Prévision avec les grilles de quantiles (2015)

Les grilles de quantiles représentent une amélioration significative par rapport aux prévisions classiques ou quantiles chaque fois que des stocks sont impliqués. Cependant, les prévisions probabilistes surpassent largement les grilles de quantiles. Consultez nos dernières pages technologiques pour plus d’informations.
grids/graph-quantile-grids

Les grilles de quantiles représentent une amélioration radicale par rapport aux méthodes de prévision classiques chaque fois que des stocks sont impliqués. Elles sont également supérieures aux prévisions quantiles car elles fournissent beaucoup plus d’informations sur l’avenir. Les méthodes de prévision traditionnelles fonctionnent mal, surtout pour le commerce. La cause profonde de ce problème est simple : l’avenir est incertain. Les prévisions classiques tentent de prédire la seule valeur correcte de la demande future, et, eh bien, elles échouent. Essayer désespérément de corriger les prévisions classiques dans l’espoir que la demande future “correcte” sera prédite est illusoire. Les grilles de quantiles adoptent une position complètement différente sur cette question.

Avec les grilles de quantiles, Lokad prédit non pas une valeur de demande future pour un produit donné, mais l’ensemble de la distribution de probabilité pour la demande ; c’est-à-dire la probabilité d’avoir une demande de zéro unité, puis une unité, puis deux unités, etc. Ces informations sont beaucoup plus riches et peuvent être exploitées de manière beaucoup plus rentable que les prévisions classiques.

Introduction pour les non-statisticiens

En lisant ces lignes, si vous n’êtes pas statisticien, vous pourriez vous demander si votre entreprise a une chance de réussir à faire quelque chose de sensé avec ces soi-disant “grilles de quantiles”. Cela ressemble plus à un bon titre pour une thèse de doctorat en statistiques modernes qu’à un moyen pratique de prévision. Eh bien, si vous trouvez ce terme intimidant, remplacez simplement mentalement grilles de quantiles par prévisions qui fonctionnent réellement, et cela suffira. La grande majorité des entreprises qui utilisent Lokad n’ont aucune compétence en statistiques. Le filtre anti-spam associé à votre boîte de réception utilise également des statistiques avancées, et il n’est pas nécessaire d’avoir un doctorat pour utiliser une boîte de réception.

Lokad fait à peu près la même chose pour le commerce. Nous exploitons l’apprentissage automatique avancé pour rendre votre entreprise plus rentable, et la technologie derrière est maintenant si avancée que vous n’avez en fait pas besoin d’y prêter beaucoup d’attention.

Ci-dessous, nous décrivons ce qui se passe en coulisses chez Lokad, mais soyez assuré que vous pouvez utiliser Lokad même si vous n’avez pas une compréhension complète de ce qui entre dans notre moteur de prévision - tout comme vous pouvez utiliser un filtre anti-spam sans être familier avec l’inférence probabiliste bayésienne.

Repenser la prévision pour le commerce

computer-history
De nombreux fournisseurs se vantent d’utiliser des méthodes de prévision “avancées” telles que ARIMA, Box-Jenkins et Holt-Winters qui ont en réalité près d’un demi-siècle; ils ont tous été conçus à une époque où les ordinateurs d’entreprise les plus puissants avaient moins de puissance de traitement que la plupart des réfrigérateurs ont de nos jours. Les personnes qui ont inventé ces méthodes étaient exceptionnellement intelligentes, mais elles devaient se contenter des ressources informatiques de leur époque et donnaient donc la préférence à des modèles qui pouvaient être calculés avec très peu de calculs. De nos jours, nous pouvons utiliser d’énormes quantités de puissance de calcul pour nos défis de prévision à très peu de coût.

Gardez à l’esprit que 1000 heures de puissance de calcul coûtent moins de 50 $ lors de l’utilisation d’une plateforme de cloud computing. De toute évidence, cela ouvre des perspectives radicalement nouvelles pour la prévision, et c’est exactement ces perspectives que Lokad explore de manière approfondie. Les Grilles de Quantiles représentent la troisième version de la technologie de prévision de Lokad, mais revenons quelques années en arrière pour avoir une vue d’ensemble. Nous avons commencé avec des prévisions classiques en 2008 comme première version de notre technologie de prévision, et malgré trois années d’efforts de R&D considérables de la part de l’équipe de Lokad, l’approche classique s’est révélée être une impasse. Nous n’avons jamais vraiment réussi à avoir un client pleinement satisfait des prévisions classiques. En apprenant davantage sur les expériences de nos clients avec d’autres fournisseurs de prévisions, il s’est avéré qu’il n’y avait pas une seule entreprise qui était même proche d’être satisfaite de la technologie de prévision qu’elle avait acquise. Ce problème n’était pas spécifique à Lokad, et nous avons réalisé que toute l’industrie de la prévision était dysfonctionnelle; et nous avons décidé de faire quelque chose à ce sujet.

