FAQ: Prévision de la demande

Lokad a évolué depuis ses débuts en prévision de la demande à la fin des années 2000 jusqu’à devenir un leader de l’optimisation prédictive pour supply chain, en se concentrant sur des évaluations supérieures des événements futurs tout en naviguant dans les complexités du monde réel.

Public cible: praticiens de la supply chain, planificateurs de la demande et de l’approvisionnement, analystes d’affaires.

Dernière modification: 7 mars 2024

Principes de prévision

Comme Keynes l’a observé, il vaut mieux être approximativement correct que parfaitement faux. Ce principe s’applique à la plupart des situations de supply chain (et à des scénarios hors supply chain), mais il est particulièrement valable en matière de prévision. En ce qui concerne la prévision, Lokad va au-delà du simple fait d’éviter d’être parfaitement faux ; nous surpassons régulièrement non seulement nos concurrents, mais aussi des équipes de recherche¹— redéfinissant parfois l’état de l’art. Cependant, au cours de la dernière décennie, nous avons réalisé que le plus grand facteur limitant de la perspective traditionnelle de la prévision n’était pas la précision, mais plutôt l’expressivité.

Les prévisions classiques—c’est-à-dire les prévisions ponctuelles de séries temporelles—ne donnent tout simplement pas assez d’informations sur l’avenir. Pourtant, les prévisions de séries temporelles sont devenues si répandues que de nombreux praticiens oublient à quel point elles sont incomplètes—et pas seulement inexactes. Les prévisions de séries temporelles traitent l’avenir de l’entreprise comme le mouvement d’une planète: un phénomène où l’observateur n’a rien à voir avec les objets observés. Cependant, les supply chain ne sont pas comme l’astronomie, et les entreprises (contrairement aux planètes) influencent activement la direction de leur supply chain. Fondamentalement, l’avenir n’est pas prédéterminé; c’est ce que vous en faites.

Étrangement, toute la théorie dominante de la supply chain est construite sur la base des prévisions de séries temporelles, ce qui mène à toutes sortes de détournements bizarres. La tarification—un moyen évident de diriger la demande—is généralement écartée de l’équation, la rendant une préoccupation totalement distincte de la planification. Cela est manifestement incorrect compte tenu de leur claire interdépendance.

Une autre dimension, totalement absente de la perspective traditionnelle des séries temporelles, est l’incertitude. Cette incertitude est celle que les traditionalistes pensent pouvoir être maîtrisée en recherchant une plus grande précision de manière isolée—consacrant souvent d’immenses ressources à cet effet. Cependant, les supply chain ne cessent de prouver que l’incertitude associée aux événements futurs est irréductible, et que les problèmes de supply chain nécessitent plus que de simples ajustements isolés—c’est-à-dire, l’optimisation locale. Non seulement l’incertitude future est irréductible, mais les marchés mondiaux semblent également très habiles à lancer des défis à la fois de manière ancienne (par exemple, guerres, tsunamis) et de manière nouvelle (par exemple, confinements, réglementations inventives).

Prévisions probabilistes

La première rupture majeure de Lokad avec la perspective classique de la prévision à partir de séries temporelles a été l’introduction des prévisions probabilistes en 2012, via des prévisions par quantiles—qui peuvent être considérées comme une prévision probabiliste incomplète. Les prévisions probabilistes prennent en compte tous les futurs possibles (c’est-à-dire, la demande, le délai, etc.) en assignant une probabilité à chaque issue. Ainsi, les prévisions probabilistes intègrent l’incertitude irréductible des événements futurs au lieu de l’ignorer complètement. Depuis 2012, les prévisions probabilistes ont prouvé, à maintes reprises, être une approche bien supérieure en matière de gestion des risques pour supply chain. Cela s’applique aussi bien aux petites décisions locales, comme choisir la bonne quantité pour un SKU, qu’aux grandes décisions, comme la conclusion d’un contrat de service pluriannuel de plusieurs millions de dollars.

De plus, Lokad ne s’est pas limité (et ne se limite toujours pas) à la prévision probabiliste de la demande. Toutes les autres sources d’incertitude sont désormais quantifiées par la plateforme Lokad. Ces incertitudes incluent des délais variables, des taux de rebut variables, des retours clients variables, etc. Plus généralement, tous les événements futurs incertains doivent être prévus, idéalement via des prévisions probabilistes. Ainsi, de nos jours, Lokad prédit régulièrement plus d’une douzaine de types distincts d’événements futurs. Il est important de noter que ces prévisions alternatives ne sont pas des prévisions de séries temporelles. Nous ne sommes pas en train d’essayer d’exprimer plusieurs valeurs/unités disparates (par exemple, la demande, le délai, etc.) en utilisant une série temporelle. En fait, la plupart du temps, le problème que nous prévoyons ne rentre même pas dans le cadre étroit imposé par une série temporelle.

Prévisions programmatiques

La deuxième rupture significative de Lokad avec la perspective classique de la prévision a été son virage programmatique, d’abord avec deep learning en 2018, puis avec programmation différentiable en 2019. Le point de vue dominant était que la prévision devait être abordée comme un produit technologique “packagé”. Lokad, comme la plupart de ses pairs, faisait même référence à son “moteur de prévision”—un composant logiciel monolithique dédié à cette tâche. Cependant, cette perspective présente deux lacunes majeures.

Premièrement, la perspective du “moteur de prévision” suppose qu’il existe une manière standard d’organiser les données d’entrée qui seront fournies au moteur. Ce n’est pas le cas. La structure même des données d’entrée—in the relational sense (e.g., SQL)—dépend fortement des spécificités des systèmes d’information en place dans l’entreprise. Forcer les données historiques, telles qu’on les trouve dans les systèmes d’information, dans un modèle de données préconçu, comme l’exige un moteur de prévision, entraîne toutes sortes de problèmes. Alors que Lokad est parvenu (grâce à une sophistication toujours croissante) à concevoir un moteur de prévision bien plus flexible que celui que nos concurrents offrent encore, nous avons également réalisé que cette approche était une impasse technologique. Le moteur de prévision n’est jamais assez flexible et finit invariablement par occulter des aspects critiques mais nuancés de l’entreprise.

Les approches programmatiques se sont toutefois révélées être une solution bien supérieure. C’est là que les défis de la modélisation prédictive sont abordés à travers des paradigmes programmatiques, par opposition à un logiciel monolithique rigide. Lokad a commencé en 2018 avec des frameworks de deep learning—as commonly used by the broader community—but a fini par revoir entièrement sa technologie à la lumière des avancées réalisées en programmation différentiable en 2019. L’objectif de cette refonte technologique complète était de transformer les données relationnelles en citoyennes de premier ordre, contrairement aux frameworks de deep learning qui les traitaient—and still treat—it as a second-class one. Alors que les données relationnelles dominent dans supply chain, ce n’est pas le type de données qui capte l’intérêt de la communauté plus large du machine learning (où prédominent images, langage naturel, voix, etc.).

Deuxièmement, la perspective du “moteur de prévision” ne laisse aucune place à l’entreprise pour façonner son propre futur. Quelle que soit la sophistication du moteur, le paradigme implique qu’un processus en deux étapes se déroule, avec une phase de prévision/planification suivie d’une phase d’optimisation/exécution. Ce paradigme laisse peu ou pas de marge pour alterner entre planification et exécution. En théorie, il est possible d’appliquer de manière répétée le moteur de prévision sur des scénarios qui ont été ajustés en fonction des prévisions obtenues lors d’itérations précédentes. En pratique, le processus est si fastidieux que personne ne le fait réellement (du moins, pas longtemps).

En résumé: les approches programmatiques changent la donne. Cela permet d’opérer des boucles de rétroaction sur mesure—entre planification et exécution—reflétant des options subtiles mais profitables que l’entreprise risquerait autrement de manquer. Par exemple, si le client est une entreprise de maintenance en aviation (MRO), il devient possible d’envisager simultanément l’achat et la vente de pièces réutilisables—la vente de pièces inutilisées finançant l’acquisition de pièces désormais indispensables. De telles interactions ne sont pas nécessairement complexes ou même difficiles, mais les découvrir requiert une analyse minutieuse des subtilités de l’entreprise. Les approches non programmatiques échouent invariablement à saisir ces subtilités, renvoyant les praticiens de supply chain à leurs tableurs². La programmation différentiable s’avère également être un facteur déterminant à cet égard.

Questions fréquemment posées (FAQ)

1. Algorithmes et modèles de prévision

1.1 Pouvez-vous fournir un aperçu des moteurs de prévision que vous utilisez ?

Les capacités prédictives de Lokad reposent sur celles de la programmation différentiable d’Envision, le DSL (langage de programmation spécifique au domaine) conçu par Lokad pour l’optimisation prédictive de supply chain. Ainsi, plutôt que de disposer d’un “moteur de prévision”, Lokad dispose de composants programmatiques pouvant être facilement assemblés pour créer des modèles prédictifs à la pointe de la technologie.

Nos modèles prédictifs incluent (mais dépassent également) la livraison de prévisions de demande de séries temporelles à la pointe de la technologie, comme en témoigne la première place au niveau SKU (sur environ 1000 concurrents) lors d’une compétition internationale de prévision basée sur des ensembles de données Walmart. Les détails de la méthode sont présentés dans un article public. La programmabilité de la plateforme Lokad offre des capacités flexibles qui ne peuvent être reproduites par un “moteur de prévision” traditionnel. En fait, notre dernier “moteur de prévision” a été abandonné en 2018 au profit d’une approche programmatique, précisément en raison de cette limitation.

De plus, nous parlons généralement de “modélisation prédictive” plutôt que de “prévision”, car ce n’est pas seulement la demande future qui doit être estimée quantitativement, mais toutes les sources d’incertitude. Ces catégories incluent les délais futurs, les retours futurs, les taux de rebut futurs, les prix sources futurs, les prix des concurrents futurs, etc. Grâce à la programmation différentiable, Lokad fournit des prévisions qui vont bien au-delà de ce qui est traditionnellement attendu d’un moteur de prévision. Ces prévisions étendues sont essentielles pour offrir une optimisation de supply chain de bout en bout, plutôt qu’un plan de demande isolé.

Enfin, Lokad propose un “modèle prédictif probabiliste”. La prévision probabiliste (ou “modélisation probabiliste”) est cruciale pour fournir des décisions optimisées tenant compte du risque. Sans prévisions probabilistes, les décisions de supply chain sont fragiles face à toute variation, générant des coûts fixes constants dans des situations qui auraient pu être en grande partie atténuées par des décisions un peu plus prudentes.

Voir Programmation différentiable dans Envision pour en savoir plus sur les subtilités de cet outil crucial, ainsi que l’Histoire du moteur de prévision de Lokad pour revoir notre progression en matière de prévision.

1.2 Pouvez-vous générer une prévision de base basée sur des modèles statistiques ?

Oui. Lokad peut générer une prévision de demande de base basée sur des modèles paramétriques de faible dimension, c’est-à-dire un modèle statistique. Nous faisons cela en utilisant Envision, le DSL (langage de programmation spécifique au domaine) de Lokad, spécialement conçu pour l’optimisation prédictive de supply chain. Grâce aux capacités de programmation différentiable d’Envision, il est également aisé d’apprendre des paramètres en s’appuyant sur les données historiques de la demande.

Il existe deux limitations majeures à la perspective traditionnelle de la prévision qui a été dépassée par les technologies plus récentes offertes par Lokad. Premièrement, les prévisions ponctuelles de séries temporelles (alias “prévisions classiques”) ne capturent pas l’incertitude irréductible de l’avenir. En effet, elles ignorent complètement l’incertitude en exprimant l’incertitude future sous la forme d’une seule valeur (par exemple, la demande) au lieu d’une distribution de probabilité de valeurs.

En conséquence, il n’est pas possible, à l’aide des prévisions traditionnelles de séries temporelles, pour le client de générer des décisions ajustées au risque—par exemple, celles qui reflètent l’impact financier de commander X unités ou X+1 unités, voire de ne rien commander du tout. Ce manque de gestion du risque (c’est-à-dire, d’un point de vue quantitatif) est invariablement très coûteux pour le client, car il conduit à de mauvaises décisions financières (par exemple, bons de commande, allocations, etc.). Lokad résout ce problème grâce à la prévision probabiliste, en intégrant l’incertitude future au lieu de l’ignorer.

Deuxièmement, la prévision de la demande, bien qu’étant sans doute le type de prévision le plus important, n’est pas le seul type de prévision. Les délais, les retours, les taux de rebut et toutes les autres sources d’incertitude future doivent également être prévus. Lokad aborde ce problème par la modélisation prédictive programmatique.

1.3 Quel type d’analyse de données et d’algorithmes la solution emploie-t-elle pour générer des prévisions de demande précises ?

Lokad utilise la programmation différentiable tout en s’appuyant sur des données historiques détaillées et—si pertinent—sur des données externes sélectives pour générer des prévisions de demande et gérer d’autres complexités de supply chain (par exemple, ruptures de stock et promotions).

La programmation différentiable—utilisée pour apprendre des modèles paramétriques—is la technique de pointe pour générer des prévisions de demande précises. Comme le démontre la compétition M5 de prévision, basée sur des données de vente au détail de Walmart, Lokad a utilisé cette approche et a décroché la première place au niveau SKU (en compétition contre environ 1000 équipes dans le monde entier). Cette réussite qualifie l’approche d’état de l’art.

Cependant, le M5 n’a fait qu’effleurer la surface en ce qui concerne les prévisions de demande, car l’approche de Lokad se prête à d’innombrables « complications », telles que la gestion des ruptures de stocks, des promotions, des retours, de la péremption, etc. Structured predictive modeling for supply chain fournit les détails de la manière dont Lokad aborde ces complications.

En ce qui concerne les données, Lokad exploite toutes les données de ventes historiques pertinentes, jusqu’aux transactions individuelles (si ces données sont disponibles). Nous exploitons également d’autres données historiques qui complètent le signal de demande, telles que les niveaux de stocks historiques, les prix historiques, les prix historiques des concurrents, les classements d’affichage historiques (ecommerce), etc. La technologie de Lokad a été conçue pour tirer le meilleur parti de toutes les données disponibles, ainsi que pour atténuer les effets des données qui, malheureusement, ne le sont pas.

Des données externes peuvent être utilisées si elles sont jugées pertinentes pour affiner les prévisions de demande. Cependant, d’après notre expérience, les données au-delà de l’intelligence concurrentielle n’apportent que rarement une amélioration de la précision justifiant les importants efforts d’ingénierie associés à la préparation de ces ensembles de données (par exemple, données sociales, données météorologiques, etc.). L’exploitation de tels ensembles de données devrait être réservée aux entreprises matures qui ont déjà épuisé toutes les voies plus simples pour améliorer la précision des prévisions.

1.4 Réduisez-vous l’erreur de prévision grâce aux techniques de machine learning ?

Oui. Lokad utilise la programmation différentiable et le deep learning pour réduire l’erreur de prévision. Nous utilisons occasionnellement des techniques alternatives, telles que les forêts aléatoires ou les arbres boostés par gradient. De plus, nous utilisons des techniques de machine learning (ML) pour revisiter les méthodes statistiques « classiques » (par exemple, les modèles autorégressifs), mais avec des méthodes nettement améliorées en ce qui concerne l’apprentissage des paramètres pertinents de ces méthodes.

Bien que Lokad utilise le ML, il convient de noter qu’il ne s’agit pas d’un corpus homogène de travaux, mais plutôt d’une perspective partagée sur la manière d’aborder les données. Considérant que le machine learning, en tant que domaine de recherche, existe depuis plus de trois décennies, le terme recouvre en réalité un large éventail de techniques ; certaines sont considérées comme state-of-the-art et d’autres comme assez obsolètes.

De notre point de vue, le changement de paradigme le plus important dans le ML, en particulier pour la supply chain, est la transition de l’ingénierie des caractéristiques à l’ingénierie de l’architecture. En d’autres termes, les techniques de machine learning sont devenues programmables. Le deep learning et la programmation différentiable reflètent tous deux cette perspective nouvelle qui privilégie l’ingénierie de l’architecture par rapport à l’ingénierie des caractéristiques, et c’est pourquoi Lokad utilise cette approche.

Pour la supply chain, l’ingénierie architecturale est essentielle pour refléter, au sein du modèle prédictif, la structure même du problème à traiter. Bien que cela puisse sembler être une considération abstraite, c’est la différence entre une prévision qui est systématiquement en décalage avec les données de l’ERP, et une prévision qui saisit réellement la situation.

