Prévisions Probabilistes (2016)

Les prévisions probabilistes représentent une amélioration significative par rapport à la génération précédente de technologie de prévision de Lokad basée sur des grilles de quantiles. Comparées aux méthodes de prévision classiques, les prévisions probabilistes représentent une avancée majeure, offrant une précision beaucoup plus élevée, se traduisant à son tour par des gains opérationnels en ce qui concerne la supply chain, les stocks ou la production. De nombreuses entreprises sont frustrées par des prévisions qui échouent constamment. Il a fallu des années à Lokad pour comprendre pleinement la racine du problème : les approches de prévision traditionnelles sont censées produire des chiffres corrects. Naturellement, l’avenir est incertain, et lorsqu’un outil ou une solution donné échoue à fournir les chiffres corrects attendus, les avantages ne se concrétisent pas non plus. Au lieu de prendre en compte un seul avenir possible, les prévisions probabilistes attribuent une probabilité à chacun des différents résultats possibles.

LokadTV - Épisode 11 - Prévision Probabiliste

Dans cet épisode de LokadTV, nous comprenons comment les prévisions probabilistes peuvent être utilisées pour améliorer le fonctionnement des supply chains. Nous discutons de la précision et des limites, et nous débattons sur pourquoi l'industrie est toujours si attachée à des techniques plus traditionnelles et à quoi pourrait ressembler l'avenir de la prévision.

Aller à Lokad TV

Embracing uncertainty

Dans notre expérience, aucun ajustement fin des modèles de prévision existants, et aucune quantité de R&D pour développer de meilleurs modèles - au sens traditionnel - ne peut résoudre ce problème. Des méthodes comme l’analyse des stocks de sécurité sont censées gérer l’incertitude, mais en pratique, l’analyse des stocks de sécurité n’est qu’une réflexion après coup. En gestion de la supply chain, les coûts sont générés par des événements extrêmes : c’est la demande étonnamment élevée qui génère des ruptures de stock et de la frustration client, et la demande étonnamment faible qui génère des stocks morts et par conséquent des dépréciations coûteuses des stocks. Comme tous les dirigeants le savent, les entreprises devraient espérer le meilleur, mais se préparer au pire. Lorsque la demande est exactement là où elle était prévue, tout se passe bien. Cependant, le défi principal de la prévision n’est pas de bien se comporter dans les cas faciles, où tout se passe bien même en considérant une simple moyenne mobile. Le défi principal est de gérer les cas difficiles ; ceux qui perturbent votre supply chain et rendent tout le monde fou.

Lokad a développé une nouvelle façon radicale d'aborder les prévisions, à savoir les prévisions probabilistes. En termes simples, une prévision probabiliste de la demande ne donne pas seulement une estimation de la demande, mais évalue les probabilités de chaque futur possible. La probabilité de 0 (zéro) unité de demande est estimée, la probabilité de 1 unité de demande est estimée, de 2 unités de demande, et ainsi de suite... Chaque niveau de demande obtient sa probabilité estimée jusqu'à ce que les probabilités deviennent si faibles qu'elles peuvent être ignorées en toute sécurité.

Ces prévisions probabilistes offrent une toute nouvelle façon de regarder vers l’avenir. Au lieu d’être bloqué dans une perspective de pensée positive, où les chiffres de prévision sont censés se concrétiser, les prévisions probabilistes vous rappellent que tout est toujours possible, mais pas tout à fait également probable. Ainsi, en ce qui concerne la préparation au pire, les prévisions probabilistes offrent un moyen puissant d’équilibrer quantitativement les risques (alors que les prévisions traditionnelles restent aveugles à ces derniers).

Alors que l’analyse des risques tend à être une réflexion après coup dans les approches de prévision traditionnelles, Lokad met en avant le cas avec les prévisions probabilistes.

Du point de vue d’un praticien

Les prévisions probabilistes peuvent sembler très intimidantes et techniques. Pourtant, il est fort probable que si vous êtes un praticien de la supply chain, vous faites déjà de la prévision probabiliste “intuitive” depuis des années : pensez à toutes les situations où vos prévisions de base ont dû être révisées à la hausse ou à la baisse, car les risques étaient tout simplement trop grands… C’est exactement de cela qu’il s’agit avec les prévisions probabilistes : équilibrer correctement les décisions du monde réel face à un avenir incertain. Alors que l’analyse des risques tend à être une réflexion après coup dans les approches de prévision traditionnelles, Lokad met en avant le cas avec les prévisions probabilistes.

La sortie de données du moteur de prévision probabiliste se présente sous forme de distributions de probabilités. D’un point de vue pratique, bien que cette information soit extrêmement riche (après tout, c’est un aperçu de nombreux futurs possibles !), elle est également assez impraticable à utiliser sous sa forme brute. En conséquence, Lokad fournit une plateforme complète, tous les outils nécessaires et un support d’équipe, pour permettre à votre entreprise de transformer ces probabilités en décisions commerciales, telles que les quantités de réapprovisionnement.