En 2012, Lokad a publié la deuxième version de sa technologie de prévision baptisée Prévisions de Quantiles. En termes simples, les prévisions de quantiles abordent le principal problème qui afflige les prévisions classiques: les prévisions classiques ne regardent tout simplement pas le bon problème.

En effet, le défi pour les entreprises est d’éviter deux extrêmes: une demande inattendue élevée qui provoque des ruptures de stock, et une demande inattendue faible qui provoque des stocks morts. Ce qui se passe au milieu lorsque la demande future est “comme prévu” importe très peu du point de vue commercial.

Pourtant, les prévisions classiques, moyennes ou médianes, ignorent complètement ces situations “extrêmes” et se concentrent entièrement sur le cas moyen. Sans surprise, les prévisions classiques échouent à prévenir à la fois les ruptures de stock et les stocks morts. Les prévisions de quantiles abordent le défi de front et examinent directement le scénario d’intérêt, disons éviter les ruptures de stock, et s’efforcent de fournir une réponse précise à ce problème précis. Soudain, en 2012, nous avons commencé à avoir de plus en plus de clients satisfaits. Pour la première fois dans l’histoire de Lokad, plus de 3 ans après le lancement de l’entreprise, nous avions quelque chose qui fonctionnait.

En 2015, Lokad a publié la troisième version de sa technologie de prévision, les grilles de quantiles. Alors que les prévisions de quantiles étaient déjà une amélioration radicale par rapport aux prévisions classiques, elles avaient encore leurs faiblesses. À mesure que nous acquérions de plus en plus d’expérience avec des dizaines de déploiements de notre technologie de prévision de quantiles, nous avons réalisé que même si l’idée de produire une prévision pour un seul scénario commercial était judicieuse, elle n’était pas entièrement complète. Pourquoi juste ce scénario ? Pourquoi pas un deuxième scénario, ou un troisième ? La gestion manuelle de plusieurs scénarios s’est avérée fastidieuse, et nous avons réalisé que tous les scénarios devraient être prévus en même temps. D’un point de vue informatique, cela était beaucoup plus coûteux : pour chaque produit, nous calculions les probabilités respectives de (presque) chaque niveau de demande. Cependant, bien que la quantité de calculs impliquée semble stupéfiante, les prix des ressources informatiques ont également chuté de manière spectaculaire au fil des ans. Et ce que nous aurions considéré comme trop coûteux il y a 5 ans était maintenant tout à fait abordable. En 2015, Lokad a publié la troisième version de sa technologie de prévision, les grilles de quantiles. Bien que extrêmement intensives en calcul, les grilles de quantiles sont désormais abordables grâce à la chute libre des ressources informatiques en cloud.

Prendre en compte toute la distribution de probabilité de la demande

indecision
La demande future est incertaine. Toute tentative de représenter la demande future avec une seule valeur est quelque peu naïve car peu importe à quel point cette valeur peut être bonne, elle ne peut jamais raconter toute l’histoire. Bien qu’il serait agréable d’avoir un système “magique” capable de prédire le niveau exact de la demande future, cela relève aussi de l’illusion. Lorsque les gens essaient de gérer une prévision incorrecte, il est très tentant d’essayer de “corriger” cette prévision. Malheureusement, la prévision statistique est majoritairement contre-intuitive, et la réalité est qu’il n’y a souvent rien à corriger : la valeur prévue est l’un des résultats parfaitement valides et possibles pour la demande future.

Le système peut éventuellement être légèrement ajusté pour produire des valeurs légèrement plus probables pour la demande future, mais c’est à peu près tout. Votre entreprise se retrouve avec des valeurs légèrement plus probables pour la demande future, ce qui ne se traduit pas par un renforcement de l’activité commerciale qui aurait été attendu en premier lieu.

