La prévision avec Quantile Grids (2015)

Les Quantile Grids 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 traditionnelles de prévision fonctionnent mal, surtout pour le commerce. La cause fondamentale de ce problème est simple : l’avenir est incertain. Les prévisions classiques tentent de prédire la valeur unique et exacte de la demande future, et elles échouent dans cette tâche. Essayer désespérément de corriger les prévisions classiques dans l’espoir de prédire la demande future « correcte » relève du délire. Les Quantile grids adoptent une approche complètement différente à ce sujet.

Avec les Quantile grids, Lokad ne prédit pas une seule valeur de demande future pour un produit donné, mais l’ensemble de la distribution de probabilité de la demande ; c’est-à-dire la probabilité d’avoir une demande de zéro unité, puis d’une unité, puis de deux unités, etc. Cette information est infiniment plus riche et peut être exploitée de manière bien plus rentable que les prévisions classiques.

Introduction pour le non-statisticien

Alors que vous lisez ces lignes, si vous n’êtes pas statisticien, vous pouvez vous demander si votre entreprise a une chance de réussir à faire quelque chose de sensé avec ces soi-disant “quantile grids”. 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 que ce terme est intimidant, remplacez mentalement quantile grids par des prévisions qui fonctionnent réellement, et cela suffira. La grande majorité des entreprises qui utilisent Lokad n’a aucune compétence en statistiques. Le filtre anti-spam associé à votre boîte de réception utilise également des statistiques avancées, et il ne faut pas avoir un doctorat pour utiliser une boîte de réception.

Lokad fait à peu près la même chose pour le commerce. Nous utilisons l’apprentissage automatique avancé pour rendre votre entreprise plus rentable, et la technologie qui le sous-tend est désormais si avancée que vous n’avez plus vraiment à vous en soucier.

Ci-dessous, nous décrivons ce qui se passe en coulisses chez Lokad, mais soyez assuré que vous pouvez utiliser Lokad même si vous ne comprenez pas parfaitement ce qui entre dans notre moteur de prévision – de la même manière que vous pouvez utiliser un filtre anti-spam sans être familier avec l’inférence bayésienne probabiliste.

Repenser la prévision pour le commerce

De nombreux fournisseurs se targuent d’utiliser des méthodes de prévision « avancées » telles que ARIMA, Box-Jenkins et Holt-Winters, qui datent en réalité de près d’un demi-siècle; elles ont toutes été conçues à une époque où les ordinateurs d’entreprise les plus puissants avaient moins de capacité de calcul que ne possèdent la plupart des réfrigérateurs de nos jours. Les personnes qui ont inventé ces méthodes étaient exceptionnellement intelligentes, mais elles ont dû se contenter des ressources informatiques de leur époque et ont donc donné la préférence à des modèles pouvant 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 un coût très faible.

Gardez à l’esprit que 1000 heures de puissance de calcul coûtent moins de 50 $ lorsqu’on utilise une plateforme de cloud computing. Évidemment, cela ouvre des perspectives radicalement nouvelles pour la prévision, et c’est exactement ces perspectives que Lokad explore intensivement. Les Quantile Grids 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 les prévisions classiques en 2008, première version de notre technologie de prévision, et malgré trois années d’énormes efforts de R&D de la part de l’équipe de Lokad, l’approche classique s’est avérée être une impasse. Nous n’avons jamais vraiment réussi à satisfaire profondément un seul client avec les prévisions classiques. En apprenant davantage sur les expériences de nos clients avec d’autres fournisseurs de prévisions, il s’est avéré qu’aucune entreprise n’était même proche d’être satisfaite de la technologie de prévision qu’elle avait acquise. Ce problème n’était pas propre à Lokad, et nous avons réalisé que toute l’industrie de la prévision était dysfonctionnelle; nous avons donc décidé d’agir.

En 2012, Lokad a lancé la deuxième version de sa technologie de prévision, nom de code Quantile Forecasts. Tout simplement, les prévisions quantiles répondent au problème numéro 1 qui afflige les prévisions classiques : ces dernières ne considèrent tout simplement pas le bon problème.

En effet, le défi pour les entreprises est d’éviter deux extrêmes : une demande anormalement élevée qui provoque des ruptures de stock, et une demande anormalement faible qui conduit à une accumulation de stocks morts. Ce qui se passe au milieu, lorsque la demande future est à peu près « telle qu’attendue », importe peu d’un point de vue commercial.