1.5 Comment identifiez-vous et prévoyez-vous les tendances de la demande pour éviter les ruptures de stocks et le surstockage ?

Lokad réduit les ruptures de stocks et le surstockage grâce à la prévision probabiliste, qui intègre l’incertitude de la demande future en fournissant des probabilités de fortes déviations de la demande. Cette approche permet à Lokad de proposer des décisions ajustées au risque aux clients, ce qui permet de faire de meilleurs choix (par exemple, les bons de commande) et de réduire les ruptures de stocks ainsi que le surstockage. Cette approche contraste avec les prévisions ponctuelles des séries temporelles traditionnelles, qui ignorent les risques financiers et se concentrent à réduire les erreurs de prévision de manière isolée.

Mis à part d’autres causes possibles — telles que des délais variables — les ruptures de stocks et le surstockage reflètent généralement une demande inattendue (future). Lokad aborde directement ce problème grâce à la prévision probabiliste. Contrairement aux méthodes de supply chain classiques qui ignorent l’incertitude irréductible du futur, Lokad intègre l’incertitude dans un sens strictement quantitatif. Les prévisions probabilistes fournissent les probabilités d’observer d’importantes déviations de la demande, ce qui est essentiel si l’on souhaite calculer des décisions ajustées au risque.

Les décisions ajustées au risque prennent en compte non seulement la probabilité de faire face à des événements inhabituels (par exemple, une demande très faible ou très élevée), mais également les risques financiers associés à ces résultats. En règle générale, les coûts sont fortement asymétriques lorsqu’il s’agit d’avoir trop peu ou trop d’unités. Une décision ajustée au risque minimise les pertes attendues en orientant le client dans la direction la plus « prudente » ou « avantageuse ».

En revanche, et malgré leur popularité, les prévisions ponctuelles périodiques des séries temporelles (alias « prévisions classiques ») se montrent complètement indifférentes à ces risques. Cette approche vise à réduire l’erreur de prévision de manière isolée jusqu’à ce que l’erreur devienne insignifiante. Toutefois, c’est un souhait irréaliste, puisque l’incertitude du futur est irréductible. C’est pourquoi les prévisions ponctuelles échouent à prévenir de manière satisfaisante les ruptures de stocks et le surstockage.

En bref, il n’importe peu qu’un modèle rudimentaire ou sophistiqué soit utilisé lorsque les hypothèses/outils sous-jacents (par exemple, les prévisions ponctuelles des séries temporelles) sont fondamentalement défectueux.

Voir probabilistic forecasting pour les détails de ce concept.

1.6 Comment gérez-vous la saisonnalité de la demande ?

Executive summary: Lokad gère la saisonnalité de la demande grâce à la programmation différentiable, en utilisant des modèles paramétriques de faible dimension qui intègrent en dur la structure de diverses cyclicités, telles que les tendances annuelles, hebdomadaires et liées à des événements spécifiques. Cette approche automatisée garantit précision et stabilité dans la prévision de la demande en prenant en compte simultanément tous les schémas impactant la demande, sans nécessiter d’intervention manuelle.

La saisonnalité, également appelée cyclicité annuelle, est l’une des nombreuses cyclicités que gère Lokad. Nous pouvons également gérer la cyclicité hebdomadaire (c’est-à-dire l’effet du jour de la semaine), la cyclicité mensuelle (c’est-à-dire l’effet du chèque de paie) et les cyclicités quasi-annuelles (par exemple, Pâques, Ramadan, Nouvel An chinois, Black Friday, etc.).

Notre technique de prédilection pour traiter les cyclicités est la programmation différentiable. Nous utilisons des modèles paramétriques de faible dimension qui reflètent structurellement les cyclicités ciblées. En d’autres termes, nous choisissons des modèles dont la structure de la cyclicité est donnée, intégrée en dur par les supply chain scientists de Lokad. Cela nous permet de quantifier l’ampleur des fluctuations associées aux cyclicités ciblées, plutôt que de simplement identifier ou découvrir leur existence.

Une fois que la recette numérique a été élaborée par les supply chain scientists de Lokad, le processus global d’optimization est entièrement automatisé. En particulier, l’optimization de la supply chain par Lokad ne nécessite aucune intervention manuelle (c’est-à-dire une micro-gestion du profil de saisonnalité), ni ne repose sur des exceptions pour les produits récents ou pour les produits qui viennent d’être lancés. Lokad’s approach might seem somewhat novel, but it is critically important for supply chain purposes.

Premièrement, elle fournit des résultats plus précis, car le processus de machine learning ne cherche pas à découvrir la cyclicité, celle-ci étant considérée comme acquise (et déjà largement reconnue par les praticiens de la supply chain). Cela est d’autant plus crucial dans les situations où la quantité de données est limitée.

Deuxièmement, elle fournit des résultats plus stables, en contraignant la forme de la fonction de demande à apprendre. Cette approche permet d’atténuer considérablement les artéfacts numériques où la demande future estimée fluctue fortement alors que les données d’entrée ne le font pas.

Enfin, la programmation différentiable, utilisée par Lokad pour construire des modèles de machine learning à partir des données du client, nous permet d’aborder conjointement toutes les cyclicités, ainsi que tous les autres schémas qui façonnent les tendances de la demande observée (par exemple, les ruptures de stocks ou les promotions). Les cyclicités ne peuvent pas être estimées isolément, ni séquentiellement, par rapport aux autres schémas qui impactent la demande. Tous ces schémas, et leurs paramètres respectifs, doivent être estimés conjointement.

Voir Structured Predictive Modeling for Supply Chain pour les détails sur la programmation différentiable et son rôle dans l’optimization de la supply chain.

1.7 Disposez-vous de capacités de prévision à long terme (au-delà de 3 ans) pour prédire la demande future et proposer des ajustements en conséquence?

Oui. Lokad peut prévoir indéfiniment dans le futur, il n’existe donc pas d’horizon maximal.

Compte tenu de la nature de l’incertitude du futur, l’inexactitude des prévisions augmente progressivement à mesure que l’horizon de prévision s’allonge. Bien qu’il soit techniquement simple de produire une prévision à long terme, cela ne signifie pas que cette prévision peut être considérée comme fiable pour la supply chain. Quelle que soit la sophistication du modèle sous-jacent, la prévision consiste en fin de compte à tenter de deviner à quoi ressemblera la route tout en regardant dans le rétroviseur.

En outre, la possibilité d’apporter des ajustements manuels à une prévision autrement automatisée tend à aggraver la situation. Une fois que les prévisions ont été modifiées manuellement par des « experts », les organisations leur accordent invariablement une confiance excessive. De nombreux benchmarks réalisés par Lokad indiquent que les experts dépassent rarement les méthodes de moyennage sommaire quand il s’agit de prévisions à long terme. Ainsi, les prévisions ajustées manuellement bénéficient généralement d’une aura d’expertise imméritée qui amène les organisations à en dépendre excessivement. Cette pratique de retouche manuelle perdure même après que les chiffres se sont inévitablement révélés être de mauvaises estimations.

De manière générale, en ce qui concerne les prévisions à long terme, nous partageons le point de vue d’Ingvar Kamprad (fondateur d’IKEA), qui écrivait dans The Testament of a Furniture Dealer : “exaggerated planning is the most common cause of corporate death”. En règle générale, à moins que l’entreprise cliente ne soit confrontée à des conditions de marché exceptionnellement stables (par exemple, des services publics), nous ne recommandons pas de piloter sa supply chain uniquement sur la base de prévisions à long terme. L’équipe de supply chain scientists de Lokad est disponible pour fournir des conseils sur des approches meilleures (et plus raisonnables) qui reflètent de manière unique les exigences spécifiques de chaque entreprise cliente.

1.8 Pouvez-vous fournir des prévisions roulantes d’un minimum de 28 jours par article/magasin ?

Oui, Lokad peut prévoir indéfiniment dans le futur, même au niveau des SKU pour une grande chaîne de distribution.

Pour nos clients du secteur de la vente au détail, nous disposons régulièrement d’horizons de prévision de 200 jours (ou plus), tout en opérant au niveau des SKU. Ces horizons à moyen terme sont utiles pour évaluer correctement les risques associés aux stocks dormants pour les articles à faible rotation. De plus, la plateforme de Lokad est hautement évolutive, ainsi traiter des dizaines de millions de SKU tout en analysant plusieurs années de données historiques quotidiennes n’est pas difficile. En fait, la plateforme de Lokad peut se dimensionner sans effort pour accueillir même de grands réseaux de distribution sans nécessiter de planification préalable de capacité.

Voir également Forecasting Algorithms and Models 1.7 dans cette FAQ.

1.9 Pouvez-vous utiliser des sources de données externes et/ou des indicateurs pour améliorer la précision de la prévision de la demande ?

Oui. Par exemple, Lokad utilise régulièrement l’intelligence concurrentielle (c’est-à-dire les prix publiés par les concurrents). Dans certaines industries, les indicateurs publics peuvent être très utiles (par exemple, les tailles de flotte projetées pour les entreprises de maintenance aéronautique). La plateforme programmatique de Lokad est particulièrement adaptée pour exploiter diverses sources de données — au-delà des données historiques obtenues à partir des systèmes d’entreprise.

En ce qui concerne les données externes, il existe deux sources qui, de manière contre-intuitive, ne valent presque jamais les efforts d’ingénierie : les ensembles de données météorologiques et les ensembles de données des réseaux sociaux. Les ensembles de données météorologiques sont très encombrants (c’est-à-dire très volumineux et très complexes) et, de manière réaliste, ils ne sont pas vraiment meilleurs que les moyennes saisonnières au-delà de deux semaines (plus ou moins). Les ensembles de données des réseaux sociaux sont également très encombrants (c’est-à-dire très volumineux, très complexes et fortement peuplés de données inutiles), et se concentrent également fortement sur les effets à court terme — généralement sur quelques jours.

Nous ne soutenons pas qu’il n’est pas possible d’extraire de la valeur des données météorologiques ou des données des réseaux sociaux, puisque nous avons déjà réussi à le faire pour certains clients. Cependant, toutes les améliorations de la précision des prévisions ne valent pas les efforts d’ingénierie nécessaires pour les obtenir. Nos clients doivent fonctionner avec des ressources limitées, et généralement ces ressources sont mieux investies dans l’affinement d’autres aspects de l’optimization end-to-end de la supply chain. Il s’agit d’une approche plus prudente que de chercher le dernier 1 % (généralement même pas autant) d’exactitude supplémentaire via des ensembles de données externes qui sont 2 ou 3 ordres de grandeur supérieurs aux ensembles de données historiques gérés par le client.

1.10 Comment gérez-vous des taux de vente différents, de moins d’une vente par semaine à des milliers par jour ?

Pour gérer des taux de vente variables, Lokad utilise des prévisions probabilistes pour une demande sporadique, en employant des structures de données spécialisées telles que Ranvar pour assurer l’efficacité sur tous les volumes de vente, simplifiant ainsi les défis de la supply chain.

En ce qui concerne les différentes magnitudes des taux de vente, le principal défi réside dans les petits nombres plutôt que dans les grands, les grands nombres étant relativement plus faciles à traiter. Afin de faire face à une demande sporadique, Lokad s’appuie sur les prévisions probabilistes. Les prévisions probabilistes attribuent une probabilité à chaque événement discret, telle que la probabilité de vendre 0 unité, 1 unité, 2 unités, etc. Les probabilités éliminent des classes entières de problèmes associés aux valeurs de demande fractionnées, tels qu’ils sont traditionnellement obtenus avec les méthodes classiques de supply chain.

En interne, les probabilités sur une courte série de possibilités discrètes sont représentées sous forme d’histogrammes (ou de structures de données similaires). Ces structures de données sont très compactes et entraînent ainsi de faibles frais de calcul. Cependant, lorsqu’il s’agit de gérer une demande sporadique, une implémentation naïve de telles structures (par exemple, conserver 1 compartiment par unité de demande) deviendrait dramatiquement inefficace lorsqu’elle est confrontée à des distributions de demande non sporadiques impliquant des milliers d’unités de demande par période.

Ainsi, Lokad a conçu des structures de données spéciales, telles que le Ranvar (voir ci-dessous) qui garantissent des surcoûts en temps constant et en mémoire constant, pour les opérations algébriques impliquant des distributions de probabilité. Ranvar approxime élégamment la distribution de probabilité originale lorsque les nombres deviennent grands tout en gardant la perte de précision insignifiante du point de vue de la supply chain. Des structures de données comme Ranvar éliminent en grande partie le besoin d’isoler et de cibler une demande éparse, tout en préservant tous les schémas d’entiers réduits souhaitables lorsque l’on traite une demande éparse.

Voir notre conférence vidéo publique Probabilistic Forecasting for Supply Chain et notre documentation publique Ranvars and Zedfuncs pour les détails sur ce point.

1.11 Prévoyez-vous dans différentes unités (unité, prix, caisse, poids, etc.)?

Oui, la plateforme de Lokad est programmatique. Nous pouvons réexprimer nos prévisions dans toute unité souhaitée. De plus, nous pouvons tenir compte de situations où plusieurs unités sont impliquées. Par exemple, les conteneurs sont limités à la fois en termes de poids et de volume. Ainsi, la projection de l’utilisation future des conteneurs peut devoir prendre en compte ces deux contraintes afin d’évaluer correctement combien de conteneurs seront probablement nécessaires.

1.12 Prenez-vous en charge plusieurs algorithmes de prévision (par exemple, régression linéaire, lissage exponentiel, moyenne mobile, ARIMA, etc.)?

Oui. La plateforme de Lokad est programmatique, nous pouvons donc prendre en charge tous les modèles de prévision classiques (tels que ceux mentionnés dans la question).

Il est important de noter que la plupart des modèles de prévision « classiques » (par exemple, régression linéaire, lissage exponentiel, moyenne mobile, ARIMA, etc.) ne sont plus considérés comme étant à la pointe de la technologie, et n’apparaissent pas comme des performeurs de pointe dans les compétitions publiques de prévision. En particulier, la plupart de ces modèles performent mal lorsqu’il s’agit de prendre en compte les complications habituelles que l’on rencontre dans les situations de supply chain (par exemple, ruptures de stocks, cannibalisation, événements quasi-saisonniers comme le Nouvel An chinois, etc.).

Habituellement, les Supply Chain Scientists de Lokad élaborent une recette numérique sur mesure pour répondre aux besoins de prévision de l’entreprise cliente. Notre Supply Chain Scientist prévoit la demande nécessaire ainsi que tous les autres facteurs incertains de la supply chain, tels que les délais, les retours, les taux de rebut, les prix des concurrents, etc. De plus, l’algorithme de prévision doit être adapté pour capitaliser sur les données disponibles tout en atténuant les distorsions inhérentes aux opérations de supply chain (par exemple, la demande rebondit fréquemment à la fin d’un événement de rupture de stocks).

Voir notre conférence vidéo publique No1 at the SKU-level in the M5 forecasting competition pour les détails sur la crédibilité de nos prévisions.

1.13 Quel niveau de granularité est renvoyé pour la prévision?

Lokad peut accommoder n’importe quelle granularité dans ses prévisions. Cela signifie que nous pouvons prévoir aux granularités les plus désagrégées, par exemple jusqu’au SKU ou même prévoir la demande par client et par SKU (si cela a du sens), ainsi que réaliser des prévisions à l’échelle de l’entreprise.

Comme les prévisions sont des artefacts numériques destinés à servir la génération de décisions supply chain optimisées, les Supply Chain Scientists de Lokad ajustent la granularité des prévisions pour correspondre exactement aux décisions que celles-ci sont destinées à soutenir. En particulier, s’il y a plusieurs décisions supply chain à soutenir, il existe généralement plusieurs granularités de prévision également.

Cependant, Lokad va au-delà de la simple adaptation de la granularité de la prévision (c’est-à-dire choisir un certain niveau dans une hiérarchie donnée). Nous ajustons l’ensemble de la perspective de prévision pour mieux refléter la tâche à accomplir. Par exemple, pour un distributeur B2B, il pourrait être logique de prévoir le churn des clients, car le stock du client (desservant une demande stable pour un SKU donné) pourrait se transformer du jour au lendemain en stock mort. Cela pourrait se produire si toute (ou la majeure partie) de la demande provenait d’un gros client qui a soudainement churné. Lokad est capable de prévoir les probabilités de churn en parallèle de la demande pour un SKU donné. Par la suite, nous pouvons combiner les deux prévisions, selon les besoins, pour optimiser les décisions sur les stocks pertinentes.