Les grilles de quantiles adoptent une approche très différente : pour chaque produit, Lokad calcule les probabilités respectives de chaque niveau de demande future. Au lieu de tenter de maintenir l’illusion que la demande future est connue, les grilles de quantiles expriment directement les probabilités associées à de nombreux futurs possibles.

Par exemple, si nous considérons un produit vendu rarement avec un délai de 2 semaines, la distribution de la demande au cours des 2 prochaines semaines (généralement l’horizon de prévision doit correspondre au délai) pour ce produit peut être représentée comme suit :

Demande Probabilité
0 unité 55%
1 unité 20%
2 unités 14%
3 unités 7%
4 unités 3%
5 unités 0% (arrondi)

Penser à l’avenir d’un point de vue entièrement probabiliste peut sembler compliqué, mais cela représente en réalité ce que chaque dirigeant d’entreprise fait déjà, bien que de manière moins formelle : évaluer les chances de certains résultats et couvrir les paris vis-à-vis de leur entreprise afin d’être bien préparé lorsqu’il s’agit des scénarios les plus pertinents. Du point de vue du moteur de prévision, puisque nous ne savons pas à l’avance quels seraient les scénarios les plus pertinents, la solution logique, bien que quelque peu brutale, consiste à traiter tous les scénarios possibles. Cependant, en supposant qu’une entreprise a mille produits à prévoir (et certains de nos clients ont des millions de références à gérer), et que Lokad calcule les probabilités associées à 100 scénarios pour chaque produit, les grilles de quantiles produiraient une énorme liste avec 100 000 entrées qui ne semble pas pratique à traiter. Nous en arrivons à ce point dans la section ci-dessous.

Prioriser les décisions de la supply chain

Pour chaque décision d’achat, nous pouvons établir un calcul simple à la va-vite, la formule “résultat” qui dépend de la demande future par rapport à la décision d’achat actuelle. Ensuite, chaque décision peut être évaluée en fonction de la probabilité respective de chaque niveau de demande future.

purchase_priority_screenshot
Les prévisions de la demande sont le plus souvent utilisées pour orienter les décisions de la supply chain telles que passer des commandes d’achat pour le commerce ou déclencher une production en milieu industriel. Une fois que nous avons toutes les probabilités associées à tous les résultats futurs, il est possible de construire une liste de priorités complète de toutes les décisions d’achat. En effet, pour chaque décision d’achat, nous pouvons établir un calcul simple à la va-vite, la formule “résultat” : en supposant que la demande sera de D unités et en supposant que nous achetons P unités, alors le résultat financier sera X. Inutile de dire que Lokad est là pour vous aider à rédiger cette courte formule, qui pour la plupart des entreprises se résume à la marge brute moins le coût des stocks et moins le coût des ruptures de stock. Par conséquent, une fois que nous avons cette formule, pour chaque décision de la supply chain, comme “acheter 1 unité du produit Z”, les résultats peuvent être comparés aux probabilités de chaque futur possible. En faisant cela, nous calculons le “score” de chaque décision possible.

Une fois que chaque décision a été évaluée, il est possible de classer toutes ces décisions, plaçant les options les plus rentables en haut de la liste. Nous appelons cette liste la liste de priorité d’achat principale. C’est une liste où chaque produit apparaît sur de nombreuses lignes. En effet, alors qu’acheter 1 unité du produit Z pourrait être la décision d’achat la mieux classée (également appelée l’achat le plus urgent), acheter la prochaine 1 unité du produit Z ne serait peut-être que la 20e décision d’achat la plus urgente, avec de nombreuses autres unités d’autres produits à acheter entre-temps.

image-pricing
La liste principale répond à une question très simple : si l’entreprise a un dollar supplémentaire à dépenser pour son inventaire, où ce dollar devrait-il aller en premier ? Eh bien, ce dollar devrait aller à l’article qui rapporte le plus à votre entreprise. Ensuite, une fois cet article particulier acquis, on peut poser la même question. Cependant, cette fois, une fois cette unité supplémentaire acquise, le prochain article le plus rentable à acheter sera probablement différent, car il y a de fortes rendements décroissants à accumuler en grande quantité le même article dans votre stock. En effet, plus vous avez d’inventaire, moins votre inventaire tourne et plus vos probabilités de rester avec un inventaire mort sont élevées. Ces problèmes se reflètent naturellement dans la formule “résultat”, et dans la priorisation résultante de la liste.

