valeur typique dans le commerce de détail) et une MAPE d’environ 30% sur les prévisions quotidiennes, les situations de rupture de stock représentent généralement 8% x 100 / 30 ≈ 27% ≈ 1/4 de l’erreur de prévision totale mesurée. En effet, par définition de la MAPE, une prévision non nulle un jour de vente nulle (rupture de stock) génère une erreur de 100%.

Étant donné que la fraction de l’erreur causée par les ruptures de stock est significative, nous avons constaté qu’une simple heuristique telle que “si le dernier jour a zéro vente pour un produit très vendu, alors prévoir zéro vente pour 7 jours” peut réduire l’erreur de prévision de quelques pourcents en exploitant directement le schéma de rupture de stock. Évidemment, très peu de praticiens incluraient explicitement une telle règle parmi leurs modèles de prévision, mais même un modèle autorégressif linéaire modérément complexe peut apprendre ce schéma de manière significative, et ainsi surajuster les ruptures de stock.

Naturellement, Shelfcheck est là pour aider sur ces questions de rupture de stock. Restez à l’écoute.

Commentaires des lecteurs (2)

Salut Lars, Merci pour votre suivi. Au niveau du magasin, les choses sont vraiment bruyantes. Pensez à 1 ou 2 unités vendues par jour par article comme un cas typique. La tarification est certainement 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 que majeur) ont en effet des effets très mesurables même au niveau du magasin. Ensuite, Shelfcheck intègre les informations de tarification quotidiennes. Cependant, nous avons découvert qu’en Alimentation & Boissons, il est tout à fait possible de surpasser significativement (en termes de prévisions) la précision des systèmes existants sans exploiter les informations de tarification. Cependant, je ne dis pas que les informations sur les prix sont inutiles, simplement que vous n’avez pas besoin d’elles pour améliorer considérablement chaque configuration que nous avons observée jusqu’à présent dans l’industrie du commerce de détail. Ensuite, à l’avenir, la tarification mais aussi les données de fidélité fine-grained deviendront de plus en plus critiques pour rester compétitif sur le marché des prévisions. Joannes Vermorel (il y a 6 ans)

Salut, dans le secteur de l’Alimentation & Boissons, la quantité réellement vendue a souvent une forte corrélation avec le prix de vente réel. Cela est souvent modélisé en utilisant l’Index de l’Élasticité-Prix = variation de la quantité % / variation du prix %. À mon expérience, les prévisions statistiques unidimensionnelles statistiques qui ne tiennent compte que de la quantité réellement vendue sans prendre en compte le prix moyen réel deviennent plutôt inutiles = une perte de temps totale. Êtes-vous d’accord et quel est votre avis sur la question ? Lars (il y a 6 ans)