1.14 Pouvez-vous générer des prévisions quantitatives en utilisant des données de ventes hebdomadaires?

Oui. Nos capacités de prévision sont très flexibles. Nous pouvons, par exemple, utiliser des données de ventes hebdomadaires au lieu de données transactionnelles brutes (notre préférence).

Il convient de noter que transformer des données transactionnelles en une série temporelle hebdomadaire est un processus avec perte, c’est-à-dire que des informations crucialement utiles peuvent être perdues dans le processus. Une fois perdues, ces informations ne peuvent pas être récupérées, peu importe la sophistication du modèle de prévision.

Par exemple, imaginez un distributeur de bricolage vendant des interrupteurs. Ce distributeur observe une demande de 1 unité par jour (en moyenne) pour un SKU donné dans un magasin réapprovisionné chaque jour de la semaine. Si l’essentiel de la demande provient de clients achetant 1 unité à la fois, alors 4 unités en stock vont probablement fournir un taux de service décent. Cependant, si l’essentiel de la demande provient de clients achetant typiquement une demi-douzaine d’unités à la fois (avec 1 client se présentant en moyenne par semaine), alors 4 unités en stocks équivalent à un taux de service terrible.

Cela démontre le problème de l’agrégation arbitraire. Une fois que les données de ventes ont été regroupées de manière hebdomadaire, par exemple, la différence entre les deux situations décrites ci-dessus est perdue. C’est précisément pour cette raison que Lokad préfère traiter les données transactionnelles brutes chaque fois que possible.

1.15 Génèrez-vous une prévision quotidienne (ou intrajournalière) à partir d’une histoire quotidienne, ou appliquez-vous des schémas journaliers à une prévision statistique hebdomadaire?

Lorsque des données historiques quotidiennes sont disponibles (ou, mieux encore, des données au niveau transactionnel), nous apprenons généralement simultanément toutes les cyclicités pertinentes — jour de la semaine, semaine du mois, semaine de l’année — afin d’améliorer la précision des prévisions. Grâce à la plateforme de Lokad, il est très simple d’inclure (ou d’exclure) une cyclicité ou quasi-cyclicité donnée (par exemple, Pâques, Nouvel An chinois, Ramadan, etc.).

La décomposition hiérarchique qui sépare la cyclicité du jour de la semaine de celle de la semaine de l’année peut être utilisée ou non par Lokad. Notre plateforme, cependant, peut prendre en charge les deux options. Cette problématique (décomposer ou ne pas décomposer) n’est pas exclusive aux cyclicités, et des préoccupations similaires doivent être abordées pour tous les autres schémas.

Le choix du modèle le plus adapté est laissé aux Supply Chain Scientists de Lokad. Leur choix est basé sur un examen minutieux des schémas spécifiques observés dans la supply chain concernée.

1.16 Ajustez-vous automatiquement la prévision au cours de la journée (ou de la semaine) en fonction des ventes réelles par rapport aux ventes attendues ?

Lokad rafraîchit quotidiennement ses modèles prédictifs pour corriger toute erreur issue d’entrées de données incorrectes, garantissant que les prévisions soient précises et à jour. Cette approche contrebalance les instabilités numériques des technologies plus anciennes, en utilisant des modèles stables et précis pour prévenir des changements erratiques dans les prévisions et améliorer les décisions supply chain.

En règle générale, Lokad rafraîchit (re-forme) tous ses modèles prédictifs chaque fois que nous recevons un nouveau lot de données historiques. Pour la majorité de nos clients, cela se produit une fois par jour. La raison la plus importante est de s’assurer que les entrées de données incorrectes — qui ont déjà été corrigées — ne persistent pas en raison de la persistance de prévisions « défaillantes » générées dans le passé (basées sur ces entrées incorrectes). La fonctionnalité de Lokad rend le rafraîchissement quotidien des modèles prédictifs un point non problématique, même pour des supply chain très larges.

D’autre part, certaines technologies de prévision obsolètes souffrent d’instabilités numériques. En conséquence, les praticiens de la supply chain peuvent craindre un système rafraîchi trop fréquemment, car, d’après leur expérience, cela signifie que les prévisions agiront de manière erratique. Du point de vue de Lokad, un modèle prédictif qui « saute » de manière erratique en raison de l’arrivée quotidienne d’incréments de données est, en fait, un modèle défectueux qui nécessite d’être corrigé. Retarder les rafraîchissements pour atténuer le problème ne peut être considéré comme une solution raisonnable, car la précision des prévisions en souffre inutilement en ne prenant pas en compte les événements les plus récents.

Lokad résout ce problème en adoptant des classes de modèles prédictifs qui possèdent des propriétés de stabilité numérique correctes par conception. La programmation différentiable est particulièrement efficace pour concevoir des modèles à la fois très stables et très précis.

Voir Refresh Everything Every Day pour plus de détails sur ce point.

1.17 Comment établissez-vous un niveau de confiance que le niveau de ventes réelles se poursuivra dans le futur ?

Nous utilisons la prévision probabiliste et l’optimisation stochastique pour évaluer toutes les issues potentielles et leurs probabilités, permettant ainsi de prendre des décisions supply chain ajustées au risque. Chaque issue potentielle possède un intervalle de confiance, qui peut être utilisé pour exprimer des niveaux de confiance.

Lorsque des prévisions probabilistes sont utilisées, comme recommandé par Lokad, tous les futurs possibles se voient attribuer une probabilité estimée. En retour, les intervalles de confiance sont simples à obtenir à partir d’une prévision probabiliste. Ces intervalles peuvent être utilisés pour établir un « niveau de confiance » selon un certain degré de risque (par exemple, le scénario des 5 % les plus défavorables contre le scénario des 1 % les plus défavorables).

Cependant, l’hypothèse implicite derrière les « niveaux de confiance » est que la décision supply chain dépend des prévisions originales. La perspective de la prévision probabiliste change entièrement notre approche de la question de la (in)exactitude des prévisions. Lorsque des prévisions probabilistes sont disponibles, les décisions supply chain (par exemple, une commande d’achat donnée) peuvent soudain bénéficier d’une optimisation ajustée au risque. En d’autres termes, la décision peut être optimisée pour tous les futurs possibles et leurs probabilités respectives, chaque décision étant classée en fonction de ses impacts financiers.

Le terme technique pour cette « optimisation sous incertitude » est l’optimisation stochastique. Lokad propose à la fois la prévision probabiliste et l’optimisation stochastique.

1.18 Pouvez-vous combiner plusieurs algorithmes de prévision ?

Oui, bien que nous ayons cessé de recommander cette pratique il y a environ une décennie. Combiner plusieurs algorithmes de prévision (alias « meta-modèles ») dans un contexte de production génère généralement des décisions supply chain sous-optimales — exactement pour cette raison, nous ne recommandons pas cette approche.

Combiner plusieurs modèles de prévision est l’une des options les plus simples pour améliorer des résultats synthétiques, généralement obtenus grâce au backtesting. Cependant, ce « meta-modèle » (le produit de la combinaison de plusieurs modèles de prévision sous-jacents) est habituellement instable, en ce qu’il passe continuellement d’un modèle à l’autre. En conséquence, les praticiens de la supply chain sont régulièrement déconcertés par des écarts soudains ou des « changements d’avis » de la part du meta-modèle. Pire encore, les meta-modèles sont, par conception, assez opaques car ils constituent un mélange de plusieurs modèles. Même lorsque les modèles sous-jacents sont simples, le meta-modèle résultant de leur mélange ne l’est pas.

Ainsi, toute « précision supplémentaire » obtenue grâce à l’utilisation de meta-modèles, dans le cadre de tests de référence (c’est-à-dire, des résultats synthétiques), est invariablement perdue en production (c’est-à-dire, dans des scénarios réels) en raison d’effets de second ordre tels que l’instabilité accrue et l’opacité accrue des prévisions.

1.19 Sélectionnez-vous automatiquement le modèle le mieux adapté pour les prévisions ?

Oui, Lokad fournit un modèle prédictif unique et efficace pour la prévision supply chain. Nous évitons les « meta-modèles » en raison de leur sous-performance dans le monde réel et de leur opacité.

Les Supply Chain Scientists de Lokad fournissent à chaque client un modèle prédictif unique plutôt qu’une amalgamation de différents algorithmes en compétition pour être sélectionnés, conformément à l’approche du « meta-modèle ». Cette approche du meta-modèle est une pratique que Lokad a cessé d’utiliser il y a environ une décennie.

Il convient de noter qu’au niveau technique, Lokad n’a aucun problème à faire fonctionner une « compétition interne » de modèles de prévision — c’est-à-dire un ensemble de modèles où le meilleur est automatiquement sélectionné selon les besoins. Une telle approche est techniquement simple. La raison pour laquelle Lokad évite cette pratique est que les avantages associés aux meta-modèles sont synthétiques (c’est-à-dire visibles dans les tests de référence) et ne se traduisent pas en scénarios réels de supply chain. Notre expérience indique que les meta-modèles performent invariablement moins bien que leurs homologues non composites.

Les meta-modèles reflètent principalement des technologies de prévision obsolètes où une collection de modèles défectueux est assemblée : le premier modèle est mauvais en termes de saisonnalité ; le deuxième modèle est mauvais pour les séries temporelles courtes ; le troisième modèle est mauvais pour les séries temporelles erratiques ; etc. Construire un meta-modèle donne l’illusion que le modèle a atténué ses défauts constitutifs, cependant, les défauts de chaque modèle refont régulièrement surface puisque la logique de sélection des modèles elle-même présente ses propres limitations. Pire encore, les meta-modèles sapent typiquement la confiance des praticiens de la supply chain, car ce design se révèle « opaque par conception ».

C’est pourquoi l’approche de Lokad consiste à concevoir un modèle prédictif qui est exactement aussi simple qu’il peut l’être, mais pas plus. Lorsqu’il est conçu avec des technologies de support appropriées, comme la programmation différentiable, ce modèle unique traite l’ensemble du périmètre de la supply chain pour l’entreprise cliente, sans qu’il soit nécessaire de recourir à un mélange de modèles.

Voir également Forecasting Algorithms and Models 1.18 dans cette FAQ.

1.20 Pouvez-vous organiser des tournois de prévision, en sélectionnant automatiquement le meilleur modèle avec la meilleure paramétrisation ? Faites-vous cela avec du machine learning ?

Oui. Lokad peut le faire même si nous ne recommandons pas cette approche. Combiner des modèles via le machine learning (pour créer des « meta-modèles ») ne procure pas d’avantages dans un contexte de production. Nous préconisons plutôt une approche à modèle unique.

Il y a environ une décennie, nous avions l’habitude d’exploiter des meta-modèles pour la prévision. Les meta-modèles sont des modèles qui représentent une combinaison d’autres modèles, et/ou un modèle qui est une sélection d’autres modèles. Le mélange et/ou la sélection des modèles sous-jacents était également effectué avec des techniques de machine learning — typiquement les forêts aléatoires et les arbres à gradient boosting.

Cependant, malgré l’amélioration des résultats synthétiques via le benchmarking (typiquement réalisé avec backtesting), l’approche du méta-modèle dégrade invariablement le(s) résultat(s) réel(s) pour le client. La sélection automatique du modèle conduit à des « sauts » de prévision erratiques lorsque le méta-modèle passe d’un modèle à un autre. L’utilisation de techniques de machine learning pour la sélection du modèle tend également à aggraver ce comportement en rendant les transitions encore plus erratiques.

Ainsi, bien que la plateforme Lokad supporte les tournois de prévision, nous ne recommandons pas d’utiliser de telles approches à des fins de production. En particulier, de récentes compétitions de prévision montrent qu’un modèle unifié unique surpasse des méta-modèles plus complexes, comme l’illustre le fait que Lokad ait obtenu la première place au niveau SKU dans une compétition mondiale impliquant un dataset de Walmart (voir ci-dessous).

Voir aussi Algorithmes et Modèles de Prévision 1.18 dans cette FAQ.

1.21 Comment garantir que des informations plus granulaires pour chaque article/magasin soient utilisées tout en évitant le bruit et le sur-apprentissage du modèle?

Lokad utilise la programmation différentiable pour améliorer la précision des prévisions, une approche qui nous permet d’adapter les modèles à des structures de données spécifiques et de maîtriser le sur-apprentissage en contrôlant l’expressivité du modèle. Cette approche répond efficacement à la « loi des petits nombres » en incorporant une guidance experte minimale (mais cruciale) pour optimiser l’efficacité des données.

Les problèmes de bruit et de sur-apprentissage sont les principales motivations pour lesquelles Lokad utilise la programmation différentiable dans ses prévisions. Grâce à la programmation différentiable, les Supply Chain Scientists de Lokad ont un contrôle total sur la structure même du modèle. La programmation différentiable leur permet de concevoir un modèle qui intègre les données d’entrée (y compris leur structure relationnelle). De plus, la programmation différentiable leur permet de restreindre l’expressivité du modèle afin de maintenir le sur-apprentissage sous contrôle.

La programmation différentiable a constitué une avancée pour Lokad afin de faire face à la « loi des petits nombres » qui régit les supply chain — c’est-à-dire que les prévisions doivent toujours être effectuées au niveau/de la granularité qui reflète les décisions supply chain d’intérêt, comme « par SKU par jour ». Cependant, ce faisant, les modèles de prévision se retrouvent face à des situations où le nombre de points de données pertinents se chiffre en nombres à un chiffre.

L’avancée de la programmation différentiable réside dans le fait qu’elle permet à un Supply Chain Scientist (généralement employé par Lokad, mais éventuellement employé par l’entreprise cliente) d’injecter des connaissances a priori de haut niveau dans le modèle prédictif (par exemple, une sélection des cyclicités pertinentes) afin de tirer le meilleur parti des très rares points de données disponibles. Contrairement aux « expert systems » des années 1980, la programmation différentiable requiert une guidance très limitée de la part d’un expert humain — et pourtant, cette guidance limitée peut faire toute la différence en termes d’efficacité des données.

2. Gestion des prévisions et ajustements

2.1 Les utilisateurs peuvent-ils visualiser les prévisions ? Peuvent-ils agréger les prévisions à différents niveaux (par exemple, entrepôt, magasin, boutique)?

Executive summary: Oui, la plateforme Lokad offre une visualisation des données robuste (en temps constant) pour inspecter et agréger les prévisions à tous les niveaux souhaités.

La plateforme Lokad fournit des capacités de visualisation de données étendues qui peuvent être utilisées pour inspecter les prévisions des séries temporelles. En particulier, il est simple d’agréger les prévisions selon n’importe quelle hiérarchie (par exemple, emplacements, régions, catégories de produits, etc.) et selon n’importe quelle granularité (par exemple, jour, semaine, mois, etc.). De plus, la plateforme Lokad garantit un affichage en temps constant pour ces rapports, ce qui signifie qu’ils sont rendus en moins de 500 millisecondes — à condition que l’utilisateur final dispose d’une bande passante suffisante pour charger le rapport dans ce délai.

Cependant, cette question présuppose implicitement que nous parlons de prévisions ponctuelles de séries temporelles (également appelées prévisions classiques de la demande). Bien que la plateforme Lokad supporte les prévisions ponctuelles de séries temporelles, ces prévisions sont désormais obsolètes pour deux raisons.

Premièrement, les prévisions ponctuelles présentent une valeur future comme si c’était LE futur (c’est-à-dire exactement ce qui se passera). À cet égard, elles traitent le futur comme le symétrique du passé. Cependant, l’incertitude du futur est irréductible, et le futur, tel qu’il est vu du point de vue de la supply chain et non d’un physicien, n’est pas le symétrique du passé. Pour cette raison, les prévisions probabilistes devraient être privilégiées — une approche qui considère TOUS les résultats futurs possibles (par exemple, les valeurs de la demande) et attribue une probabilité à chacun d’eux. En termes de gestion des risques, cela offre une défense bien plus robuste contre l’incertitude irréductible du futur.

Cependant, bien que les prévisions probabilistes puissent être exprimées à tous les niveaux (par exemple, entrepôt, magasin, produit, etc.), elles ne sont pas additives, du moins pas dans le sens habituel. Ainsi, bien que la plateforme Lokad fournisse toutes les capacités de visualisation des données pertinentes pour nos prévisions, ces capacités ne sont généralement pas celles auxquelles les praticiens de la supply chain s’attendent (du moins pour ceux qui n’ont aucune expérience préalable de la prévision probabiliste).