Mieux que de modifier les niveaux de service

Déterminer les niveaux de service “optimaux”, c’est-à-dire les probabilités souhaitées de ne pas manquer de stock, est un exercice très difficile. Il s’agit d’une question complexe car les niveaux de service sont seulement indirectement liés à la performance financière d’une entreprise. En fait, pour certains produits, obtenir un pourcentage supplémentaire de niveau de service peut s’avérer très coûteux, et donc, si les ressources sont disponibles, elles devraient plutôt être allouées à d’autres produits, où le même niveau d’investissement rapporterait non pas 1% mais un supplément de 10% de niveau de service.

Avec les grilles de quantiles utilisées comme liste de priorité d’achat principale, il n’est même pas nécessaire de se soucier des niveaux de service car ils sont naturellement reflétés dans la priorisation elle-même.

Si le niveau de service d’un produit à marge élevée peut être augmenté à moindre coût, ce produit grimpe naturellement en haut de la liste. Inversement, si un produit souffre de ventes extrêmement erratiques rendant toute tentative d’augmentation du niveau de service extrêmement coûteuse, alors ce produit ne montera en haut de la liste que lorsque les stocks seront dangereusement bas et qu’une entreprise est presque garantie de ne pas se retrouver avec un inventaire mort malgré des modèles de demande très erratiques. La liste de priorité résout également le problème des contraintes de trésorerie. Peu importe où en est votre entreprise en termes de trésorerie, la liste de priorité vous offre une option praticable. Si vous avez très peu de liquidités disponibles, votre entreprise n’achète que ce qui est en haut de la liste, maintenant les niveaux de stock uniquement pour les produits qui ont désespérément besoin d’être réapprovisionnés. Si vous avez des liquidités supplémentaires, votre entreprise a alors la possibilité d’augmenter son inventaire en se concentrant sur les articles qui stimuleront la croissance tout en gardant les risques d’inventaire sous contrôle.

Intégrer les contraintes de la supply chain

Les entreprises doivent souvent faire face à des contraintes d’approvisionnement telles que des quantités de commande minimales, que ce soit au niveau du SKU ou au niveau de la commande. Parfois, les unités doivent être rassemblées en grands lots tels que des conteneurs. Ces contraintes peuvent être naturellement intégrées dans les processus de travail via une liste de priorité d’achat principale comme décrit ci-dessus ; non seulement cela fournit des suggestions d’achat priorisées, mais cela fournit également des recommandations compatibles avec les contraintes de commande.

Le processus exact à suivre dépend du type réel de contraintes qu’une entreprise peut avoir. Prenons par exemple les expéditions de conteneurs. Lokad peut calculer les volumes cumulés par fournisseur, en supposant que les lignes d’achat sont traitées dans l’ordre de la liste et en supposant que chaque fournisseur expédie indépendamment des autres. Sur la base de ces volumes cumulés, le processus de descendre dans la liste jusqu’à ce que la capacité du conteneur cible soit atteinte est très simple. De même, si une contrainte de quantité de commande minimale existe pour un SKU donné, dans ce cas, il est également facile de supprimer de la liste toutes les lignes qui viennent avant que la contrainte ne soit satisfaite et de reporter les quantités directement à la première ligne une fois que la contrainte est remplie.

choix
En imposant que l’achat soit fixé à un minimum de N unités, la compétitivité du SKU est dégradée, c’est-à-dire que le SKU apparaît d’abord dans la liste à un rang inférieur, ce qui correspond exactement au comportement souhaité car les risques de stocks augmentent avec les quantités de commande minimales. En particulier, cette approche répond entièrement aux défis de longue date qui avaient des conséquences négatives tant sur les prévisions classiques que sur les prévisions quantiles : que faire lorsque les quantités de réapprovisionnement suggérées sont supérieures ou inférieures aux contraintes de commande ? Si des unités doivent être retirées, quels produits devraient être les premiers à partir ? Si des unités doivent être ajoutées, quels produits devraient être achetés en plus grande quantité ? Les anciennes méthodes de prévision ne fournissaient pas de réponses satisfaisantes à ces questions. Avec une liste d’achat prioritaire, il suffit de suivre l’ordre de la liste.