Prévisions Probabilistes (2016)

Les prévisions probabilistes sont le paradigme actuellement utilisé chez Lokad. Cependant, depuis sa mise en place en 2016, la technologie soutenant ce paradigme a évolué. Voir aussi notre introduction aux prévisions probabilistes.
probabilistic-forecasting-graph
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.
probabilistic-forecasting-graph
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.

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.

power-clouds 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.

reorder_quantities

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
Robotization-through-machine-learning
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)

graph-work-in-progress

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

Quels modèles de prévision utilisez-vous ?

Nous utilisons beaucoup de modèles de prévision. La plupart des modèles que nous utilisons de nos jours seraient considérés comme des algorithmes d’apprentissage automatique. Ces modèles ont été développés par Lokad et n’ont généralement pas de contreparties nommées dans la littérature scientifique. Lorsque nous avons commencé en 2008, nous avions réimplémenté tous les classiques (Box-Jenkins, ARIMA, Holt-Winters, lissage exponentiel, etc.); mais ces modèles sont tombés en désuétude car ils ne peuvent tout simplement pas rivaliser avec nos modèles les plus récents.

Comment choisissez-vous le(s) modèle(s) à utiliser ?

Choisir le bon modèle ou la bonne combinaison convexe de modèles est la moitié du combat lorsqu’il s’agit de construire une bonne prévision en premier lieu. D’un point de vue statistique, un système capable de choisir toujours le “meilleur” modèle serait strictement équivalent à un système qui choisit toujours les prévisions “parfaites”. En pratique, notre moteur de prévision s’appuie fortement sur le backtesting pour sélectionner le meilleur ensemble de modèles.

Votre moteur de prévision gère-t-il la saisonnalité, les tendances, les jours de la semaine ?

Oui, le moteur de prévision gère toutes les cyclicités courantes. Nos modèles utilisent également intensivement une approche de séries temporelles multiples pour exploiter les cyclicités observées dans d’autres produits afin d’améliorer la précision des prévisions de n’importe quel produit donné. Naturellement, deux produits peuvent partager la même saisonnalité, mais pas le même modèle de jours de la semaine. Nous avons des modèles pour gérer cela également.

De quelles données avez-vous besoin ?

Pour prévoir la demande, le moteur de prévision a besoin - au minimum - de l’historique de la demande quotidienne, et fournir un historique des commandes désagrégé est encore mieux. En ce qui concerne la longueur de l’historique - plus il est long, mieux c’est. Alors qu’aucune saisonnalité ne peut être détectée avec moins de 2 ans d’historique, nous considérons que 3 ans d’historique est bon, et 5 ans excellent. Pour prévoir les délais de livraison, le moteur nécessite généralement que les bons de commande contiennent à la fois les dates de commande et les dates de livraison. Spécifier les attributs de votre produit ou SKU aide également à affiner considérablement les prévisions. De plus, fournir vos niveaux de stocks est également très utile pour nous permettre de vous fournir une première analyse de stocks significative.

Pouvez-vous prévoir mon fichier Excel ?

En règle générale, si toutes vos données tiennent dans une feuille Excel, alors nous ne pouvons généralement pas faire grand-chose pour vous ; et pour être honnête, personne ne le peut non plus. Les données de tableur sont susceptibles d’être agrégées par semaine ou par mois, et la plupart des informations historiques sont perdues par le biais de cette agrégation. De plus, dans ce cas, votre feuille de calcul ne contiendra pas non plus beaucoup d’informations sur les catégories et les hiérarchies qui s’appliquent à vos produits. Notre moteur de prévision exploite toutes les données que vous avez, et effectuer un test sur un petit échantillon ne donnera pas de résultats satisfaisants.

Et les ruptures de stock et les promotions ?

Les ruptures de stock et les promotions représentent un biais dans les ventes historiques. Comme l’objectif est de prévoir la demande, et non les ventes, ce biais doit être pris en compte. Une façon fréquente - mais incorrecte - de traiter ces événements consiste à réécrire l’historique, pour combler les lacunes et tronquer les pics. Cependant, nous n’aimons pas cette approche, car elle consiste à fournir des prévisions au moteur de prévision, ce qui peut entraîner des problèmes de surajustement majeurs. Au lieu de cela, notre moteur prend en charge nativement des “drapeaux” qui indiquent où la demande a été censurée ou gonflée.

Prévoyez-vous les nouveaux produits ?

Oui, nous le faisons. Cependant, pour prévoir les nouveaux produits, le moteur a besoin des dates de lancement des autres produits “plus anciens”, ainsi que de leur demande historique au moment du lancement. De plus, il est conseillé de spécifier certaines de vos catégories de produits et/ou une hiérarchie de produits. Le moteur prévoit en effet les nouveaux produits en détectant automatiquement les produits “plus anciens”, qui peuvent être considérés comme comparables aux nouveaux. Cependant, comme aucune demande n’a encore été observée pour les nouveaux articles, les prévisions reposent entièrement sur les attributs qui leur sont associés.

Est-il possible d’ajuster les prévisions ?

Près d’une décennie d’expérience en prévision statistique nous a appris maintes fois que ajuster les prévisions n’est jamais une bonne idée. Si les prévisions doivent être ajustées, alors il y a probablement un bug dans le moteur de prévision qui doit être corrigé. S’il n’y a pas de bug à corriger, et que les prévisions sont effectuées comme prévu d’un point de vue statistique, alors les ajuster est probablement la mauvaise réponse au problème. Généralement, le besoin d’ajuster les prévisions reflète le besoin de prendre en compte un moteur économique de quelque nature ; qui impacte l’analyse des risques “au-dessus” de la prévision, mais pas la prévision elle-même.

Avez-vous de l’expérience dans mon secteur ?

Nous avons de l’expérience dans de nombreux secteurs : mode, produits frais, biens de consommation, électronique, pièces détachées, aérospatiale, fabrication légère, fabrication lourde, etc. Nous travaillons également avec divers types d’acteurs de l’industrie : entreprises de e-commerce, grossistes, importateurs, fabricants, distributeurs, chaînes de vente au détail, etc. Le moyen le plus simple de savoir si nous avons de l’expérience dans votre secteur est de nous contacter directement.

Utilisez-vous des données externes pour affiner les prévisions ?

Non. Bien que vos prévisions bénéficient de tout le savoir-faire et du réglage global du système que nous avons acquis en travaillant avec d’autres clients, vos prévisions ne contiennent aucune donnée obtenue à partir de sources de données externes, que ce soit d’autres clients de Lokad ou de jeux de données publics. De même, vos données ne sont jamais utilisées que dans le cadre d’objectifs explicitement associés à votre compte d’entreprise, et rien d’autre.