Deuxièmement, les modèles de prévision des séries temporelles sont souvent inadaptés car la perspective des séries temporelles elle-même est simpliste et ne parvient pas à capturer l’essence de l’activité. Par exemple, un détaillant B2B peut avoir un mélange de deux types de commandes : des petites commandes que les clients s’attendent à voir traitées rapidement à partir des stocks du détaillant ; et des grosses commandes passées des mois à l’avance que les clients attendent à être traitées à temps — précisément parce que la commande a été effectuée avec une telle marge de manœuvre dès le départ. Ce schéma, aussi basique soit-il, ne peut être traité par une prévision des séries temporelles. De plus, les schémas qui ne correspondent pas aux prévisions des séries temporelles incluent les dates de péremption, les cannibalisations, les substitutions, les changements de prix des concurrents, etc.

De manière plus générale, les prévisions des séries temporelles sont intéressantes pour la visualisation. Cependant, le plus souvent, chez Lokad, le modèle de prévision sous-jacent ne sera pas un modèle de séries temporelles — même si les données finales sont visualisées sous forme de série temporelle par commodité.

2.2 Quel type d’informations de prévision doit être géré par les experts par rapport au système/machine ?

Les experts devraient se concentrer sur la structure de haut niveau du modèle prédictif (par exemple, la structure relationnelle des données d’entrée, les principales hypothèses structurelles pouvant être formulées concernant ces données, etc.). Il n’est pas attendu que les experts aient à micro-gérer (par exemple, intervenir manuellement) les prévisions elles-mêmes.

Étant donné que Lokad exploite des technologies prédictives modernes — differentiable programming — nos Supply Chain Scientists se concentrent presque exclusivement sur la « structure de haut niveau » du modèle prédictif. Cela contraste avec les anciennes technologies (désormais obsolètes) qui s’attendaient généralement à ce que l’expert qui les utilise micro-gère les prévisions, en fournissant des informations correctives pour tous les cas particuliers présentés par les modèles. Malheureusement, de telles approches dépassées se sont toujours révélées trop fastidieuses à maintenir pour les experts au fil du temps. En conséquence, les entreprises qui les utilisaient perdaient généralement leurs experts et devaient alors revenir à l’utilisation de feuilles de calcul.

En revanche, la structure de haut niveau du modèle prédictif peut être exprimée de manière concise, généralement en pas plus de 100 lignes de code. Cette brièveté est vraie même lorsqu’on considère des supply chain très complexes. La structure de haut niveau représente le cœur de la compréhension humaine du défi prédictif. Pendant ce temps, le ou les processus chargés « d’apprendre » les paramètres du modèle restent entièrement automatisés. Cela se fait en exploitant les données d’entrée (typiquement les données historiques) ainsi que d’autres sources de données (par exemple, les prochaines campagnes marketing).

2.3 Les prévisions peuvent-elles être ajustées/remplacées manuellement ?

Executive summary: Oui. Bien que la plateforme Lokad supporte les ajustements manuels des prévisions, cela est inutile étant donné que les prévisions probabilistes sont conçues pour tenir compte du risque et de l’incertitude — principes directeurs qui motivent généralement l’intervention manuelle dès le départ.

La plateforme Lokad offre des capacités programmatiques étendues, il est donc aisé de prendre en charge des fonctionnalités d’édition pour tout processus de prévision. Cependant, le besoin d’ajustement manuel des prévisions reflète principalement les limitations des technologies de prévision obsolètes. L’utilisation par Lokad de prévisions probabilistes avancées élimine en grande partie le besoin de micro-gérer les prévisions. En effet, chez Lokad, le besoin de ce type de micro-gestion a pratiquement disparu il y a une décennie.

Les corrections manuelles des prévisions sont généralement destinées à être une manière indirecte de réduire les risques. Le praticien de la supply chain ne s’attend pas à ce que la prévision devienne plus précise d’un point de vue statistique, mais plutôt à ce que les décisions résultant de la prévision ajustée soient moins risquées (c’est-à-dire moins coûteuses pour l’entreprise). Cependant, avec des prévisions probabilistes, les décisions supply chain (générées par Lokad) sont déjà ajustées en fonction du risque. Ainsi, il n’est pas utile de tenter de piloter la prévision probabiliste pour réduire le risque des décisions, celles-ci étant conçues pour être intrinsèquement ajustées au risque.

De plus, les corrections manuelles des prévisions sont souvent destinées à atténuer des situations de forte incertitude. Cependant, les prévisions probabilistes sont conçues pour intégrer et quantifier l’incertitude. Ainsi, les prévisions probabilistes reflètent déjà les zones de forte incertitude, et des décisions ajustées au risque sont prises en conséquence.

Fondamentalement, il est inutile d’essayer de corriger manuellement des prévisions « incorrectes ». Si les prévisions se révèlent indubitablement moins précises qu’attendues, alors la recette numérique qui les génère devrait être corrigée. Si les prévisions sont modifiées pour des raisons qui ne concernent pas la précision, ce sont alors les calculs en aval qui doivent être ajustés. Quoi qu’il en soit, ajuster manuellement les prévisions est une pratique obsolète qui n’a pas sa place dans une supply chain moderne.

2.4 Pouvez-vous intégrer des algorithmes de prévision créés par les utilisateurs ?

Oui. Lokad permet l’intégration d’algorithmes de prévision créés par les utilisateurs via Envision—notre langage de programmation spécifique à un domaine (DSL). Ce DSL flexible, personnalisable et évolutif peut prendre en charge à la fois des algorithmes et des techniques de prévision grand public et avancées, selon les besoins.

La plateforme Lokad est programmatique, ce qui est une caractéristique de première classe dans notre technologie et est délivrée via Envision—the DSL (domain-specific programming language) conçu par Lokad pour l’optimisation prédictive des supply chain. Grâce à Envision, tous les algorithmes de prévision grand public (et leurs variantes) peuvent être ré-implémentés. De plus, Envision prend également en charge plusieurs algorithmes de prévision encore non grand public, y compris des techniques primées dans des compétitions basées sur la programmation différentiable et la prévision probabiliste (voir ci-dessous).

L’intégration de ces algorithmes créés par les utilisateurs dans Lokad ne doit pas être confondue avec une « personnalisation » du produit Lokad. Du point de vue de Lokad, compter sur des algorithmes sur mesure est la manière normale d’utiliser notre service. La plateforme Lokad fournit un environnement d’exécution sûr, fiable et évolutif pour prendre en charge de tels algorithmes. L’implémentation des algorithmes (généralement appelée « recettes numériques ») est normalement réalisée par les Supply Chain Scientists de Lokad. Cependant, si l’entreprise cliente dispose de talents internes en data science, ces employés peuvent également utiliser la plateforme Lokad à cet effet.

De plus, la plateforme Lokad offre un IDE complet (environnement de développement intégré) pour concevoir de tels algorithmes créés par les utilisateurs. Cette capacité est essentielle pour s’assurer que les algorithmes sont développés dans un environnement qui reflète strictement l’environnement de production — tant en termes de données d’entrée que de capacités d’exécution. Avec Lokad, une fois qu’un algorithme de prévision révisé est jugé satisfaisant (et typiquement supérieur à l’itération précédente), il peut être promu en production en quelques minutes. À noter, la plateforme Lokad fournit des garanties étendues « by design » pour éliminer complètement certaines classes de problèmes lors de la promotion des algorithmes du prototype au statut de production.

Voir No1 au niveau SKU dans la compétition de prévision M5 pour en savoir plus sur les techniques de prévision de Lokad.

2.5 Comment expliquez-vous ce que la solution fait pour aboutir à une prévision ou un bon de commande afin que l’utilisateur puisse comprendre, interroger, et l’expliquer aux autres parties prenantes de l’entreprise?

La plateforme Lokad exploite un langage de programmation spécifique à un domaine flexible (Envision) qui nous permet de concevoir des tableaux de bord intuitifs pour démontrer les indicateurs clés et les décisions pour le client. Ces tableaux de bord sont construits en collaboration avec les clients de manière à ce qu’ils puissent les comprendre rapidement et facilement. Pour des points plus compliqués, les Supply Chain Scientists de Lokad sont chargés à la fois de concevoir et d’expliquer les algorithmes (« recettes numériques » — les éléments qui génèrent les prévisions et les décisions supply chain) ainsi que leurs résultats aux clients. Ces experts sont formés pour fournir aux clients des insights pertinents en matière d’affaires, d’économie et de data science afin de les aider à comprendre ce qui se passe « dans les coulisses ».

Le Supply Chain Scientist, employé par Lokad, est la personne qui rédige la recette numérique (algorithme) soutenant le modèle prédictif (et donc son processus décisionnel). Le Supply Chain Scientist est personnellement responsable de défendre et d’expliquer l’adéquation des prévisions et de toutes les décisions générées par la recette numérique.

Ainsi, bien que les situations varient d’une entreprise cliente à l’autre, chaque situation dispose d’un copilote humain (le Supply Chain Scientist). Ce n’est pas un « système » impersonnel qui est responsable d’une prévision ou d’une décision ; c’est un ensemble de recettes numériques qui sont sous le contrôle direct d’un Supply Chain Scientist nommé. Cette responsabilité inclut le « white-boxing » des recettes numériques, c’est-à-dire rendre leurs résultats accessibles et compréhensibles par les actionnaires.

Pour soutenir ce processus, nos Supply Chain Scientists utilisent des outils comme le backtesting pour étayer et démontrer leur analyse. Cependant, et plus important encore, ils prennent des décisions éclairées concernant les hypothèses intégrées dans leurs recettes numériques (telles que les contraintes et leviers pertinents). En fin de compte, « l’adéquation » d’une recette numérique dépend de si elle reflète l’intention de l’entreprise, et c’est quelque chose que le Supply Chain Scientist établit par une inspection minutieuse de la situation de supply chain du client (ainsi que par consultation avec le client).

Consultez notre Vidéo Compte Démo Public pour un aperçu de la manière dont Lokad prépare les données et visualise les résultats pour les clients.

2.6 La prévision peut-elle être divisée en articles de set et en nomenclatures (Bills of Materials) ?

Oui, Lokad peut fournir des prévisions à n’importe quel niveau. Cela est dû aux vastes capacités programmatiques de notre modélisation probabiliste. Nous pouvons répartir la prévision entre articles de set et nomenclatures, ainsi que gérer des situations où des articles peuvent être consommés dans le cadre de nomenclatures ou vendus indépendamment.

De plus, lorsque des nomenclatures (Bills of Materials) sont présentes, nous ne prévoyons pas seulement la demande pour les composants internes, mais nous optimisons également les décisions supply chain pour refléter le fait que des assemblages distincts se font concurrence pour les mêmes composants internes. Autrement dit, des situations où les nomenclatures respectives se chevauchent. Cette optimisation peut conduire à refuser de vendre un composant isolé si celui-ci compromet la disponibilité de nomenclature(s) plus importantes et critiques.

2.7 Recommandez-vous automatiquement des méta-paramètres pour vos algorithmes de prévision ?

Oui. La pratique standard chez Lokad est que les modèles prédictifs doivent fonctionner entièrement en autonomie. Les Supply Chain Scientists de Lokad sont responsables de définir des méta-paramètres appropriés. Soit les méta-paramètres sont suffisamment stables pour être codés en dur, soit la recette numérique inclut une étape de réglage dédiée à l’identification d’une valeur adéquate de méta-paramètre. Quoi qu’il en soit, l’algorithme (alias « recette numérique ») peut être exécuté sans surveillance.

Lokad utilise beaucoup moins de méta-paramètres comparé à la plupart des solutions concurrentes. Cela s’explique par le fait que la programmation différentiable, la préférence de Lokad à cet égard, est un paradigme général d’ajustement des paramètres. Ainsi, lorsque la programmation différentiable est disponible, la plupart des paramètres sont appris. La technologie est extrêmement puissante lorsqu’il s’agit d’apprendre toutes sortes de paramètres, pas seulement les « traditionnels » (par exemple, les coefficients de saisonnalité).

En conséquence, du point de vue de Lokad, la plupart des valeurs qui seraient considérées comme des « méta-paramètres » par nos pairs ne sont en réalité que des « paramètres réguliers » ne nécessitant pas une attention particulière. En règle générale, la plupart des modèles prédictifs mis en production par Lokad comportent très peu de méta-paramètres (moins de 10). Nos clients ne sont généralement jamais censés ajuster finement ces nombres, car c’est la responsabilité de nos Supply Chain Scientists.

2.8 Le produit peut-il ajuster les prévisions grâce à des variables causales ?

Oui.

C’est l’une des forces majeures de la programmation différentiable — l’approche technologique privilégiée par Lokad pour la modélisation prédictive. La programmation différentiable est un paradigme programmatique, d’où l’inclusion d’une variable explicative va de soi. Mieux encore, le mécanisme de causalité se concrétise dans le modèle ; il est accompagné de ses propres paramètres « nommés ». Ainsi, non seulement les prévisions tirent parti de la variable causale, mais elles le font de manière à pouvoir être auditées et examinées par des praticiens de la supply chain.

Par exemple, lorsque l’étiquette de prix au détail est utilisée comme variable causale, la réponse exacte de la demande liée aux variations de prix peut être tracée et examinée. Ce résultat peut, à lui seul, présenter un intérêt majeur pour l’entreprise. Si l’entreprise se trouve être un réseau de magasins de détail, cela peut être utilisé pour orienter les opérations de liquidation dans les magasins qui réagissent le plus fortement aux remises. Cela peut minimiser le volume total des remises nécessaire pour liquider complètement les stocks vieillissants.

2.9 Le produit est-il capable d’expérimenter les prévisions et de développer et/ou personnaliser des algorithmes ?

Oui. Nos Supply Chain Scientists expérimentent régulièrement les modèles de prévision, permettant ainsi de développer de nouveaux algorithmes et de mieux adapter les anciens. Cela est possible car la plateforme de Lokad est programmatique et dispose d’un DSL flexible (langage de programmation spécifique à un domaine) nommé Envision, qui a été conçu explicitement pour l’optimisation prédictive de la supply chain.

Le point de vue de Lokad affirme que l’expérimentation et la personnalisation des modèles prédictifs ne constituent pas une solution de contournement pour pallier les limites de la technologie de prévision. Au contraire, c’est la manière prévue d’utiliser la solution de Lokad dès le départ. Cette approche offre non seulement des résultats supérieurs en termes de précision des prévisions, mais des résultats qui s’avèrent également bien plus « adaptés à la production » que les approches « packagées » alternatives.

Nous ne nous plaignons pas des « mauvaises données » ; les données sont ce qu’elles sont. Nos Supply Chain Scientists tirent le meilleur parti de ce qui est disponible. Ils quantifient également, en Euros ou Dollars (ou quelle que soit la devise souhaitée) les bénéfices d’une amélioration des données afin que l’entreprise puisse identifier les améliorations de données offrant les meilleurs retours. Améliorer les données est un moyen, pas une fin. Nos Supply Chain Scientists fournissent des conseils lorsque l’investissement supplémentaire n’est tout simplement pas justifié par les bénéfices supply chain attendus.

2.10 Est-il possible d’itérer et d’affiner l’ingénierie des caractéristiques sous-jacente aux prévisions ?

Oui.

Les Supply Chain Scientists de Lokad ajustent régulièrement les caractéristiques intégrées dans un modèle prédictif. Cela est possible car la plateforme de Lokad est programmatique et dispose d’un DSL flexible (langage de programmation spécifique à un domaine) nommé Envision, qui a été conçu explicitement pour l’optimisation prédictive de la supply chain.

Il convient toutefois de noter que, durant la dernière décennie, l’ingénierie des caractéristiques (en tant que technique de modélisation) est en déclin. En effet, elle est progressivement remplacée par l’ingénierie de l’architecture du modèle. En résumé, au lieu de modifier la caractéristique pour mieux adapter le modèle, le modèle est modifié pour mieux s’adapter à la caractéristique. La programmation différentiable, l’approche privilégiée par Lokad pour la modélisation prédictive, prend en charge à la fois l’ingénierie des caractéristiques et l’ingénierie de l’architecture. Cependant, cette dernière est généralement plus adaptée dans la plupart des situations.

Voir également Gestion et Ajustement des Prévisions 2.9 dans cette FAQ.

3. Précision des Prévisions et Mesure de la Performance

3.1 Quelle est l’analyse de votre organisation sur la performance des prévisions et comment celle-ci devrait-elle être mesurée ?