Pourtant, les prévisions classiques, qu’elles soient basées sur la moyenne ou la médiane, ignorent complètement ces situations « extrêmes » et se concentrent uniquement 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 quantiles abordent le défi de front et examinent directement le scénario d’intérêt, par exemple l’évitement des ruptures de stock, et s’efforcent de fournir une réponse précise à ce problème. Brusquement, 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 lancé la troisième version de sa technologie de prévision, les quantile grids. Bien que les prévisions quantiles constituaient déjà une amélioration radicale par rapport aux prévisions classiques, elles présentaient encore des faiblesses. Au fil de nos nombreuses expériences avec des dizaines de déploiements de notre technologie de prévision quantile, nous nous sommes rendu compte que, bien que l’idée de produire une prévision pour un seul scénario commercial soit pertinente, elle n’était pas entièrement complète. Pourquoi se limiter à ce seul scénario ? Pourquoi pas un deuxième scénario, voire un troisième ? La gestion manuelle de scénarios multiples s’est avérée fastidieuse, et nous avons réalisé que tous les scénarios devaient être prévus simultanément. D’un point de vue informatique, cela était nettement plus coûteux : pour chaque produit, nous calculions les probabilités respectives de (presque) chaque niveau de demande. Cependant, bien que le nombre de calculs requis semble colossal, les prix des ressources de calcul ont également chuté de manière vertigineuse au fil des années. Et ce que nous aurions considéré comme trop coûteux il y a 5 ans est désormais tout à fait abordable. En 2015, Lokad a lancé la troisième version de sa technologie de prévision, les quantile grids. Bien qu’extrêmement intensifs en calcul, les quantile grids sont désormais abordables grâce à la forte baisse des ressources de cloud computing.

Prendre en compte l’ensemble de la distribution de probabilité de la demande

La demande future est incertaine. Toute tentative de représenter la demande future par une seule valeur est quelque peu naïve, car peu importe la qualité de cette valeur, elle ne pourra jamais raconter toute l’histoire. Bien qu’il serait appréciable de disposer d’un système « magique » capable de prédire précisément le niveau de la demande future, cela relève également du délire. Lorsque les gens essaient de gérer une prévision erronée, il est très tentant de tenter de « corriger » cette prévision. Malheureusement, la prévision statistique va à l’encontre de l’intuition, et la réalité est qu’il n’y a fréquemment rien à corriger : la valeur prévisionnelle est l’un des résultats parfaitement valides et possibles pour la demande future.

Le système peut potentiellement être ajusté un peu pour produire des valeurs légèrement plus probables pour la demande future, mais c’est à peu près tout. Votre entreprise se voit donc obtenir des valeurs pour la demande future seulement légèrement plus probables, ce qui ne se traduit pas par un accroissement de l’activité commerciale tel qu’on pourrait s’y attendre.

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

Par exemple, si l’on considère un produit vendu de manière peu fréquente avec un délai de livraison de 2 semaines, la distribution de la demande sur les 2 prochaines semaines (généralement, l’horizon de prévision doit correspondre au délai de livraison) pour ce produit peut être représentée comme suit :

Penser à l’avenir d’un point de vue entièrement probabiliste peut sembler compliqué, mais cela représente en réalité ce que fait déjà chaque dirigeant d’entreprise, certes de manière moins formelle : évaluer les chances de certains résultats et se prémunir contre les risques concernant leur activité afin d’être bien préparé face aux scénarios les plus pertinents. Du point de vue du moteur de prévision, puisque nous ne connaissons pas à l’avance quels seraient les scénarios les plus pertinents, la solution logique — quoique quelque peu brutale — consiste à traiter tous les scénarios possibles. Cependant, en supposant qu’une entreprise ait à prévoir mille produits (et que certains de nos clients aient des millions de SKUs à gérer), et que Lokad calcule les probabilités associées à 100 scénarios pour chaque produit, les quantile grids produiraient une énorme liste contenant 100 000 entrées, ce qui ne paraît pas pratique à traiter. Nous en arrivons à ce point dans la section suivante.

Prioriser les décisions supply chain

Pour chaque décision d’achat, nous pouvons noter un simple calcul approximatif, la formule « résultat » qui dépend de la demande future par rapport à la décision d’achat actuelle. Ensuite, chaque décision peut être notée en fonction de la probabilité respective de chaque niveau de demande future.

Les prévisions de demande sont le plus souvent utilisées pour orienter les décisions supply chain, telles que passer des commandes d’achat pour le commerce ou déclencher une série de production dans un environnement industriel. Une fois que nous disposons de toutes les probabilités associées à tous les résultats futurs, il est possible d’élaborer une liste complète de priorités de toutes les décisions d’achat. En effet, pour chaque décision d’achat, nous pouvons établir un simple calcul approximatif, la formule « résultat » : en supposant que la demande sera de D unités et en supposant que nous achetons P unités, le résultat financier sera de X. Inutile de dire que Lokad est là pour vous aider à rédiger cette formule succincte, 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 cette formule établie, pour chaque décision supply chain, telle que « acheter 1 unité du produit Z », les résultats peuvent être pondérés en fonction des probabilités de chaque futur possible. Ce faisant, nous calculons le « score » de chaque décision possible.

