Il y a un peu plus d’un an, nous avons dévoilé les grilles de quantiles comme notre technologie de prévision 3.0. Plus que jamais, Lokad reste engagé à fournir les meilleures prévisions que la technologie puisse produire, et aujourd’hui, notre quatrième génération de technologie de prévision, à savoir notre moteur de prévisions probabilistes, est en production et disponible pour tous les clients. Ce nouveau moteur consiste en une réécriture complète de notre pile technologique de prévision et répond à de nombreux défis de longue date auxquels nous étions confrontés.

Probabilités réelles

L’avenir est incertain, peu importe la qualité de la technologie de prévision. Déjà en 2012, lorsque Lokad s’est aventuré dans les profondeurs de la prévision par quantiles, nous avons rapidement réalisé que l’incertitude ne devait pas être écartée comme c’est le cas avec l’approche classique de prévision, mais plutôt être intégrée. En d’autres termes, les coûts de la supply chain se concentrent aux extrêmes statistiques : c’est la demande étonnamment élevée qui cause les ruptures de stock, et la demande étonnamment faible qui cause des stocks morts. Au milieu, la supply chain tend à fonctionner de manière assez fluide.

Avec les grilles de quantiles, Lokad offrait une vision bien plus fine des résultats futurs possibles. Cependant, comme le nom l’indique, nos grilles de quantiles étaient construites sur la base de nos prévisions par quantiles, en réalité plusieurs couches de quantiles. Ces grilles se sont avérées extrêmement utiles au cours de l’année écoulée, mais alors que notre moteur de prévision produisait des probabilités, en interne, presque toute sa logique ne travaillait pas directement avec les probabilités. Les probabilités que nous calculions étaient un sous-produit d’un système de prévision par quantiles.

En raison de ces racines liées aux quantiles, notre moteur de prévision 3.0 présentait plusieurs limitations subtiles. Et bien que la plupart de ces limitations fussent trop subtiles pour être remarquées par les clients, l’équipe R&D de Lokad ne les a pas ignorées. Ainsi, nous avons décidé de repenser entièrement notre technologie de prévision avec une véritable perspective de prévision probabiliste native ; et ce fut le début du moteur de prévision 4.0.

Prévision des délais d’approvisionnement forecasting

Les délais d’approvisionnement sont fréquemment considérés comme acquis. Cependant, alors que les délais passés sont connus, les délais futurs ne peuvent être que estimés. Pendant des années, Lokad a sous-estimé le défi que représente une approximation précise des délais futurs. Les délais d’approvisionnement sont subtils : la plupart des motifs statistiques, tels que la saisonnalité (et le Nouvel An chinois en particulier), qui impactent la demande, impactent également les délais.

Dans notre moteur de prévision 4.0, les délais d’approvisionnement sont devenus des citoyens à part entière avec leur propre mode de prévision. Désormais, les délais bénéficient de modèles de prévision intégrés dédiés. Naturellement, puisque notre moteur est un moteur de prévision probabiliste, les prévisions de délais se présentent sous la forme d’une distribution de probabilités associée à une période de temps incertaine.

Prévision intégrée de la demande

Les délais d’approvisionnement varient et pourtant, notre moteur de prévision 3.0 était bloqué sur des délais fixes. Dans une perspective traditionnelle, l’analyse classique des stocks de sécurité part du principe que le délai suit une distribution normale, alors que presque toutes les mesures que nous avons effectuées indiquent que les délais variables ne sont clairement pas distribués normalement. Bien que nos expérimentations aient systématiquement montré qu’un délai fixe était préférable à un modèle défaillant, être contraint par des délais statiques n’était cependant pas la solution parfaitement satisfaisante que nous recherchions.

Le moteur de prévision 4.0 introduit le concept de prévision intégrée de la demande, le terme intégré signifiant intégré sur le délai. Le moteur prend en compte la distribution complète des probabilités de délai et produit la prévision probabiliste de la demande correspondante. En pratique, la distribution des délais est également calculée par le moteur de prévision, comme vu précédemment. La prévision intégrée de la demande apporte enfin une réponse satisfaisante au défi de gérer des délais variables.