La précision des prévisions doit être mesurée en Dollars ou en Euros (ou dans la devise souhaitée par le client) en termes d’impact. Cela fait référence au retour sur investissement (ROI) des décisions prises sur la base de la prévision. Mesurer des points de pourcentage d’erreur n’est tout simplement pas suffisant. La précision des prévisions doit également englober tous les domaines d’incertitude, pas seulement la demande future, par exemple, les délais de livraison, les retours, les prix des matières premières, etc. Ce sont là autant de facteurs qui varient et qui doivent être prévus, tout comme la demande future.

Les métriques traditionnelles telles que MAPE (erreur absolue moyenne en pourcentage), MAE (erreur absolue moyenne), MSE (erreur quadratique moyenne), etc., sont des indicateurs techniques qui peuvent intéresser un Supply Chain Scientist, mais, d’un point de vue supply chain, ils sont fondamentalement à la fois aveugles et trompeurs. Les détails de cet argument peuvent être trouvés dans la conférence publique de Lokad sur l’Optimisation Expérimentale.

Ainsi, ces métriques ne devraient pas être communiquées à l’ensemble de l’organisation, car elles ne feraient que générer de la confusion et de la frustration. Au contraire, il est généralement aisé de rendre la prévision plus précise — au sens statistique — tout en dégradant la qualité de service perçue par les clients, et en augmentant les coûts opérationnels pour les fournisseurs (qui ripostent en augmentant leurs prix).

Les métriques de prévision ne comptent que lorsqu’elles soutiennent la génération de meilleures décisions supply chain. Pour Lokad, la détermination des quantités de réapprovisionnement, de production, d’expédition, des prix, etc., les plus sensées financièrement, est l’aspect sur lequel il faut se concentrer. Tout le reste, y compris l’erreur de prévision prise isolément, est accessoire par rapport à l’objectif principal de maximiser le retour sur investissement.

Voir également Prévision des délais de livraison.

3.2 Comment mesurez-vous la performance des prévisions par rapport aux ventes réelles ?

Si le modèle prévoit les « ventes », alors mesurer la précision de la « prévision des ventes » est simple : n’importe quel indicateur habituel, comme le MAE (erreur absolue moyenne), fonctionnera. Toutefois, le problème est que la plupart des entreprises souhaitent prévoir la « demande », et non les ventes. Les données historiques de ventes ne sont cependant qu’un indicateur imparfait de la demande historique. Les ruptures de stock et les promotions (voire les actions des concurrents) faussent les ventes historiques.

Ainsi, le défi consiste à établir la demande initiale alors que les données historiques ne reflètent que les ventes historiques. Pour ce faire, Lokad utilise une variété de techniques. En effet, la nature de la distorsion entre les ventes (observées) et la demande (cachée) varie considérablement en fonction du type d’activité considéré. Les cannibalisations et les substitutions compliquent encore la situation.

La plupart des techniques de Lokad abandonnent les modèles de séries temporelles qui, par conception, ne peuvent appréhender l’information nécessaire. En fait, la plupart du temps, les données de ventes sont « enrichies » par des informations supplémentaires (telles que les événements de rupture de stock) qui peuvent être exploitées pour obtenir un meilleur modèle de la demande cachée. Cependant, ces informations supplémentaires s’intègrent rarement dans le paradigme (simpliste) des séries temporelles. La supposée sophistication des modèles de séries temporelles est sans pertinence si les données requises existent en dehors de leur paradigme opérationnel (c’est-à-dire qu’elles ne peuvent être capturées ou exprimées par eux).

Voir Modélisation Prédictive Structurée pour Supply Chain pour plus de détails à ce sujet.

3.3 Fournissez-vous des rapports sur la précision des prévisions ? Fournissez-vous une perspective sur l’erreur de prévision projetée ?

Executive Summary: Oui. Pour simplifier, la plateforme de Lokad peut exprimer ses prévisions probabilistes (et donc l’erreur) sous forme de graphiques intuitifs. Cela se présente sous la forme d’un graphique de séries temporelles traditionnel où l’erreur de prévision (« incertitude ») augmente avec l’horizon temporel. Ce graphique de l’effet shotgun aide à visualiser comment l’éventail des valeurs potentielles (par exemple, la demande) s’élargit à mesure que l’on se projette dans le futur. Ces rapports sont accessibles aux clients à tout moment via leur(s) compte(s) Lokad.

La moitié du défi pour améliorer la précision d’un modèle prédictif consiste à élaborer des outils de reporting adéquats. Cette tâche est assurée par les Supply Chain Scientists de Lokad. Comme Lokad utilise des prévisions probabilistes, l’erreur projetée présente généralement un « effet shotgun » où l’erreur de prévision attendue augmente régulièrement avec l’horizon de prévision. Ces rapports sont accessibles à l’entreprise cliente via la plateforme Lokad.

Cependant, dans le cadre des prévisions probabilistes, la « précision des prévisions » est en grande partie reléguée à une simple technicalité de second ordre. Dans cette approche, l’objectif principal est de produire des décisions financières ajustées au risque, tenant compte de l’ensemble des leviers et contraintes économiques des clients, ainsi que de refléter la grande incertitude des valeurs futures (telles que la demande ou les délais). Par exemple, si l’incertitude est particulièrement élevée, les décisions correspondantes sont généralement plus prudentes. Ainsi, il est imprudent de mesurer la précision des prévisions probabilistes de manière isolée ; il convient plutôt d’examiner le ROI associé aux décisions ajustées au risque générées à partir des prévisions probabilistes.

Avec les prévisions classiques (également appelées prévisions « déterministes »), presque chaque instance d’inexactitude de prévision se traduit par des décisions coûteuses et mauvaises pour le client. C’est pourquoi les entreprises tiennent tant à « corriger » leurs prévisions. Pourtant, cinq décennies après l’apparition des techniques statistiques modernes de prévision des séries temporelles, les entreprises ne disposent toujours pas de prévisions « précises ». Chez Lokad, nous ne croyons pas qu’une technique de prévision « super-précise » soit sur le point d’apparaître. Nous pensons que l’incertitude de l’avenir est en grande partie irréductible. Cependant, en combinant les prévisions probabilistes avec des décisions ajustées au risque, les conséquences négatives de la forte incertitude sont largement atténuées.

En conséquence, la précision des prévisions ne suscite plus l’intérêt de quiconque, à l’exception des experts techniques chargés du modèle prédictif lui-même. Les enjeux ne sont tout simplement plus suffisamment élevés pour que le reste de l’organisation s’en soucie.

3.4 Quel est le pourcentage attendu de prévisions automatisées et précises ?

100 %, si l’on définit « précis » comme étant suffisamment bon pour orienter des décisions supply chain judicieuses. Cela ne signifie pas que chaque prévision est précise. Au contraire, grâce aux prévisions probabilistes, Lokad accepte l’incertitude irréductible de l’avenir. Fréquemment, l’incertitude est grande et, par conséquent, les prévisions probabilistes sont très dispersées. Ainsi, les décisions ajustées au risque générées à partir de ces prévisions sont très prudentes.

Contrairement à de nombreuses solutions technologiques obsolètes, Lokad traite chaque prévision (probabiliste) qui ne peut être utilisée à des fins de production comme un défaut logiciel devant être corrigé. Nos Supply Chain Scientists veillent à ce que tous ces défauts soient corrigés bien avant la mise en production. Notre calendrier pour la résolution de ce type de problème se situe généralement à mi-parcours de la phase d’intégration.

En revanche, les prévisions classiques (également appelées prévisions « déterministes ») provoquent invariablement le chaos lorsqu’elles sont inexactes, car des décisions supply chain déraisonnables en aval sont prises en se fondant sur ces prévisions. En revanche, les prévisions probabilistes intègrent leur propre quantification de l’incertitude attendue. Lorsque les volumes de demande sont faibles et erratiques, les prévisions probabilistes reflètent la forte incertitude intrinsèque de la situation. Le calcul des décisions ajustées au risque de Lokad dépend en grande partie de la capacité à évaluer les risques dès le départ. C’est précisément pour cela que les prévisions probabilistes ont été conçues.

3.5 Pouvez-vous suivre des métriques telles que le MAPE (erreur absolue moyenne en pourcentage), le MPE (erreur moyenne en pourcentage), le MAE (erreur absolue moyenne) au fil du temps ?

Oui.

La plateforme de Lokad est programmatique et il est simple de suivre toutes les métriques habituelles telles que MAPE, MEP, MAE, etc. Nous pouvons également suivre toutes les métriques un peu moins courantes, telles que des itérations personnalisées de ces métriques préférées par l’entreprise cliente. Par exemple, des variantes “pondérées”, telles que MAPE pondéré, MAE pondéré, etc., où les schémas de pondération dépendent de règles commerciales spécifiques.

Lokad peut recueillir et consolider les métriques pertinentes/préférées au fil du temps à mesure que de nouvelles prévisions sont générées. Nous pouvons également régénérer des métriques en “rejouant” les données historiques (c.-à-d., backtesting), si l’entreprise cliente souhaite évaluer la performance statistique attendue d’un modèle de prévision révisé.

Cependant, les métriques mentionnées ci-dessus se rapportent toutes aux prévisions classiques (également appelées prévisions déterministes). Les prévisions déterministes devraient être considérées comme obsolètes pour la supply chain, car elles ne sont pas conçues (ou capables) de gérer l’incertitude associée aux valeurs futures (comme la demande ou les délais de livraison). Elles visent à identifier une seule valeur future possible, plutôt que toutes les valeurs futures probables et leurs probabilités. Pour cette raison, Lokad utilise des prévisions probabilistes, une approche qui quantifie l’incertitude que les prévisions des séries temporelles ignorent.

3.6 Pouvez-vous comparer plusieurs scénarios en utilisant des métriques définies par l’utilisateur (par exemple, chiffre d’affaires, profit, coût, risque, etc.) ?

Oui.

La plateforme de Lokad est programmatique, ce qui lui permet d’introduire des métriques complexes guidées par de nombreuses règles commerciales (par exemple, des métriques définies par l’utilisateur). Elle peut également introduire des scénarios alternatifs complexes où la structure et/ou les capacités du réseau de la supply chain sont modifiées (au-delà de l’augmentation/diminution de la demande et des délais de livraison, par exemple). Cela aide Lokad à améliorer la gestion des risques, la planification stratégique et la prise de décision en se préparant à diverses situations et issues potentielles de la supply chain.

Il est à noter que les capacités typiques de gestion des “scénarios” sont obsolètes – du point de vue de Lokad. Comme Lokad utilise des modèles prédictifs probabilistes, en un sens, chaque décision supply chain que nous générons est déjà ajustée en fonction du risque. C’est-à-dire déjà optimisée par rapport à toutes les valeurs futures possibles (par exemple, la demande) en tenant compte de leurs probabilités respectives.

Ainsi, les “scénarios” chez Lokad ne sont pas utilisés pour évaluer des “variations futures” puisque ces variations sont déjà pleinement intégrées dans le mode de fonctionnement de base de Lokad. Les scénarios sont utilisés pour faire face à des changements drastiques dépassant les variations, généralement plus alignés avec ce que les praticiens appelleraient la “conception de la supply chain”, comme la modification de la topologie du réseau, de sa capacité, du lieu des fournisseurs, etc.

3.7 Suivez-vous et surveillez-vous la précision des prévisions et l’erreur de prévision (et éventuellement d’autres métriques de la demande) avec différents retards définis ?

Oui. Lokad suit les erreurs prédictives à l’aide de nombreuses métriques, incluant la dimension de l’horizon/décalage. Lokad suit la précision prédictive sur toutes les prévisions, y compris la demande, les délais de livraison, les retours, etc.

La qualité de tous les modèles prédictifs dépend de l’horizon. Habituellement, plus la prévision est éloignée dans le temps, plus l’incertitude est grande. La plateforme de Lokad a été conçue pour faciliter le suivi d’une grande variété de métriques en tenant compte de l’horizon/décalage applicable. Ce principe ne s’applique pas uniquement aux prévisions de demande, mais à toutes les prévisions, y compris les prévisions des délais de livraison, des retours, etc.

De plus, il convient de noter que les prévisions probabilistes offrent une évaluation quantitative directe de l’incertitude qui croît avec l’horizon. Ainsi, l’erreur croissante en fonction de l’horizon n’est pas seulement mesurée, mais aussi prédite. Comme les décisions supply chain optimisées par Lokad sont ajustées en fonction du risque, nos décisions reflètent automatiquement le risque supplémentaire associé aux décisions qui dépendent de prévisions à plus long terme (comparé aux prévisions à plus court terme).

3.8 Pouvez-vous agréger les données au niveau produit/branche pour valider la prévision statistique ?

Oui, Lokad suit les erreurs et biais prédictifs à de nombreux niveaux, y compris les niveaux hiérarchiques pertinents (par exemple, par produit, par branche, par catégorie, par région, par marque, etc.) lorsque des hiérarchies sont présentes. La technologie de programmation différentiable de Lokad nous permet même d’affiner les prévisions à une granularité donnée afin de minimiser une erreur ou un biais qui se produit à une autre granularité.

De manière plus générale, du côté de la validation, puisque la plateforme de Lokad est programmatique, les prévisions historiques peuvent être réagrégées de la manière jugée appropriée par l’entreprise cliente. De même, la métrique utilisée pour valider les prévisions agrégées peut différer de celle utilisée pour valider les prévisions désagrégées, si l’utilisation d’une métrique alternative est jugée préférable par l’entreprise cliente.

4. Gestion et nettoyage des données

4.1 Identifiez-vous automatiquement les erreurs de données ?

Oui. Les Supply Chain Scientists de Lokad créent minutieusement des tableaux de bord “data health” pour chaque projet client. Ces tableaux de bord de santé des données sont conçus pour identifier automatiquement toute anomalie dans les données. De plus, ces tableaux indiquent la criticité du problème et l’attribution de la responsabilité de celui-ci.

La criticité du problème détermine s’il est acceptable ou non de générer des décisions supply chain basées sur les données où le problème est présent. Parfois, cela signifie restreindre les décisions acceptables à un sous-ensemble de l’entreprise cliente considéré comme “sûr” par rapport au problème. En réalité, attendre un ensemble de données exempt de tout problème à 100 % n’est généralement pas réaliste pour une grande entreprise. Ainsi, l’optimisation de la supply chain doit être capable de fonctionner (dans une certaine mesure) avec des données imparfaites, tant que ces imperfections ne compromettent pas la pertinence des décisions supply chain.

L’attribution de la responsabilité du problème définit qui est chargé de le résoudre. Selon le type de problème, celui-ci peut provenir d’endroits complètement différents au sein de l’entreprise cliente. Par exemple, des données historiques tronquées sont très probablement un problème pour le département informatique, tandis que des marges brutes négatives (c.-à-d., un prix de vente inférieur au prix d’achat) relèvent soit des achats, soit des ventes.

L’identification d’erreurs de données non triviales est un problème d’intelligence générale qui nécessite une compréhension approfondie de la supply chain concernée. Ainsi, ce processus ne peut pas être automatisé (pour l’instant) ; il dépasse actuellement ce que les technologies logicielles peuvent offrir. Cependant, une fois qu’un problème est identifié, un Supply Chain Scientist peut automatiser les détections futures. En pratique, nos Supply Chain Scientists intègrent de manière proactive les types d’erreurs les plus fréquents dans la première version des tableaux de bord “data health”.

Voir Data Health dans The Data Extraction Pipeline pour en savoir plus sur la santé des données.

4.2 Nettoyez-vous automatiquement les données historiques ?

Executive Summary: Oui, dans le sens où Lokad n’attend pas de ses client(s) qu’ils prétraitent manuellement les données commerciales avant de nous les fournir. De plus, l’ensemble du pipeline de données (construit entre Lokad et chaque client) fonctionne de manière autonome avec tous les processus entièrement automatisés.

Lokad « nettoie » rarement les données historiques ; du moins, pas dans le sens habituel. Il existe un certain nombre de technologies obsolètes qui nécessitent une préparation extensive (“nettoyage”) des données historiques pour fonctionner. Par exemple, les anciens systèmes de séries temporelles s’attendaient généralement à ce que les baisses de demande (ruptures de stock) et les pics de demande (promotions) soient corrigés afin de maintenir la cohérence des prévisions.

Cela reflète les limites de l’approche des séries temporelles. En conséquence, les données historiques doivent être préparées de manière approfondie pour les rendre plus compatibles (d’une certaine manière) avec un système défectueux (séries temporelles). Qualifier ce processus de “data cleansing” est trompeur car cela donne l’impression que le problème vient des données historiques, alors que la cause fondamentale est le design défectueux du système traitant ces données.

