Prévisions avec catégories et hiérarchie

Prévisions avec catégories et hiérarchie










Accueil » Ressources » Ici

L’objectif de Lokad est de fournir des prévisions aussi exactes que possible. Cependant, lorsqu’un seul produit est pris en compte, il n’y a souvent pas assez de données historiques disponibles sur celui-ci pour calculer des prévisions statistiques exactes. Lokad résout ce problème en exploitant les corrélations qui existent entre articles afin d’affiner ses prévisions. Mais l’élaboration de corrélations à partir de l’historique de la demande reste, encore une fois, limitée lorsque l’historique est trop court ou pas assez fourni. Par conséquent, Lokas utilise la « hiérarchie des articles » et leurs « catégories » pour affiner ses prévisions. Dans le présent article, nous détaillons comment de telles données peuvent être transmises au moteur de prévisions de Lokad.

Syntaxe générale

Les catégories et la hiérarchie peuvent être transmises en tant qu’arguments nommés au moteur de prévisions comme illustré ci-dessous :
Leadtime = forecast.leadtime(
  category: C1, C2, C3, C4
  hierarchy: H1, H2, H3, H4
  // les autres arguments sont coupés.
  )
Demand = forecast.demand(
  category: C1, C2, C3, C4
  hierarchy: H1, H2, H3, H4
  label: PlainText
  // les autres arguments sont coupés.
  )  

Ces arguments sont facultatifs donc category, hierachy et label peuvent être omis. Lorsqu’ils sont fournis, 4 vecteurs au maximum peuvent être transmis.

Du point de vue des prévisions

Les catégories et la hiérarchie jouent un rôle similaire du point de vue du moteur de prévisions : elles l’aident à gérer des données historiques rares. En effet, pour un article donné (1), le nombre d’observations passées peut être très limité, seuls quelque-unes par an parfois. Dans ce cas, les prévisions calculées uniquement à partir des donnés disponibles pour l’article en question sont relativement inexactes car l’estimation est très perturbée.

(1) L’article peut désigner un produit, un code-barres, un SKU... en fonction de l’entreprise pour laquelle les prévisions sont établies. L’article définit la granularité des prévisions.

Le moteur de prévisions de Lokad résout ce problème en exploitant les corrélations qui existent en les articles. Cependant, puisque les données d’historique sont rares, les corrélations sont difficiles à établir uniquement à partir de leurs valeurs passées. Par conséquent, le moteur de prévisions essaie d’utiliser les relations qui existent entre les articles en fonction de leurs propriétés ou attributs.

Dans le secteur de la distribution, les propriétés sont généralement obtenues à partir des systèmes de gestion de l'information produit (PIM). Lokad, en tant qu’application Web, ne dispose pas de fonctionnalités de gestion de l'information produit mais les données traitées par Lokad viennent souvent de ce type de système. Ces propriétés sont utiles aux prévisions car elles contiennent également de nombreuses informations sur le marché lui-même, c’est-à-dire les segments marché significatifs et les facteurs de différentiation des articles.

La hiérarchie

La « hiérarchie » est prévue pour une organisation hiérarchique des articles (arborescence). Le moteur de prévisions peut prendre en charge jusqu’à 4 niveaux de hiérarchie. Lorsqu’il existe plusieurs niveaux de hiérarchie, ces derniers doivent être fournis au moteur de prévisions par ordre d’importance décroissant (le premier paramètre doit représenter le niveau le plus élevé). Le moteur de prévisions ne peut gérer plusieurs hiérarchies.

La plupart des entreprises ont déjà définie une hiérarchie pour organiser leurs articles. Les niveaux hiérarchiques peuvent s’appeler « marché », « segment », « famille », « sous-famille »... Selon la terminologie qui s’applique dans l’entreprise. Par exemple, les entreprises de eCommerce affichent généralement leur hiérarchie de produits sur leur site Web à travers les menus.

Les catégories

Les « catégories » sont prévues pour différentes catégorisations d’articles pertinentes dans le cadre de prévisions. Les catégories sont censées compléter la hiérarchie avec les propriétés communes aux biens vendus (l’auteur dans le cas de livres par exemple). À la différence de la hiérarchie, les catégories ne sont pas nécessairement reliées entre elles : la première catégorie n’est pas forcément au-dessus de la deuxième.

En pratique, les catégories peuvent être utilisées pour illustrer des attributs d’articles relativement divers comme la marque, le matériau ou la couleur. Les catégories peuvent également servir à représenter une hiérarchie secondaire. Le moteur de prévisions peut prend en charge jusqu’à 4 attributs distincts de catégorie.

Les étiquettes textuelles

Les étiquettes permettent de définir des catégories indicatives d'articles à travers leur désignation textuelle. Le moteur de prévisions est capable d'analyser du texte afin de traiter des ensembles de données sans catégorie ni hiérarchie. En effet, bien que des catégories et hiérarchies définies manuellement améliorent la précision des prévisions, ces informations ne sont pas toujours disponibles et il est impossible de les saisir pour des milliers d'articles.

Heureusement, le moteur de prévision de Lokad est capable d'exploiter la désignation textuelle des articles. La taille de ces désignations n'est pas strictement limitée mais le moteur de prévisions est optimisé pour des désignations de moins de 20 mots. De manière générale, des désignations d'une ligne par article donnent les meilleurs résultats. En pratique, nous avons constaté que des désignations textuelles de qualité améliorent autant la précision des prévisions que des catégories et des hiérarchies bien définies.

Connaissance préalable du marché

Grâce à la hiérarchie et aux catégories, le moteur de prévisions tente de mieux connaître le marché lui-même. D’après notre expérience, tout attribut ou caractéristique perçu comme pertinent par un expert peut être utile à notre moteur de prévisions. Pour tout ensemble de données d’une certaine taille, de plus de cent articles, nous vous recommandons fortement d’inclure au moins deux attributs et deux niveaux de hiérarchie ou un niveau de hiérarchie et une catégorie. Ces informations augmentent sensiblement l’exactitude des prévisions.

Cependant, nous vous déconseillons de créer des catégories ou des niveaux de hiérarchie artificiels dont le but serait de fournir des informations sur la saisonnalité, le volume des ventes ou leur irrégularité par exemple. En effet, si l’attribut peut être calculé à partir de l’historique des données, le moteur de prévisions le fait tout seul, sans aide extérieure.