Prévision des nouveaux produits forecasting

La prévision de la demande pour un nouveau produit est tout simplement difficile. Dans ce cas, puisqu’il est évident que la prévision ne peut pas se baser sur l’historique des ventes, le moteur de prévision doit s’appuyer sur d’autres données connues sur le produit avant son lancement. Notre moteur de prévision 3.0 disposait déjà d’un cadre de tags, précisément adapté à ce cas d’usage spécifique. Cependant, les tags ne portaient malheureusement pas autant d’informations que nous l’aurions souhaité et une partie de la précision s’en est trouvée compromise.

Avec la version 4.0, ce défi spécifique est repensé avec l’introduction de catégories et de hiérarchies. Les catégories et les hiérarchies sont plus expressives et plus structurées que les tags, et véhiculent beaucoup plus d’informations. Le moteur de prévision 4.0 exploite pleinement ce cadre de données enrichi pour fournir des prévisions plus précises, la prévision pour les nouveaux produits étant le cas d’usage le plus aigu.

Ruptures de stock et promotions

L’objectif du moteur de prévision est de prévoir la future demande. Cependant, notre connaissance de la demande passée est généralement imparfaite, seules les ventes passées étant réellement connues. Les ventes tendent à être une approximation raisonnable de la demande, mais elles comportent plusieurs biais, les cas les plus courants étant les ruptures de stock et les promotions. Notre moteur 3.0 disposait déjà de quelques heuristiques pour traiter ce biais, de plus les prévisions par quantiles sont intrinsèquement plus robustes que les prévisions moyennes (classiques). Pourtant, une fois de plus, la situation n’était pas entièrement satisfaisante pour nous.

Le moteur 4.0 introduit la notion de demande biaisée, qui peut être soit censurée soit gonflée. Lorsque la demande pour un produit donné à un jour donné est marquée comme censurée, nous indiquons au moteur de prévision que la demande aurait dû être plus élevée, et que la véritable demande de ce jour reste inconnue. Le moteur exploite cette information pour affiner les prévisions, même lorsque l’historique est rempli d’événements ayant déformé le signal de la demande.

Demande ultra-éparse

Alors que les prévisions par quantiles sont largement supérieures aux prévisions moyennes ou médianes classiques pour estimer les probabilités d’événements rares, les quantiles commencent à montrer leurs limites lorsqu’il s’agit d’estimer des événements super-rares. Par exemple, nos modèles par quantiles peinaient à gérer correctement les articles vendus une ou deux fois par an, ainsi qu’à traiter des taux de service supérieurs à 98%.

Les modèles probabilistes natifs, tels qu’implémentés dans notre moteur 4.0, se comportent bien mieux lorsqu’il s’agit de la demande ultra-éparse et des événements “rares” en général. Ces modèles auraient pu être implémentés dans un cadre de prévision par quantiles (une prévision probabiliste peut être facilement transformée en prévision par quantiles) ; mais notre moteur 3.0 ne disposait pas de l’infrastructure nécessaire pour les supporter. Ils ont donc été implémentés dans le moteur 4.0 à la place.

Intégré à Envision

Les versions 2.0 et 3.0 de notre moteur de prévision étaient accompagnées d’une interface utilisateur web. À première vue, cela semblait facile. Cependant, l’interface utilisateur passait en réalité à côté du facteur qui représente le véritable défi de l’utilisation (de tout) moteur de prévision, à savoir offrir un contrôle complet sur les données transférées dans le moteur de prévision. En effet, le principe du garbage-in, garbage-out demeure un problème bien trop fréquent.

Le moteur 4.0 est interfacé depuis Envision, notre langage spécifique au domaine dédié à l’optimisation quantitative pour le commerce. Appeler le moteur de prévision nécessite une série d’arguments de données fournis par un script Envision. Cette approche demande un peu plus d’effort initial, cependant, les bénéfices en termes de productivité se font sentir rapidement, dès que des ajustements sont apportés aux données d’entrée.

Le lancement de notre moteur de prévision 4.0 n’est que la première étape d’une série d’améliorations importantes qui ont été apportées à Lokad au cours des dernières semaines. Restez à l’écoute pour la suite.