En revanche, la technologie de modélisation prédictive de Lokad va bien au-delà de l’approche des séries temporelles. Grâce à la programmation différentiable, nous pouvons traiter tout type de données relationnelles, plutôt que de nous cantonner aux “séries temporelles”. Cela signifie que tous les facteurs causals (par exemple, la tarification, les stocks, les événements, etc.) qui sous-tendent soit la demande, soit les délais de livraison sont intégrés de manière explicite dans le modèle. L’intégration causale est bien supérieure au nettoyage des données—lorsque cela est applicable—car les données nettoyées sont irréelles (personne ne saura jamais avec certitude quelle aurait été la valeur de la demande si la rupture de stock n’était pas survenue).

Occasionnellement, les données commerciales (historiques ou non) nécessitent des corrections. Lokad s’efforce de fournir ces corrections automatiquement dès que possible, en s’appuyant éventuellement sur le machine learning selon le scénario. Par exemple, la matrice de compatibilité mécanique entre voitures et pièces peut être améliorée automatiquement grâce à une méthode d’apprentissage semi-supervisé (voir Pricing Optimization for the Automotive Aftermarket).

4.3 Permettez-vous aux utilisateurs de nettoyer manuellement les données historiques ?

Oui, si le client souhaite cette fonctionnalité, Lokad peut fournir un flux de travail à cet effet. Cependant, nous ne recommandons généralement pas aux utilisateurs finaux de nettoyer manuellement les données.

D’autres logiciels/solutions imposent de nombreuses tâches manuelles à leurs utilisateurs finaux. En revanche, les Supply Chain Scientists de Lokad conçoivent des algorithmes de bout en bout (“numerical recipes”) qui se contentent des données telles qu’elles existent. Pour nous, le nettoyage manuel des données par le client est l’exception, et non la règle.

Voir également Data Management and Cleansing 4.2 dans cette FAQ.

4.4 Comment les données seront-elles nettoyées, gérées et maintenues pour éviter des erreurs de modèle inutiles ?

Les Supply Chain Scientists de Lokad sont chargés de la mise en place du pipeline de données. Les données doivent être préparées, mais surtout, les modèles prédictifs doivent être conçus pour s’adapter aux données telles qu’elles existent actuellement. Le Supply Chain Scientist met en place les outils (par exemple, des tableaux de bord dédiés) pour surveiller les données brutes d’entrée et les données préparées afin de s’assurer que les décisions supply chain générées par Lokad soient pertinentes.

De nombreuses solutions alternatives abordent le problème uniquement sous l’angle de la préparation des données, où toute sortie incorrecte doit être corrigée en ajustant l’entrée. Ces solutions ne sont pas programmatiques, ainsi les modèles de base ne peuvent pas être modifiés—seules leurs entrées peuvent être ajustées. Cependant, Lokad adopte une approche technologique différente. Nous soutenons une technologie prédictive programmatique (via la programmation différentiable). Ainsi, face à des sorties inappropriées (c.-à-d., de mauvaises décisions supply chain), nous pouvons soit corriger les entrées, soit les modèles (ou les deux).

Presque invariablement, c’est la combinaison des deux ajustements—une meilleure préparation des données et un meilleur traitement des données—qui conduit à des résultats satisfaisants, et l’omission de l’un ou l’autre est une recette pour des résultats insatisfaisants.

Voir également Data Management and Cleansing 4.2 dans cette FAQ.

Voir également The Data Extraction Pipeline pour plus d’informations sur le transfert automatisé des données entre les clients et Lokad.

4.5 Gérez-vous et maintenez-vous les données de référence (soutenant les efforts de prévision) ?

Oui, si cela est demandé par l’entreprise cliente.

Cependant, nous recommandons fortement de ne pas utiliser la plateforme de Lokad à cette fin. À notre avis, les outils analytiques (comme Lokad) doivent être strictement découplés des outils de saisie de données, tels qu’un système de gestion des données de référence.

En règle générale, pour éviter le verrouillage fournisseur, nous suggérons d’éviter les outils logiciels d’entreprise trop englobants. Les exigences de conception pour la gestion des données de référence sont complètement différentes de celles de l’analytique prédictive. La plateforme de Lokad pourrait être un gestionnaire de données de référence décent, mais elle ne sera jamais excellente (notre conception reposant trop fortement sur l’analytique prédictive pour cela), et inversement, la plupart des gestionnaires de données de référence sont absolument médiocres pour l’analytique.

4.6 Les utilisateurs peuvent-ils téléverser des données de ventes et de marketing (y compris les plans/insights futurs) ?

Oui.

La plateforme de Lokad est capable de recevoir et de traiter plusieurs sources de données, dans de nombreux formats, y compris les feuilles de calcul Excel. Notre plateforme est également capable de traiter les données telles qu’elles se présentent dans les divisions des ventes et du marketing (c.-à-d., quelle que soit la granularité à laquelle elles sont stockées).

Les équipes de ventes et de marketing fournissent rarement des données organisées au niveau des SKU—voire même SKU x Location, notre niveau de granularité préféré. Compte tenu de cette limitation, la plateforme de Lokad est conçue pour exploiter des données d’entrée (par exemple, provenant des ventes et du marketing) qui sont à différents niveaux de granularité par rapport aux prévisions de sortie prévues (par exemple, SKU x Location).

4.7 Archivez-vous la demande historique et les prévisions pour analyser le waterfall forecast ?

Oui, nous archivons généralement toutes les prévisions passées, y compris la demande, les délais de livraison, les retours, etc.

Nous avons conçu des techniques de compression avancées pour limiter les surcharges de stockage associées aux stratégies d’archivage à grande échelle. Nous avons également adopté une conception globale qui garantit que les données archivées, même en grande quantité, n’interfèrent pas avec les performances quotidiennes de la plateforme (par exemple, les calculs et l’affichage des tableaux de bord ne ralentissent pas en raison de l’archivage des données).

La conception de la plateforme de Lokad diffère significativement des solutions alternatives qui sont sévèrement pénalisées, que ce soit au niveau des coûts ou des performances (ou les deux) lorsque des stratégies d’archivage étendues sont mises en œuvre. Alors que ces solutions alternatives offrent nominalement des capacités d’archivage étendues, en pratique, de tels archives sont sévèrement tronquées afin de maintenir la solution en fonctionnement. Ce n’est pas le cas avec Lokad. Même pour des entreprises clientes de grande envergure, conserver des archives couvrant plusieurs années ne pose généralement aucun problème.

4.8 Archivez-vous les saisies manuelles/les ajustements afin d’analyser l’impact des modifications sur les métriques de la demande ?

Oui. Lokad archive toutes les saisies manuelles, y compris les téléchargements manuels de fichiers Excel. Lorsque des saisies manuelles sont utilisées pour modifier les modèles prédictifs (“overrides”, généralement dans le but d’affiner les modèles/prévisions), nous utilisons ces archives pour quantifier l’amélioration (ou la dégradation) en termes de précision prédictive introduite. Ce travail est normalement réalisé par les Supply Chain Scientists de Lokad.

La plateforme de Lokad offre des capacités complètes de gestion de version à la fois pour les données et pour le code/scripts. Ceci est essentiel car nous devons nous assurer, lors du backtesting, que les données “régulières” de l’entreprise (généralement les données historiques obtenues à partir des systèmes de l’entreprise) utilisées parallèlement aux saisies manuelles sont exactement les mêmes qu’au moment où ces saisies manuelles avaient été initialement fournies.

Les données d’entreprise sont généralement actualisées automatiquement. Toutefois, utiliser la dernière version des données d’entreprise ne reflète pas correctement la situation telle qu’elle était au moment où la correction manuelle ou la saisie a été effectuée. De même, le code prédictif utilisé par Lokad a pu évoluer depuis le moment où la saisie manuelle a été fournie. En fait, la saisie manuelle a pu être apportée pour pallier un défaut dans le code prédictif qui a depuis été résolu.

La plateforme de Lokad couvre également ces situations, empêchant ainsi l’apparition de classes entières de conclusions erronées. Pensez aux cas où les saisies manuelles sont ultérieurement jugées “incorrectes” alors qu’en réalité, elles étaient pertinentes compte tenu des conditions exactes au moment où elles avaient initialement été fournies.

5. Classification des produits et clustering

5.1 Identifiez-vous les produits à faible rotation et les schémas de demande irrégulière?

Executive Summary: Oui, la technologie prédictive de Lokad fournit une caractérisation quantitative très approfondie de tous les SKU d’intérêt.

En particulier, l’approche de prévision probabiliste de Lokad est parfaitement adaptée pour traiter les schémas de demande intermittents et erratiques. En évaluant les probabilités d’événements rares, Lokad peut identifier la “lumpiness” de la demande — ce qui reflète typiquement des consommateurs achetant de nombreuses unités en une seule fois. Par exemple, un client achète l’intégralité du stock disponible de (identiques) interrupteurs dans un magasin de bricolage, introduisant ainsi une rupture de stock au niveau du SKU.

La programmation différentiable, paradigme de machine learning de Lokad, est idéale pour faire face à la “loi des petits nombres” qui caractérise la plupart des situations de supply chain. Les produits à faible rotation, par conception, comportent très peu de points de données. De même, les pointes observées dans une demande irrégulière sont également, par conception, rares. Ainsi, l’efficacité des données du modèle prédictif est primordiale. À cet égard, la programmation différentiable est supérieure aux alternatives par sa capacité à refléter des insights de haut niveau fournis par la structure même du modèle.

Les solutions alternatives échouent généralement en présence de produits à faible rotation et de schémas de demande irrégulière. Les prévisions classiques (c’est-à-dire les prévisions non probabilistes) ne peuvent traiter les produits à faible rotation sans recourir à une demande fractionnée qui n’est pas “réelle”. Cette demande fractionnée (par exemple, 0.5 unités), bien que “mathématiquement” correcte, n’est pas une manière viable de prendre des décisions supply chain sensées, car il faut, naturellement, commander des nombres entiers d’unités.

De même, les prévisions classiques ne peuvent mathématiquement refléter la “lumpiness” de la demande.

For example, une prévision probabiliste peut refléter qu’une librairie vend 1 unité par jour (en moyenne), composée d’un professeur achetant en moyenne 20 livres par mois, plus un étudiant achetant en moyenne 1 livre tous les 2 jours.

Cette information sera reflétée dans la distribution de probabilité de la demande du modèle. Cependant, pour une prévision des séries temporelles classique, exprimer la réalité nuancée de la demande, telle que des achats groupés sporadiques, n’est pas envisageable. Elle ne prédirait qu’une demande moyenne de 1 livre par jour, ne parvenant pas à capturer le véritable schéma de la demande et déformant ainsi la nature réelle des ventes. Cela, à son tour, limite considérablement l’étendue des décisions de stocks financièrement sensées.

5.2 Identifiez-vous les stocks à faible rotation ou obsolètes et fournissez-vous des recommandations pour “keep or sell”?

Oui. Lokad identifie les stocks à faible rotation à l’aide de prévisions probabilistes, permettant ainsi des décisions anticipées et ajustées en fonction du risque pour atténuer les risques de surstock et de stocks morts. Les recommandations vont au-delà du “keep or sell”, incluant des remises, des relocalisations et des ajustements pour éviter la cannibalisation.

L’identification des SKU à faible rotation ou obsolètes (en termes de demande) se fait à l’aide de prévisions probabilistes de la demande. Les prévisions probabilistes sont excellentes pour identifier et évaluer les risques, y compris les risques de surstock et de stocks morts. Cela nous permet de prendre des décisions ajustées en fonction du risque lorsqu’elles sont combinées à nos capacités d’optimisation stochastique. Ainsi, les risques de stocks sont quantifiés pour tous les SKU à toutes les étapes de leur cycle de vie. Cette conception est cruciale, car elle nous permet d’identifier (et de traiter) la plupart des situations de stocks le plus tôt possible avant qu’elles ne deviennent problématiques.

Enfin, Lokad ne se limite pas aux seules recommandations “keep or sell”. Nous pouvons fournir aux clients des recommandations reflétant l’ensemble des options disponibles. Par exemple, Lokad peut recommander des remises ou des promotions pour aider à liquider les stocks. Nous pouvons également recommander de déplacer les stocks ailleurs si d’autres canaux présentent une forte demande. Nous pouvons recommander de suspendre temporairement ou de rétrograder un autre produit qui cannibalise accidentellement la demande pour un autre SKU.

En bref, les Supply Chain Scientists de Lokad sont là pour s’assurer qu’aucune pierre ne soit laissée de côté avant de déclarer qu’un stock est “dead”.

Voir également Classification des produits et clustering 5.1 dans cette FAQ.

5.3 Permettez-vous aux utilisateurs de gérer des workflows de données produits hiérarchiques (top-down, middle-out et bottom-up)?

Oui. Étant donné que la plateforme de Lokad est programmatique, nous pouvons traiter tout workflow raisonnablement bien défini pour nos clients. Les exemples incluent tout workflow fonctionnant le long des hiérarchies de produits existantes du client.

À notre avis, le ROI (return on investment) du client pour laisser ses employés naviguer dans de tels workflows est très incertain. Le besoin même de ces workflows reflète des défauts profonds dans le logiciel supply chain qui doivent être corrigés de l’intérieur vers l’extérieur — en tirant parti d’autant d’automatisation que possible.

La plateforme de Lokad offre des capacités étendues pour visualiser les données selon toutes les dimensions pertinentes : hiérarchies de produits, régions, horizons temporels/décalages, fournisseurs, types de clients, etc. Ces capacités sont essentielles pour identifier à la fois les défauts et les domaines d’amélioration. Cependant, exploiter ces capacités pour un “workflow” est généralement une démarche erronée (bien que ce soit simple pour Lokad). Nous recommandons plutôt de modifier directement les recettes numériques sous-jacentes (code) utilisées par Lokad afin de supprimer le besoin pour les praticiens de la supply chain de gérer ces workflows.

De nombreuses solutions alternatives ne disposent pas de capacités programmatiques. En conséquence, lorsqu’un défaut est identifié, il n’y a généralement d’autre option que d’attendre la prochaine version du logiciel (éventuellement dans plusieurs années) ou d’opter pour une personnalisation — une voie qui mène généralement à des problèmes, l’entreprise cliente se retrouvant avec un logiciel non maintenu.

5.4 Permettez-vous aux utilisateurs d’organiser des éléments liés hiérarchiquement et de les regrouper en fonction de divers facteurs?

Oui.

La plateforme de Lokad offre des capacités étendues qui permettent aux utilisateurs de regrouper des éléments (par exemple, des SKU, produits, clients, fournisseurs, emplacements, etc.) selon tout un éventail de facteurs – y compris les saisies manuelles.

Étant donné que la plateforme de Lokad est programmatique, pourvu que le critère de regroupement ou de proximité puisse s’exprimer numériquement, il est aisé de regrouper les éléments du client en conséquence. Cette tâche est effectuée par les Supply Chain Scientists de Lokad.

Par ailleurs, la plateforme de Lokad peut également exploiter les relations entre les éléments liés hiérarchiquement, que ce soit à des fins prédictives ou d’optimisation. En particulier,

La plateforme de Lokad adopte une perspective relationnelle pour l’ensemble de ses outils numériques. Cette perspective va au-delà des séries temporelles et des graphes en combinant données relationnelles et hiérarchiques. Elle imprègne nos outils, y compris nos outils de machine learning. Cet aspect est crucial pour exploiter les relations disponibles au-delà du simple affichage.

5.5 Quel type de classification des produits proposez-vous (ABC /XYZ…) basé sur les données historiques de ventes?

Executive Summary: Lokad peut offrir des classifications de produits flexibles de type ABC et ABC XYZ, s’adaptant aux variations et exclusions, si le client le souhaite. Cependant, nous considérons ces classifications (et leurs équivalents) comme obsolètes. La position de Lokad est que la gestion moderne de la supply chain doit se concentrer sur des insights exploitables menant à des décisions ajustées en fonction du risque, plutôt que de s’appuyer sur des outils de catégorisation simplistes.

La plateforme de Lokad prend en charge tous les schémas de classification grand public, y compris ABC et ABC XYZ Analysis, etc. Étant donné que la plateforme de Lokad est programmatique, il est également simple de prendre en compte toutes les variations subtiles qui existent tout en définissant soigneusement de telles classes (par exemple, des règles d’exclusion subtiles). Cependant, les classifications de produits (telles que celles énumérées ci-dessus) représentent une approche technologiquement obsolète des problèmes et de l’optimisation de la supply chain.