Une fois que chaque décision a été notée, il est possible de hiérarchiser toutes ces décisions en plaçant les options les plus rentables en tête de liste. Nous appelons cette liste la master purchase priority list. Il s’agit d’une liste où chaque produit apparaît sur de nombreuses lignes. En effet, bien qu’acheter 1 unité du produit Z puisse constituer la décision d’achat la mieux classée (c’est-à-dire l’achat le plus urgent), l’achat de la prochaine unité du produit Z ne serait que la 20e décision d’achat la plus urgente, avec entre-temps de nombreuses autres unités d’autres produits à acheter.

La master list répond à une question très simple : si l’entreprise dispose d’un dollar supplémentaire à investir dans ses stocks, où ce dollar devrait-il être affecté en premier ? Eh bien, ce dollar devrait être alloué à l’article qui génère le rendement maximal pour votre entreprise. Ensuite, une fois cet article acquis, il est possible de poser la même question. Cependant, cette fois, une fois cette unité supplémentaire acquise, l’article le plus rentable à acheter sera probablement différent, car il y a de forts rendements décroissants lorsqu’on accumule trop d’un même article dans vos stocks. En effet, plus vous disposez de stocks, moins ceux-ci se renouvellent, et plus vos probabilités d’être coincé avec des stocks morts augmentent. Ces problèmes se reflètent naturellement dans la formule « résultat » et dans la hiérarchisation qui en découle.

Mieux que d’ajuster les taux de service

Déterminer les taux de service « optimaux », c’est-à-dire les probabilités souhaitées de ne pas subir de rupture de stock, est un exercice très difficile. Il s’agit d’un problème complexe car les taux de service ne sont liés qu’indirectement à la performance financière d’une entreprise. En fait, pour certains produits, obtenir un pourcentage supplémentaire de taux de service peut s’avérer extrêmement coûteux, et par conséquent, si des ressources sont facilement disponibles, elles devraient plutôt être allouées à d’autres produits, où le même niveau d’investissement ne produirait pas 1 % mais un taux de service supplémentaire de 10 %.

Avec les Quantile Grids utilisés comme master purchase priority list, il n’est même pas nécessaire de se soucier des taux de service, ceux-ci étant naturellement reflétés dans la hiérarchisation elle-même.

Si le taux de service d’un produit à forte marge peut être augmenté à moindre coût, ce produit monte naturellement en tête de liste. Inversement, si un produit subit des ventes extrêmement erratiques, rendant toute tentative d’augmentation du taux de service extrêmement coûteuse, alors ce produit ne grimpe en tête de liste que lorsque les stocks sont dangereusement faibles et lorsqu’une entreprise est presque garantie de ne pas se retrouver avec des stocks morts malgré des modèles de demande très erratiques. La liste de priorité résout également le problème des contraintes de liquidités. Quelle que soit la situation de votre entreprise en matière de liquidités, la liste de priorité vous offre une option réalisable. Si vous disposez de très peu de liquidités, votre entreprise n’achète que ce qui se trouve en tête de liste, ne maintenant le stock que pour les produits qui nécessitent désespérément d’être réapprovisionnés. Si vous disposez de liquidités supplémentaires, votre entreprise a alors la possibilité d’augmenter ses stocks en se concentrant sur les articles qui stimuleront le plus fort taux de croissance tout en gardant les risques de stocks sous contrôle.

Intégrer les contraintes de supply chain

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

Le processus exact à suivre dépend du type réel de contraintes auxquelles une entreprise peut être confrontée. Prenons, par exemple, les expéditions par conteneur. Lokad peut calculer les volumes cumulatifs 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 cumulatifs, le processus consistant à descendre la liste jusqu’à ce que la capacité cible du conteneur soit atteinte est très simple. De même, si une contrainte de quantité de commande minimale existe pour un SKU donné, il est également aisé de retirer de la liste toutes les lignes qui précèdent la satisfaction de la contrainte et de reporter les quantités directement à la première ligne une fois la contrainte remplie.

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 est exactement le comportement voulu puisque les risques de stocks augmentent avec les quantités minimales de commande. 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 certaines unités doivent être retirées, quels produits devraient être les premiers à disparaître ? 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 de priorité d’achat, il suffit simplement de suivre l’ordre de la liste.