Prévisions périodiques de la demande

Prévisions périodiques de la demande











Accueil » Ressources » Ici

En matière de logistique, les prévisions « périodiques » correspondent aux prévisions traditionnelles de la demande, dans lesquelles les valeurs sont calculées en fonction d'une période, en général une journée, une semaine ou un mois. Si la plupart du temps, nous recommandons l'utilisation de prévisions probabilistes de la demande, dans certains cas, les prévisions périodiques sont satisfaisantes. Le mode prévisions « périodiques » de Lokad est conçu pour générer des prévisions de série temporelles journalières.

Syntaxe générale

Le moteur de prévisions dispose d'une fonction dédiée aux prévisions périodiques journalières. La syntaxe est la suivante :

// 'T' est du type [Id, *]
table T = forecast.periodic(
  hierarchy: H1, H2, H3, H4
  category: C1, C2, C3, C4
  horizon: 56 // vecteur numérique en jours
  present: (max(Orders.Date) by 1) + 1
  demandDate: Orders.Date
  demandValue: Orders.Quantity
  censoredDemandDate: OOS.Date)

show table "Periodic" with
  Id
  T.ForecastDate
  T.Mean
  T.Sigma

La table T renvoyée par le moteur de prévisions n'est pas du type [Id, Date, *], mais du type [Id, *]. Il s'agit d'une exigence d'Envision et les dates, puisqu'elles existent dans la table « jour » ou « semaine », ne peuvent être ajoutées dynamiquement pendant l'exécution.

L'argument horizon est un vecteur numérique (ou juste un scalaire) qui peut être défini pour chaque article. L'horizon est exprimé en jours. Le moteur de prévisions ne dépend pas de l'horizon : l'utilisation d'un horizon plus long n'a pas d'impact sur les prévisions précédentes. L'horizon est utilisé uniquement pour tronquer les prévisions et garder le contrôle de la verbosité des résultats.

Les autres arguments sont identiques à leurs homologues présentés précédemment via les prévisions probabilistes de la demande.

Les valeurs journalières T.Mean renvoyées par le moteur de prévisions sont des fractions qui peuvent être inférieures à 1. En coulisses, le moteur de prévisions utilise les moyennes journalières de modèles de prévisions probabilistes.

Chaque valeur journalière est aussi associée à T.Sigma, qui représente une estimation de la racine carrée de la variance des prévisions. La variance est dérivée du modèle de prévisions probabilistes calculé par le moteur de prévisions, de façon similaire au deuxième moment central.

Erreur quadratique moyenne

Les prévisions périodiques journalières calculées par Lokad sont optimisées grâce à l'erreur quadratique moyenne, qui est utilisée comme fonction de perte par le moteur de prévisions. Intuitivement, grâce à cette dernière, les prévisions sont censées être « équilibrées » : la masse des prévisions excédentaires est censée être équivalente à celle des prévisions déficitaires.

En utilisant l'erreur quadratique moyenne comme fonction de perte, des valeurs fractionnaires peuvent être générées pour les prévisions de la demande. Ainsi, par exemple, la demande journalière prévue pour un article dont les ventes sont faibles peut être comprise entre 0 et 1.

Le moteur de prévisions génère des prévisions journalières « moyennes », à ne pas confondre avec les prévisions journalières médianes. Ces dernières sont également équilibrées, mais de façon légèrement différente : les prévisions médianes équilibrées ont 50 % de chance d'être au-dessus ou en dessous de la demande future, tandis que 50 % des prévisions « moyennes » sont au-dessus ou en dessous de la demande future.

Quand utiliser les prévisions journalières

Les prévisions périodiques journalières ne sont pas satisfaisantes lorsque la demande est intermittente ou irrégulière. Cette limite est une conséquence directe de la nature de ce type de prévisions et non une limite du moteur de prévisions en lui-même. Les moyennes journalières sont conçues pour ne pas fournir beaucoup d'informations sur l'incertitude de la demande. La variance estimée, qui est également renvoyée par le moteur de prévisions, ne résout que superficiellement ce problème.

Ainsi, de manière générale, nous recommandons de ne pas utiliser le mode prévisions « périodiques » si les séries temporelles d'entrée ne contiennent pas au moins 10 unités par jour. En dessous de 10 unités, les approches de prévisions probabilistes ont invariablement de meilleurs résultats opérationnels.