Certains fournisseurs de logiciels supply chain, en particulier ceux dotés de technologies obsolètes, mettent en avant l’ABC Analysis ou l’ABC XYZ analysis avec fierté. Pourtant, invariablement, les classifications fournies par ces outils sont exploitées pour atténuer les nombreux défauts de la solution logicielle que le client utilise déjà, traitant ainsi les symptômes sans s’attaquer aux causes du(des) problème(s). Ces outils sont utilisés comme des mécanismes grossiers de hiérarchisation de l’attention. Ce n’est pas une manière appropriée d’aborder les problèmes d’intérêt, tels qu’une demande intermittente ou volatile.

Premièrement, les défauts fondamentaux doivent être traités afin de soulager les praticiens de la supply chain de telles révisions fastidieuses. Deuxièmement, les classifications basées sur le volume sont bien trop grossières pour avoir une quelconque valeur pratique et représentent un très mauvais usage du temps des praticiens de la supply chain.

C’est pourquoi les Supply Chain Scientists de Lokad guident les clients vers des décisions qui reflètent l’impact financier d’une décision (ou d’un call-to-action) supply chain potentiel (généralement mesuré en Dollars ou en Euros). À moins que les éléments et les décisions ne soient priorisés en fonction de leur ROI (return on investment) final, toute tentative de “prioritization” ou “optimization” est fondamentalement vaine.

Voir ABC XYZ in 3 Minutes et ABC Analysis Does Not Work pour en savoir plus sur les limites de ces outils de classification.

5.6 Fournissez-vous du clustering/stratification de produits et/ou de magasins?

Oui.

La plateforme de Lokad offre des capacités de clustering/stratification pour tout élément d’intérêt, tel que les magasins, produits, clients, SKU, fournisseurs, etc. Cela grâce aux capacités de traitement de notre plateforme en matière de données relationnelles. Cela nous permet de traiter des éléments complexes qui ne peuvent être “aplatis” en une série fixe de propriétés. De plus, grâce à la programmation différentiable, Lokad peut apprendre/régler les métriques de similarité utilisées pour regrouper les éléments de manière particulièrement utile pour une tâche donnée, comme la prévision.

Voir Illustration: Clustering pour en savoir plus sur les capacités de clustering de Lokad avec seulement quelques lignes de code Envision.

5.7 Affinez-vous la prévision avec des hiérarchies de produits/lieux et/ou du clustering?

Oui.

Lokad tire pleinement parti de la structure relationnelle des données d’entrée. Notre approche de programmation différentiable est particulièrement compétente pour traiter les données relationnelles. C’est ainsi que Lokad peut exploiter les hiérarchies, listes, options, graphes, attributs numériques et catégoriels pour ses modèles prédictifs. De plus, nos modèles prédictifs prévoient toutes les sources d’incertitude supply chain, y compris la demande, les délais, les retours, les rendements, les prix des matières premières, etc.

Le clustering peut être utilisé pour identifier un schéma pertinent pour la prévision d’intérêt. Par exemple, toutes les cyclicités typiques (par exemple, le jour de la semaine, la semaine du mois, la semaine de l’année, etc.) et les quasi-cyclicités (par exemple, Pâques, Nouvel An chinois, Ramadan, Black Friday, etc.) peuvent bénéficier de ce type de technique. La plateforme de Lokad offre un support étendu pour instrumenter le clustering à des fins prédictives.

Voir Illustration: Cluster-based cyclicities pour en savoir plus sur ce point.

6. Événements et Variables Explicatives

6.1 Identifiez-vous les événements exceptionnels (par exemple, les ruptures de stock) et les promotions dans les données historiques?

Executive Summary: Oui. Lokad enrichit les données historiques avec des événements exceptionnels connus grâce à la programmation prédictive, améliorant ainsi la précision par rapport aux prévisions des séries temporelles traditionnelles. Cette approche gère les données incomplètes et peut reconstituer des événements perdus (comme solution de contournement lorsque l’enregistrement direct des événements historiques n’est pas disponible).

Les données historiques comportent de nombreux événements qui faussent les mesures (par exemple, la demande, les délais, etc.). Lokad fonctionne via des paradigmes de programmation prédictive, tels que la programmation différentiable, qui nous permettent d’enrichir l’historique de base avec tous ces événements. Cependant, en règle générale, ces événements exceptionnels ne sont pas “identifiés” — ils sont déjà connus. Si des événements notables ont été perdus, il est alors possible pour Lokad de faire fonctionner un modèle prédictif pour reconstituer ces événements.

Les anciennes technologies de prévision, aujourd’hui obsolètes, étaient incapables de gérer autre chose que de simples séries temporelles brutes. En conséquence, chaque distorsion affectant la demande devait être corrigée préalablement, sinon les prévisions auraient été fortement dégradées/biaisées. Malheureusement, cette approche est défectueuse par conception, car ces prévisions de séries temporelles finissent par être construites sur d’autres prévisions, accumulant ainsi les inexactitudes.

La technologie prédictive de Lokad ne souffre pas du même problème, car elle prend en charge des variables explicatives supplémentaires. Plutôt que de prétendre savoir avec certitude ce qui se serait passé sans les événements historiques (comme une rupture de stock), le modèle prédictif reflète la variable explicative dans ses sorties (c’est-à-dire ses prévisions). Cette méthodologie ne nécessite pas d’approche par étapes pour la prévision. De plus, elle peut exploiter des données incomplètes, comme une rupture de stock rencontrée en fin de journée après une vente record d’unités — information qui reste très pertinente, même sous sa forme incomplète.

Si des événements notables (p.ex., ruptures de stock) ont été perdus ou tout simplement jamais enregistrés, alors Lokad est capable de reconstruire ces événements grâce à une analyse des données historiques. Toutefois, quelle que soit la précision statistique de cette reconstruction, elle sera toujours moins précise qu’un enregistrement direct des événements au fur et à mesure qu’ils se produisent. C’est pourquoi Lokad historise généralement des indicateurs tels que les niveaux de stocks chaque fois que ces indicateurs ne sont pas correctement archivés dans les systèmes d’information respectifs.

6.2 Identifiez-vous les événements exceptionnels et les jours fériés mobiles ?

Oui. Les modèles prédictifs de Lokad s’adaptent aux événements exceptionnels et aux jours fériés. Nos Supply Chain Scientists évaluent les impacts, offrant aux clients un modèle transparent et des éclairages sur les effets d’un événement spécifique sur la dynamique de supply chain du client.

Lokad identifie tous les événements exceptionnels et adapte la structure même de ses modèles prédictifs pour les intégrer. Cependant, pour tous les schémas quasi-cycliques (p.ex., Pâques, Nouvel An chinois, Ramadan, Black Friday, etc.), l’identification est acquise – nous savons déjà que l’événement existe et qu’il a un impact. La seule question qui reste à répondre est la quantification de l’impact de l’événement.

En laissant les Supply Chain Scientists effectuer une évaluation globale de l’impact (ou de l’absence d’impact) d’un événement bien connu, nous obtenons un modèle prédictif offrant une efficacité des données bien supérieure. Une haute efficacité des données est essentielle pour maintenir la précision du modèle prédictif lorsqu’il y a peu de données disponibles, comme c’est fréquemment le cas dans les situations de supply chain.

De plus, lorsque Lokad identifie explicitement et nomme les schémas, le personnel de supply chain du client bénéficie d’un modèle prédictif en boîte blanche muni de facteurs sémantiques. Par exemple, l’impact du Black Friday (le cas échéant) est associé à un facteur dédié évalué à partir des données historiques. Le praticien de la supply chain peut alors utiliser ce facteur pour comprendre quels produits sont les plus sensibles spécifiquement au Black Friday, isolés de tous les autres schémas en jeu, tels que la saisonnalité (c’est-à-dire la cyclicité annuelle).

Voir aussi Events and Explanatory Events 6.1 dans cette FAQ.

6.3 Gérez-vous les situations de rupture de stock en tant que variable explicative ?

Oui. Lokad intègre les situations de rupture de stock directement dans ses modèles prédictifs, prenant en compte à la fois les ruptures de stock complètes et partielles, sans avoir recours à la reconstruction d’une demande “fictive” pour combler les lacunes des données. Au contraire, nous modélisons directement ce que l’on appelle généralement la demande censurée. De plus, Lokad est capable de prendre en compte les ruptures de stock partielles (lorsque la rupture se produit pendant la journée ouvrable) et d’exploiter l’information correspondante.

De manière plus générale, Lokad est également capable de gérer tous les artefacts induits résultant des ruptures de stock. Selon les spécificités de l’entreprise cliente, ces artefacts peuvent varier considérablement. Par exemple, il peut y avoir un pic de demande à la fin de la période de rupture, si les consommateurs sont suffisamment fidèles pour attendre. Il peut également y avoir des commandes en attente, avec une attrition partielle puisque certains consommateurs peuvent refuser de retarder leur achat. Etc.

Les Supply Chain Scientists, employés par Lokad, sont là pour s’assurer que les ruptures de stock sont modélisées de manière appropriée afin de refléter véritablement la dynamique de l’activité de l’entreprise cliente.

Voir les discussions sur “Loss masking” dans une-modelisation-predictive-structuree-pour-la-supply-chain et “Incomplete lead-time model” dans Lead-time forecasting pour plus d’informations sur la manière dont Lokad gère ces situations.

6.4 Prévoyez-vous les promotions ?

Oui. La technologie prédictive de Lokad peut prévoir la variation de la demande impactée par des mécanismes promotionnels. Le mécanisme promotionnel peut inclure des variations de prix, des changements dans les classements d’affichage (le e-commerce), des modifications d’assortiment, des changements de visibilité (p.ex., gondoles en retail), etc. En bref, Lokad fournit des prévisions probabilistes pour les promotions, tout comme il le fait pour toutes les sources potentielles d’incertitude supply chain (p.ex., demande, lead time, retours, etc.).

Les décisions supply chain de Lokad — telles que les réapprovisionnements de stocks — prennent en compte non seulement l’activité promotionnelle prévue, mais aussi le potentiel d’une telle activité. Par exemple, si l’entreprise cliente a la possibilité de faire des promotions, et que ses clients (généralement) y répondent favorablement, cela signifie que l’entreprise peut se montrer un peu plus agressive avec ses stocks. Ceci parce que les promotions sont un outil efficace pour atténuer les excès de stocks. Inversement, si l’entreprise cliente dispose d’une clientèle largement insensible aux promotions, elle doit alors être plus vigilante concernant les excès de stocks. Cela s’explique par l’absence de ce mécanisme pour les atténuer.

Lokad génère de telles décisions ajustées en fonction du risque (et ajustées pour les options) en s’appuyant sur des prévisions probabilistes. Ces prévisions sont essentielles pour évaluer les risques en premier lieu. Par la suite, nous utilisons l’optimisation stochastique — en termes simples, une opération mathématique — pour élaborer des décisions qui maximisent le ROI (return on investment) du client compte tenu de ses multiples sources d’incertitude (p.ex., demande, lead time, promotions, retours, etc.).

6.5 Identifiez-vous et prévoyez-vous les lancements de nouveaux produits et les substitutions ?

Résumé exécutif : Oui, Lokad prévoit la demande pour tous les produits, y compris les nouveaux. Nous procédons ainsi quelle que soit la quantité de données historiques disponibles pour les produits — qui sera probablement nulle si le produit n’a pas encore été lancé.

Pour réaliser des prévisions statistiques dans les conditions mentionnées, Lokad s’appuie généralement (a) sur l’historique complet des lancements au sein de l’entreprise cliente, (b) sur les attributs du produit pour le positionner dans l’offre, (c) sur les produits alternatifs qui fournissent à la fois une base de référence et un potentiel de cannibalisation, et (d) sur les opérations marketing qui soutiennent ce lancement spécifique.

Si un produit est positionné dans l’offre du client comme le remplacement explicite d’un produit plus ancien, alors la tâche de prévision est bien plus simple. Cependant, nous ne recommandons pas d’adopter cette approche à moins que le personnel de supply chain du client ne soit convaincu que les anciens et les nouveaux produits sont réellement équivalents pour les consommateurs. En pratique, un lancement de produit est rarement un remplacement un pour un entre produits nouveaux et anciens. Ainsi, Lokad utilise une technologie supérieure pour exploiter toutes les données historiques, plutôt que de désigner un produit pour fournir la pseudo-histoire du nouveau produit lancé.

De plus, Lokad génère des prévisions probabilistes pour les lancements de produits. Cela est particulièrement important car les prévisions classiques (c’est-à-dire non probabilistes) ne prennent pas en compte les schémas aléatoires qui tendent à être prévalents lors du lancement de nouveaux produits. Les prévisions probabilistes, en revanche, quantifient cette incertitude, nous permettant ainsi de générer des décisions supply chain ajustées en fonction du risque.

Dans la plupart des systèmes d’information, la date de lancement du produit est correctement identifiée, il n’est donc pas nécessaire de l’identifier en soi. Cependant, si la date de lancement n’est pas enregistrée ou est incorrectement enregistrée, alors Lokad peut procéder à une véritable reconstruction de cette information. Naturellement, les premiers enregistrements de ventes représentent une base de référence pour le lancement.

Cependant, parfois en cas de demande intermittente, il peut s’écouler beaucoup de temps avant que le produit ne vende sa première unité. Les Supply Chain Scientists de Lokad disposent de diverses heuristiques pour gérer ces situations.

Voir aussi Events and Explanatory Events 6.1 dans cette FAQ.

6.6 Comment prévoyez-vous les nouveaux articles ou les nouvelles implantations sans historique de ventes ?

Lokad utilise les lancements précédents et les ventes actuelles, en soulignant l’importance des attributs (formels et textuels), pour prévoir la demande pour les nouveaux articles/implantations.

Bien qu’un article puisse être « nouveau », il n’est généralement pas le premier article « nouveau » à être lancé par l’entreprise cliente. La technologie prédictive de Lokad exploite les lancements précédents d’articles, ainsi que les volumes de ventes actuels, afin de prévoir la demande pour un nouvel article. En particulier, la disponibilité d’attributs formels (p.ex., couleur, taille, forme, tranche de prix, etc.), ainsi que d’attributs textuels (p.ex., étiquette, courte description, commentaires, etc.) est d’une importance cruciale pour positionner mathématiquement l’article dans l’offre globale de l’entreprise.

Le processus pour les nouvelles implantations est similaire, bien que les données soient généralement beaucoup plus limitées. Alors qu’il est courant que des entreprises lancent des milliers de nouveaux produits par an (notamment dans des secteurs comme la mode), très peu d’entre elles peuvent prétendre lancer même une centaine de nouvelles implantations par an. Pourtant, en s’appuyant sur les attributs et les caractéristiques de la nouvelle implantation, Lokad peut produire une prévision même lorsque cette implantation particulière ne dispose d’aucun historique de ventes.

Voir aussi Events and Explanatory Events 6.5 dans cette FAQ.

6.7 Tenez-vous compte des articles prédécesseurs, éventuellement signalés ou équivalents/similaires ?

Oui, si des articles lancés sont accompagnés d’articles « prédécesseurs » ou « similaires », la technologie prédictive de Lokad est capable d’exploiter cette information pour affiner ses prévisions.

Nous pouvons prendre en compte toute la gamme de confiance dans l’information fournie, allant de “ce nouveau produit est presque parfaitement équivalent à cet autre produit” à “ces deux produits sont vaguement similaires”. Plusieurs prédécesseurs peuvent également être fournis s’il n’y a pas de produit “le plus similaire” évident.

Alors que les anciennes technologies de prévision (désormais obsolètes) obligeaient les praticiens de la supply chain à associer manuellement les anciens et les nouveaux produits, ce n’est pas le cas avec Lokad. En supposant que quelques informations de base soient disponibles, notre technologie est capable d’exploiter les données historiques — provenant d’autres produits — pour prévoir un nouvel article. Les informations de base pertinentes incluent l’étiquette du produit et la tranche de prix.

En règle générale, nous encourageons l’enrichissement des données de référence afin de favoriser de meilleures associations automatisées. À notre avis, cela est préférable à contraindre le personnel de supply chain du client à l’activité fastidieuse de l’association manuelle. Le ROI (return on investment) pour l’amélioration des données de référence est généralement bien supérieur à celui des associations, car ces données peuvent également avoir un impact direct sur de nombreuses opérations post-lancement.

Voir aussi Events and Explanatory Events 6.5 dans cette FAQ.

6.8 Détectez-vous la cannibalisation ? Évaluez-vous l’impact sur le produit cannibalisant et sur les produits cannibalisés ?

Oui, la technologie prédictive de Lokad intègre la cannibalisation (et les substitutions) dans le cadre de son analyse de la demande.

