Prévisions probabilistes (2016)

Les prévisions probabilistes représentent une amélioration significative par rapport à l’ancienne génération de technologies de prévision de Lokad basée sur des grilles de quantiles. Comparées aux méthodes classiques de prévision, les prévisions probabilistes constituent une percée, offrant une précision bien supérieure, et se traduisant, à leur 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 ne cessent de les décevoir. Il a fallu des années à Lokad pour saisir pleinement l’origine du problème : on attend des approches de prévision traditionnelles qu’elles produisent des chiffres corrects. Naturellement, le futur est incertain, et lorsqu’un outil ou une solution ne parvient pas à fournir les chiffres corrects attendus, les bénéfices ne se matérialisent pas non plus. Au lieu de ne considérer qu’un unique futur possible, les prévisions probabilistes attribuent une probabilité à chacun des nombreux scénarios différents.

Dans cet épisode de LokadTV, nous comprenons comment les prévisions probabilistes peuvent être utilisées pour améliorer le fonctionnement des supply chain. Nous discutons de la précision et des limites et débattons sur la raison pour laquelle l’industrie reste encore si attachée aux techniques traditionnelles et sur ce à quoi l’avenir de la prévision est susceptible de ressembler.

Accepter l’incertitude

Selon notre expérience, aucun ajustement des modèles de prévision existants, et aucune 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, cette analyse n’est qu’une réflexion après coup. Dans la gestion de la supply chain, les coûts sont générés par des événements extrêmes : c’est la demande étonnamment élevée qui provoque des ruptures de stock et la frustration des clients, et la demande étonnamment faible qui engendre des stocks morts et, par conséquent, des radiations de stocks coûteuses. Comme tous les dirigeants le savent, les entreprises doivent espérer le meilleur mais se préparer au pire. Lorsque la demande se situe exactement là où elle était attendue, tout se déroule sans encombre. Cependant, le véritable défi commercial de la prévision n’est pas de bien performer dans les cas faciles, où tout irait bien même en s’appuyant sur une moyenne mobile naïve. 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 approche radicalement nouvelle pour aborder les prévisions, à savoir les prévisions probabilistes. En d’autres termes, une prévision probabiliste de la demande ne fournit pas simplement une estimation de la demande, mais évalue les probabilités de chaque futur possible. La probabilité d’une demande de 0 (zéro) unité est estimée, celle d’une demande de 1 unité, de 2 unités, et ainsi de suite… Chaque niveau de demande se voit attribuer une probabilité estimée jusqu’à ce que ces probabilités deviennent si faibles qu’elles peuvent être ignorées en toute sécurité.

Ces prévisions probabilistes offrent une toute nouvelle manière d’envisager l’avenir. Au lieu de rester figé dans une perspective de pensée magique, où l’on s’attend à ce que les chiffres de la prévision se concrétisent, elles rappellent que tout est toujours possible, bien que de manière inégale. Ainsi, en ce qui concerne la préparation au pire, les prévisions probabilistes offrent un moyen puissant d’équilibrer de façon quantitative les risques (alors que les prévisions traditionnelles restent aveugles à ces derniers).

Alors que l’analyse des risques tend à être une réflexion secondaire dans les approches de prévision traditionnelles, Lokad place le sujet au premier plan avec les prévisions probabilistes.

Du point de vue d’un praticien

Les prévisions probabilistes peuvent sembler très intimidantes et techniques. Pourtant, il y a de fortes chances que, si vous êtes un praticien de la supply chain, vous pratiquiez depuis des années une forme de prévision probabiliste « intuitive » : pensez à toutes les situations où vos prévisions de base ont dû être révisées à la hausse ou à la baisse, parce que les risques étaient tout simplement trop élevés… C’est exactement de cela qu’il s’agit avec les prévisions probabilistes : équilibrer correctement les décisions concrètes face à un avenir incertain. Alors que l’analyse des risques tend à être une réflexion secondaire dans les approches de prévision traditionnelles, Lokad place le sujet au premier plan avec les prévisions probabilistes.

La production de données du moteur de prévision probabiliste consiste en des distributions de probabilités. D’un point de vue pratique, bien que cette information soit extrêmement riche (il s’agit, après tout, d’un aperçu de nombreux futurs possibles !), elle est également assez peu pratique à utiliser sous forme brute. Par conséquent, Lokad fournit une plateforme complète, tous les outils nécessaires et un support d’équipe, permettant à votre entreprise de transformer ces probabilités en décisions commerciales, telles que les quantités de réapprovisionnement.

