L'absence de stock peut expliquer 1/4 de l'erreur de prévision en magasin
La notion de précision des prévisions est subtile, vraiment subtile. Il est de bon sens de dire que plus les prévisions sont proches de l’avenir, mieux c’est, et pourtant le bon sens peut être complètement faux.
Avec le lancement de Shelfcheck, notre optimiseur de disponibilité en rayon, nous avons commencé à traiter beaucoup plus de données au niveau des points de vente, en essayant de détecter automatiquement les problèmes d’absence de stock (OOS). Au cours des derniers mois, notre connaissance des modèles OOS 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 OOS se produit au milieu de la semaine 3. Les jours marqués de points noirs ont des ventes nulles.
Dans cette situation, la prévision est assez précise, mais en raison du problème d’OOS, la comparaison directe des ventes par rapport aux prévisions donne l’impression que la prévision surestime considérablement les ventes, ce qui n’est pas le cas, du moins pas les jours sans OOS. La mesure de surestimation est un artefact causé par l’OOS lui-même.
Jusqu’à présent, il semble que l’OOS ne puisse que dégrader la précision perçue des prévisions, ce qui ne semble pas si grave car on peut supposer que toutes les méthodes de prévision sont également impactées. Après tout, aucun modèle de prévision n’est capable d’anticiper le problème d’OOS.
Eh bien, l’OOS peut faire bien pire que simplement dégrader la précision des prévisions, l’OOS peut également l’améliorer.
Jetons un coup d’œil au graphique pour illustrer cela. Encore une fois, nous examinons les données de ventes quotidiennes, mais cette fois-ci le problème d’OOS 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 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.
De toute évidence, 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, est-ce vraiment logique ? Non, évidemment que non. Nous voulons prévoir la demande, pas les artefacts de ventes. De plus, une prévision nulle peut entraîner un réapprovisionnement nul, ce qui prolonge la durée réelle du problème d’OOS (et augmente encore davantage la précision de notre modèle de prévision enthousiaste de l’OOS). Cette situation n’est évidemment pas souhaitable, quelle que soit la qualité de la prévision du point de vue numérique naïf.
Mauvais cas de surajustement OOS
Nous avons constaté que la situation illustrée par le deuxième graphique est loin d’être inhabituelle. En effet, avec une indisponibilité en rayon de 8% (une valeur typique dans la vente au détail) et une MAPE d’environ 30% sur les prévisions quotidiennes, les situations d’OOS représentent généralement 8% x 100 / 30 ≈ 27% ≈ 1/4 de l’erreur de prévision totale mesurée. En effet, selon la définition de la MAPE, une prévision non nulle lors d’une journée sans vente (OOS) génère une erreur de 100%.
Parce que la fraction de l’erreur causée par l’OOS 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 pendant 7 jours” peut réduire l’erreur de prévision de quelques pourcents en exploitant directement le modèle OOS. 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 modèle dans une mesure significative, et donc surajuster l’OOS.
Naturellement, Shelfcheck est là pour aider dans ces problèmes d’OOS. 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. Le prix est certainement important, mais en pratique, au niveau du magasin, il est très difficile de quantifier précisément l’impact d’une augmentation de prix de 5% pour un article particulier. Cependant, les promotions (qui sont également un effet de prix, bien que majeur) ont des effets mesurables même au niveau du magasin. Ensuite, Shelfcheck intègre les informations de tarification quotidiennes. Cependant, nous avons découvert que dans le secteur de l’alimentation et des boissons, il est tout à fait possible de surpasser de manière significative (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 de les utiliser pour améliorer considérablement chaque configuration que nous avons observée jusqu’à présent dans l’industrie de la vente au détail. Ensuite, à l’avenir, les informations sur les prix mais aussi les données de fidélité fines seront de plus en plus cruciales pour rester compétitif sur le marché des prévisions. Il y a 6 ans | Joannes Vermorel
Salut, dans le secteur de l’alimentation et des boissons, la quantité réelle vendue est souvent fortement corrélée avec le prix de vente réel. Cela est souvent modélisé à l’aide de l’indice d’élasticité-prix = variation de la quantité % / variation du prix %. À mon avis, les prévisions statistiques unidimensionnelles qui ne tiennent compte que de la quantité réelle vendue sans prendre en compte le prix moyen réel deviennent plutôt inutiles = une perte de temps totale. Êtes-vous d’accord et quelle est votre opinion à ce sujet ? Il y a 6 ans | Lars