Bien que les situations varient, le modèle est généralement symétrique, de sorte qu’il quantifie à la fois le produit cannibalisant et le produit cannibalisé. Notre approche prend en compte la composition de l’offre, qui peut varier d’un magasin à l’autre, ou d’un canal de vente à l’autre.

Si les clients peuvent être identifiés (note : avec des identifiants anonymes, car Lokad n’a pas besoin d’utiliser des données personnelles), alors Lokad peut exploiter le graphe bipartite qui relie les clients et les produits. Ce graphe temporel (reliant les produits et les clients via leurs transactions) est généralement la meilleure source d’information pour quantifier la cannibalisation. Si cette information n’est pas disponible, Lokad peut tout de même fonctionner, bien que avec une précision réduite en ce qui concerne les subtilités mêmes de la cannibalisation.

Les techniques prédictives de Lokad s’écartent radicalement des modèles de séries temporelles classiques. Les modèles de séries temporelles ne sont tout simplement pas suffisamment expressifs pour traiter la cannibalisation. En effet, une fois que les données historiques ont été transformées en données de séries temporelles, la majeure partie de l’information pertinente pour aborder la cannibalisation a déjà été perdue. Cette information perdue ne peut pas être récupérée ultérieurement, peu importe la sophistication des modèles de séries temporelles. En revanche, Lokad utilise la programmation différentiable pour ses modèles prédictifs — une approche bien plus expressive que les modèles de séries temporelles dépassés (et obsolètes).

6.9 Permettez-vous d’ajouter ou de mettre à jour des variables explicatives ? Ces variables peuvent-elles être mises à jour manuellement ?

Oui. La plateforme de Lokad est programmatique et, pour ainsi dire, aussi flexible qu’un tableur Excel en ce qui concerne l’intégration des mises à jour des variables explicatives. Il est également possible, si désiré, de faire transiter les variables explicatives via de véritables tableurs.

La programmation différentiable, approche de Lokad en matière de modélisation prédictive, facilite l’apprentissage de modèles intégrant des variables explicatives arbitraires. Ces variables explicatives n’ont pas besoin d’être exprimées en “unités prévisionnelles” ni d’être alignées avec le processus de prévision. Grâce à la programmation différentiable, il est possible d’intégrer des variables explicatives tout en laissant de nombreuses relations “non quantifiées” — laissant ainsi le processus d’apprentissage à la plateforme de Lokad. De plus, la quantification de la ou des relation(s) est mise à la disposition du praticien de la supply chain. Ainsi, le praticien peut obtenir des éclairages sur la véritable prise d’adhésion de la variable explicative au sein du modèle prédictif.

Certaines anciennes technologies de prévision (désormais obsolètes) imposaient une relation directe entre les variables explicatives et les prévisions attendues. Par exemple, les variables explicatives devaient être linéairement liées au signal de demande ; elles devaient être exprimées à la même granularité que les prévisions ; et/ou elles devaient être homogènes avec les données historiques, etc. La technologie de Lokad ne souffre pas de ces limitations.

De plus, les capacités programmatiques de la plateforme de Lokad peuvent organiser les variables explicatives afin de rendre leur maintenance aussi simple que possible pour le personnel de supply chain du client. Par exemple, il est possible de commencer avec un tableur Excel pour refléter les variables explicatives, puis de passer ultérieurement à une intégration automatisée des données. Cette transition peut se faire une fois que la précision supplémentaire (acquise grâce à ces variables explicatives) est jugée suffisante pour automatiser le transfert de données.

Voir la discussion sur “Covariable integration” dans une-modelisation-predictive-structuree-pour-la-supply-chain pour en savoir plus sur ce point.

6.10 Permettez-vous des ajustements manuels de la prévision pour des événements futurs sans données historiques préalables ?

Oui. Lokad permet toujours d’ajuster manuellement les prévisions, que l’on examine des articles avec ou sans données historiques. Nous pouvons également suivre la qualité/précision des ajustements manuels. Cependant, lorsqu’on utilise une technologie prédictive moderne, les ajustements manuels sont généralement inutiles et globalement découragés.

La première raison pour laquelle les praticiens de la supply chain ressentent le besoin d’ajuster manuellement les prévisions est qu’ils veulent modifier les décisions supply chain qui découlent des prévisions (par exemple, une commande d’achat). Dans ces cas, la plupart du temps, le praticien de la supply chain fait face à un risque qui n’est pas correctement reflété par les prévisions. Il ne s’agit pas que les prévisions devraient être plus élevées ou plus basses qu’elles ne le sont, mais plutôt que la décision résultante doit être ajustée vers le haut ou vers le bas pour refléter le risque. Lokad résout ce problème grâce aux prévisions probabilistes et aux décisions supply chain ajustées en fonction du risque. Les prévisions reflètent déjà toutes les valeurs futures possibles (par exemple, la demande) et leurs probabilités respectives. Ainsi, nos décisions suggérées sont déjà ajustées en fonction du risque. Si les décisions se révèlent erronées alors que la prévision est correcte, c’est généralement les moteurs économiques associés à la décision qui doivent être ajustés, et non la prévision elle-même.

La deuxième raison pour ajuster manuellement une prévision est que la prévision est manifestement erronée. Cependant, dans ces situations, le modèle de prévision (sous-jacent) lui-même doit être corrigé. Ne pas le corriger signifie simplement que le personnel de la supply chain doit continuer à traiter les symptômes du problème (prévisions inexactes) plutôt que la cause elle-même (un modèle de prévision défectueux). Si l’on ne corrige pas le modèle, les prévisions seront mises à jour au fur et à mesure que de nouvelles données deviennent disponibles et soit les mauvaises prévisions refont surface, soit la correction initiale (si elle persiste) devient à son tour une source d’inexactitude des prévisions.

En bref, si le modèle de prévision manque de précision suffisante (généralement due à des informations manquantes), alors les données d’entrée du modèle doivent être enrichies pour tenir compte des informations pertinentes absentes. Quoi qu’il en soit, maintenir en opération un modèle de prévision défectueux n’est jamais la réponse appropriée.

6.11 Affinez-vous les prévisions grâce au marketing et aux campagnes spéciales ?

Oui, Lokad affine ses prévisions avec ces informations (si/quand elles nous sont communiquées).

La programmation différentiable — la technologie de modélisation prédictive de Lokad — est particulièrement habile à traiter des types/sources de données supplémentaires, même si elles ne correspondent pas structurellement aux données historiques de demande d’origine (du type que l’on retrouve dans les systèmes d’information typiques des clients).

La programmation différentiable peut traiter des sources de données supplémentaires sans qu’il soit attendu que ces données complémentaires soient exhaustives ou même entièrement correctes/précises. Certes, si les données sont très incomplètes/inexactes, cela limite la précision globale obtenue par le traitement de ces données dès le départ.

Plus important encore, la technologie prédictive de Lokad modifie la manière dont les clients abordent leurs campagnes marketing. La perspective classique de la prévision traite la demande future comme le mouvement des planètes : quelque chose qui échappe totalement à notre contrôle. Cependant, les campagnes marketing ne tombent pas du ciel. Au contraire, elles reflètent des décisions explicites prises par la société cliente. Grâce aux insights et à la technologie de Lokad, les entreprises clientes peuvent réajuster leurs campagnes marketing pour s’adapter à ce que la supply chain peut supporter.

Par exemple, il est inutile d’accélérer davantage la demande (en lançant une nouvelle campagne) si tous les produits courent déjà à rupture de stocks. Inversement, si les surstocks sont en augmentation, il pourrait être temps de réactiver quelques campagnes qui avaient été précédemment suspendues.

6.12 Affinez-vous les prévisions avec l’élasticité-prix ? Les changements de prix planifiés pour l’avenir peuvent-ils être intégrés de manière proactive dans le modèle de prévision/prédictif ?

Oui. Les capacités de modélisation prédictive de Lokad couvrent la tarification, y compris l’élasticité-prix, ainsi que les changements de prix planifiés pour l’avenir. L’approche de programmation différentiable de Lokad permet d’inclure aisément une (ou plusieurs) variable(s) de prix, tant dans le passé que dans le futur. Les instances passées sont utilisées pour apprendre la causalité entre la variation de la demande et la variation du prix.

La programmation différentiable nous permet d’apprendre conjointement l’impact des variations de prix aux côtés de tous les autres facteurs influençant la demande, tels que les multiples cyclicités (par exemple, la saisonnalité). Le modèle de causalité peut ensuite être appliqué aux prix futurs, lesquels peuvent être augmentés ou diminués pour refléter la stratégie de tarification changeante de la société cliente.

Cependant, l’élasticité-prix est souvent une approche plutôt grossière pour modéliser l’effet des variations de prix. Par exemple, les effets seuil ne peuvent pas être modélisés avec l’élasticité. Cela inclut des scénarios où les consommateurs réagissent fortement à une variation de prix lorsqu’un produit devient juste moins cher qu’un autre produit apparemment équivalent. En particulier, lorsque les prix concurrentiels sont recueillis via un outil d’intelligence économique, l’élasticité-prix se révèle insuffisante pour expliquer les variations de la demande qui seraient mieux expliquées par les mouvements tarifaires d’un concurrent.

La plateforme de Lokad possède des capacités qui vont bien au-delà de la simple modélisation de l’élasticité-prix. Lokad peut, et le fait fréquemment, optimiser conjointement à la fois les achats et la tarification. Alors que la perspective dominante de la supply chain traite l’optimisation de stocks et l’optimisation des prix comme deux préoccupations distinctes, il est évident que les prix influencent la demande—même lorsque l’élasticité de prix se révèle trop grossière pour refléter avec précision cet impact. Ainsi, il est tout à fait logique de coordonner à la fois les politiques de stocks et de tarification pour maximiser la rentabilité de la supply chain.

6.13 Affinez-vous les prévisions avec l’activité concurrentielle (c’est-à-dire, des données d’intelligence économique) ?

Executive Summary: Oui, la technologie prédictive de Lokad est capable de tirer parti des données d’intelligence économique pour affiner les prévisions de demande (et les prix, sur demande) pour les clients. Cela n’est réalisé que lorsque les données d’intelligence économique nous sont fournies, car Lokad ne collecte pas lui-même ces données. À notre avis, cette tâche est mieux confiée à des spécialistes du scraping de données web.

L’exploitation des données d’intelligence économique se fait généralement en deux étapes. Premièrement, nous devons associer (d’une manière ou d’une autre) les points de données concurrentiels à l’offre de la société cliente. Si la société cliente et ses concurrents vendent exactement les mêmes produits tels qu’identifiés par leurs codes-barres GTIN, alors ce processus est simple. Cependant, de nombreuses complications surviennent fréquemment.

Par exemple, les entreprises peuvent ne pas avoir les mêmes conditions d’expédition (par exemple, frais et délais), ou il pourrait y avoir une promotion temporaire réservée aux détenteurs d’une carte de fidélité. De plus, les concurrents ne vendent généralement pas exactement les mêmes produits (du moins pas au sens GTIN), pourtant leurs offres, dans l’ensemble, se font concurrence. Dans ces situations, les associations simples en un à un entre les produits respectifs des sociétés ne sont plus pertinentes. Néanmoins, la technologie prédictive de Lokad (et les Supply Chain Scientists) peuvent résoudre toutes ces complications.

Deuxièmement, une fois les associations établies, le modèle prédictif doit être adapté pour refléter l’(les) effet(s) de la concurrence sur la demande. Ici, le plus grand défi est fréquemment que l’effet se manifeste avec un décalage important. Dans la plupart des marchés, les clients ne surveillent pas constamment les prix des concurrents. Ainsi, une importante baisse de prix par un concurrent peut passer inaperçue auprès de nombreux clients pendant longtemps. En fait, l’effet dominant d’être surpassé tarifairement est une érosion lente de la part de marché du client. Par conséquent, il est erroné d’évaluer de manière trop restrictive l’impact de la concurrence « un produit à la fois ». Les effets à l’échelle de l’entreprise doivent également être évalués.

Encore une fois, les Supply Chain Scientists de Lokad s’assurent que la stratégie de modélisation reflète une compréhension stratégique de la société cliente (et de sa place sur le marché). Cette compréhension stratégique inclut des aspects à long terme, tels que gagner ou perdre des parts de marché.

Voir les discussions sur « Résoudre l’alignement » dans Optimisation des prix pour l’Après-Marché Automobile pour en savoir plus sur ce point.

Voir aussi Événements et Variables Explicatives 6.12 dans cette FAQ.

6.14 Affinez-vous les prévisions avec les données de prévisions météo ?

Executive Summary: Oui, Lokad est capable d’affiner ses modèles prédictifs avec des données de prévisions météo. Nous avons obtenu notre premier succès dans ce domaine dès 2010 en collaborant avec un grand producteur européen d’électricité. Notre technologie prédictive actuelle (programmation différentiable) rend le processus d’intégration des prévisions météo plus simple qu’avec les technologies antérieures.

En pratique, bien qu’il soit techniquement possible d’affiner les prévisions avec des données météorologiques, très peu de nos clients utilisent effectivement ces affinements en production. À notre avis, cela n’en vaut généralement pas la peine. Il existe presque toujours des options plus simples offrant un ROI (retour sur investissement) supérieur pour une quantité comparable de ressources d’ingénierie.

Dans l’ensemble, il y a deux problèmes majeurs à essayer de tirer parti des données de prévisions météo dans ce contexte. Le premier problème est que ces prévisions sont à court terme. Au-delà de 2 ou 3 semaines, les prévisions météo retombent dans des moyennes saisonnières. Ainsi, une fois que l’on dépasse un horizon court, les prévisions météo n’apportent pas d’informations supplémentaires par rapport à la saisonnalité habituelle. Cela signifie que toutes les décisions supply chain qui ne sont pas strictement à court terme ne bénéficient pas des données de prévisions météo. Cela restreint sévèrement le champ d’application de cette technique.

Le second problème est l’immense complexité technologique qu’implique cette technique. Le temps est un phénomène très local, pourtant lorsqu’on considère de grandes supply chains, nous examinons en réalité des centaines ou des milliers (voire des dizaines de milliers) d’emplacements pertinents, répartis sur d’immenses espaces géographiques (éventuellement plusieurs continents). Ainsi, chaque emplacement pourrait avoir son propre « temps » (au sens météorologique du terme).

De plus, le « temps » n’est pas un chiffre unique mais une collection complète, incluant la température, les précipitations, le vent, etc. Selon le type de marchandises desservies, la température peut ou non être le facteur dominant nécessaire pour affiner une prévision de demande.

Fondamentalement, essayer d’affiner une prévision de demande avec des données de prévisions météo alloue des ressources (temps, argent, efforts, etc.) qui pourraient être dirigées ailleurs (ou du moins vers des efforts d’affinement meilleurs). Nous constatons que les prévisions météo sont presque jamais une option « compétitive » à cet égard. Ainsi, bien que Lokad soit capable de tirer parti des prévisions météo, nous recommandons d’explorer toutes les autres voies potentiellement plus simples d’affinement avant de recourir aux données de prévisions météo.

6.15 Affinez-vous les prévisions pour refléter l’ouverture d’un nouveau magasin/la fermeture d’un ancien magasin ?

Oui.

La technologie prédictive de Lokad est capable de modéliser précisément l’impact de l’ouverture d’un nouveau magasin et/ou de la fermeture d’un ancien magasin. Notre technologie peut également modéliser des fermetures transitoires, telles que les fermetures temporaires pour des travaux de rénovation. De plus, Lokad peut (et le fait) prendre en compte la variabilité des heures d’ouverture également (si les données nous sont fournies). La technologie prédictive de Lokad (programmation différentiable) est particulièrement efficace pour gérer toutes ces distorsions du signal de demande.

De plus, lorsque des magasins se trouvent à proximité (par exemple, dans la même ville), nous pouvons prendre en compte l’effet de substitution où les clients qui se rendaient dans un magasin (maintenant fermé) se tournent vers un autre. Si certaines transactions bénéficient d’un identifiant client (note: juste l’identifiant brut, car Lokad n’a pas besoin de données personnelles), alors nous pouvons exploiter cette information pour évaluer plus précisément la part exacte de la clientèle qui suit une marque donnée malgré la relocation des magasins.

À l’autre extrémité du spectre technologique, les modèles de séries temporelles (prévision) ne peuvent même pas représenter correctement les informations d’entrée pertinentes. Dans ce cas, nous nous référons aux données transactionnelles brutes décrites ci-dessus, telles que l’on peut trouver si le client exploite des programmes de cartes de fidélité.

Notes