La webapp de Lokad intègre des capacités de traitement Big Data, et vous permet de créer la logique commerciale nécessaire qui transforme ces prévisions en décisions, spécifiquement adaptées à votre entreprise. Ces décisions peuvent être ajustées pour répondre à vos contraintes particulières de supply chain, telles que les quantités minimales de commande (MOQ) par exemple, à vos leviers économiques, comme les risques associés à l’expiration de la durée de vie des produits, et à vos processus, tels que les commandes d’achat quotidiennes à réaliser avant 8h chaque jour.

Robotisation grâce au machine learning

La gestion de la supply chain implique fréquemment de nombreux produits déplacés à travers de nombreux sites. Les solutions de prévision traditionnelles ont tendance à s’appuyer fortement sur des ajustements manuels chaque fois que des motifs statistiques avancés, tels que l’introduction de nouveaux produits ou les effets du cycle de vie d’un produit, se présentent. Cependant, chez Lokad, notre expérience montre que si une solution de prévision nécessite un réglage fin, il n’y a tout simplement pas de fin à ce processus : peu importe le nombre de semaines ou de mois de main-d’œuvre consacrés à faire fonctionner la solution, il y a toujours besoin de davantage de réglages fins, tout simplement parce qu’il y a trop de produits, trop de sites et que l’activité ne cesse 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 réglage fin n’est attendu pour ajuster les prévisions
• aucune maintenance n’est nécessaire pour que les prévisions restent alignées avec votre entreprise

Cette robotisation est réalisée grâce au machine learning. Intuitivement, lorsqu’on examine les produits un par un, la quantité d’information disponible par produit est généralement trop insuffisante pour mener une analyse statistique précise. Cependant, en considérant les corrélations entre tous les produits jamais vendus, il devient possible d’auto-régler les modèles de prévision ainsi que de calculer des prévisions bien meilleures qui exploitent non seulement les données d’un produit spécifique, mais aussi celles de tous les produits jugés similaires d’un point de vue prévisionnel. Les algorithmes capables de résoudre ce type de problème statistique de haute dimension sont communément appelés algorithmes de machine learning ou algorithmes de statistical learning. Lokad s’appuie précisément sur ces algorithmes – en réalité, sur un grand nombre d’entre eux – afin de fournir ses prévisions.

Comme inconvénient mineur, ces algorithmes ont tendance à consommer beaucoup plus de puissance de calcul que leurs homologues traditionnels. Cependant, ce défi est relevé grâce au cloud computing qui permet au moteur de prévision de fonctionner sans encombre, quelle que soit la quantité de données impliquées.

L’origine de nos prévisions probabilistes

Lokad n’a pas inventé la prévision probabiliste, d’autres mathématiciens l’ont fait, principalement en utilisant ce concept pour aborder un ensemble de problèmes très différent, tels que la prévision des prix des commodités 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 par quantiles (2012) et les grilles de quantiles (2015)

avant cela. Par conséquent, les prévisions probabilistes représentent en réalité la 4ème génération de notre technologie de prévision. Forts de l’expérience acquise lors des itérations précédentes de cette technologie, nous avons accumulé un savoir-faire considérable en matière de conception d’un moteur de prévision capable de couvrir un large éventail de situations commerciales.

L’idée même d’estimer des probabilités plutôt qu’une moyenne nous est venue à nos débuts, alors que nous essayions encore de faire fonctionner l’approche classique. Il nous a fallu pas mal d’échecs pour réaliser que cette approche était intrinsèquement imparfaite, et qu’aucune quantité de R&D ne pouvait réparer un cadre statistique défaillant. Le cadre statistique lui-même devait d’abord être corrigé pour que le modèle de prévision puisse fonctionner.

De plus, chaque itération de notre moteur de prévision a constitué une généralisation – d’un point de vue mathématique – par rapport à la version précédente, chaque nouvelle génération étant capable de gérer davantage de situations que la précédente. En effet, il vaut mieux être approximativement correct qu’exactement faux. Les situations les plus difficiles se présentent lorsque le moteur de prévision ne peut générer des prévisions les plus appropriées pour une situation commerciale donnée, parce que le moteur n’est pas assez expressif. Ou lorsque le moteur ne peut traiter les données d’entrée réellement pertinentes pour obtenir des insights statistiques sur une situation, car, une fois de plus, il manque d’expressivité. Chez Lokad, la prévision est un travail en cours. Bien que nous soyons fiers de ce que nous avons bâti avec notre moteur de prévision probabiliste, ce n’est pas la fin de nos efforts. Contrairement aux solutions sur site, où la mise à jour vers un nouvel outil représente un défi en soi, les clients de Lokad bénéficient de notre moteur de prévision de nouvelle génération dès qu’il est disponible.

Nos FAQs de prévision