L’application web de Lokad dispose de capacités de traitement de Big Data, et vous permet de créer la logique métier nécessaire pour transformer ces prévisions en décisions, spécifiquement adaptées à votre entreprise. Ces décisions peuvent être ajustées pour répondre à vos contraintes spécifiques en matière de supply chain, telles que les quantités de commande minimales (MOQs) par exemple, vos moteurs économiques, tels que les risques associés à l’expiration de la durée de conservation, et vos processus, tels que les commandes d’achat quotidiennes à passer avant 8 heures chaque jour.

Robotisation grâce à l’apprentissage automatique

La gestion de la supply chain implique fréquemment de nombreux produits déplacés à travers de nombreux endroits. Les solutions de prévision traditionnelles ont tendance à s’appuyer fortement sur des ajustements assez manuels chaque fois que des modèles statistiques avancés, tels que de nouveaux produits ou des effets de cycle de vie des produits, sont impliqués. Cependant, chez Lokad, notre expérience indique que si une solution de prévision nécessite un ajustement fin, il n’y a tout simplement pas de fin : peu importe le nombre de semaines ou de mois de travail humain dédiés à faire fonctionner la solution, il y a un besoin constant de plus d’ajustements fins, simplement parce qu’il y a trop de produits, trop d’emplacements et que l’entreprise continue d’évoluer.

Par conséquent, chez Lokad, nous avons décidé d’opter pour une robotisation complète du processus de prévision. Cela signifie que

• aucune connaissance statistique n’est requise pour obtenir des prévisions
• aucun ajustement fin n’est attendu pour ajuster les prévisions
• aucun entretien n’est nécessaire pour maintenir les prévisions alignées avec votre entreprise

Cette robotisation est réalisée grâce à l’apprentissage automatique. Intuitivement, en examinant les produits un par un, la quantité d’informations disponible par produit est généralement trop insignifiante pour effectuer une analyse statistique précise. Cependant, en examinant les correlations entre tous les produits jamais vendus, il devient possible d’ajuster automatiquement les modèles de prévision ainsi que de calculer des prévisions bien meilleures qui exploitent non seulement les données d’un produit spécifique lui-même, mais aussi les données de tous les produits considérés comme similaires du point de vue de la prévision. Les algorithmes capables de résoudre ce type de problème statistique de haute dimension sont communément appelés algorithmes d’apprentissage automatique ou algorithmes d’apprentissage statistique. Lokad exploite précisément ces algorithmes - beaucoup d’entre eux en fait - afin de fournir ses prévisions.

Comme inconvénient mineur, ces algorithmes consomment beaucoup plus de puissance de traitement que leurs homologues traditionnels. Cependant, ce défi est relevé grâce au cloud computing qui permet de maintenir le moteur de prévision en marche en douceur, peu importe la quantité de données impliquée.

L’origine de nos prévisions probabilistes

Lokad n’a pas inventé la prévision probabiliste, d’autres mathématiciens l’ont fait, principalement en utilisant le concept pour résoudre un ensemble très différent de problèmes tels que la prévision des prix des matières premières ou la prévision météorologique. De plus, Lokad n’a pas utilisé la prévision probabiliste dès le début ; nous sommes passés par la prévision classique (2008), la prévision des quantiles (2012) et les grilles de quantiles (2015)

avant cela. En conséquence, les prévisions probabilistes sont en fait la 4e génération de notre technologie de prévision. Grâce à l’expérience acquise lors des itérations précédentes de cette technologie, nous avons acquis une quantité considérable de savoir-faire en matière de conception d’un moteur de prévision adapté à une large gamme de situations commerciales.

L’idée même d’estimer des probabilités plutôt qu’une moyenne est venue de nos premières années lorsque nous essayions encore de faire fonctionner l’approche classique. Il nous a fallu plusieurs échecs pour réaliser que l’approche classique était intrinsèquement défectueuse, et qu’aucune quantité de R&D ne pouvait réparer un cadre statistique défectueux. Le cadre statistique lui-même devait d’abord être corrigé pour que le modèle de prévision fonctionne.

En outre, chaque itération de notre moteur de prévision a été une généralisation - d’un point de vue mathématique - de la version précédente, chaque nouvelle génération de notre moteur de prévision étant capable de gérer plus de situations que la précédente. En effet, il vaut mieux être approximativement correct qu’exactement faux. Les situations les plus difficiles surviennent lorsque le moteur de prévision ne peut pas générer des prévisions qui seraient les plus appropriées pour s’adapter à une situation commerciale donnée parce que le moteur n’est pas assez expressif. Ou lorsque le moteur de prévision ne peut pas traiter les données d’entrée qui seraient vraiment pertinentes pour obtenir des informations statistiques sur une situation donnée parce que, une fois de plus, le moteur manque d’expressivité. Chez Lokad, la prévision est un travail en cours. Bien que nous soyons fiers de ce que nous avons construit avec notre moteur de prévision probabiliste, ce n’est pas la fin de nos efforts. Contrairement aux solutions sur site, où la mise à niveau vers un nouvel outil est un défi en soi, les clients de Lokad bénéficient de notre moteur de prévision de nouvelle génération dès qu’il est disponible.

Nos FAQ sur la prévision