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 expliquons comment les prévisions probabilistes peuvent améliorer le fonctionnement des supply chains. Nous abordons leur précision et leurs limites, les raisons de l’attachement du secteur aux techniques traditionnelles et l’avenir probable de la prévision.
Accepter l’incertitude
Selon notre expérience, ni l’ajustement des modèles existants ni la R&D visant à développer de meilleurs modèles au sens traditionnel ne peuvent résoudre ce problème, quels que soient les efforts consentis. Des méthodes comme l’analyse des stocks de sécurité sont censées gérer l’incertitude, mais celle-ci est, en pratique, traitée après coup. Dans la gestion de la supply chain, les événements extrêmes déterminent les coûts : une demande étonnamment forte provoque ruptures de stock et frustration des clients ; une demande étonnamment faible crée des stocks morts et des pertes coûteuses lors de leur dépréciation. Comme tous les dirigeants le savent, il faut espérer le meilleur et se préparer au pire. Lorsque la demande correspond exactement aux attentes, tout se passe bien. Le défi de la prévision n’est donc pas de réussir les cas faciles, où une simple moyenne mobile ferait déjà l’affaire. Il est de gérer les cas difficiles, ceux qui perturbent la 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.
Les prévisions probabilistes offrent une toute nouvelle manière d’envisager l’avenir. Au lieu de prendre ses désirs pour des réalités en attendant que les chiffres prévus se concrétisent, elles rappellent que tout reste possible, mais pas avec la même probabilité. Pour se préparer au pire, elles permettent ainsi d’arbitrer quantitativement entre les risques, auxquels les prévisions traditionnelles restent aveugles.
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.
Le moteur de prévision probabiliste produit des distributions de probabilités. Ces informations sont extrêmement riches, puisqu’elles donnent un aperçu de nombreux futurs possibles, mais peu commodes à utiliser telles quelles. Lokad fournit donc une plateforme complète, tous les outils nécessaires et l’accompagnement de son équipe pour permettre à votre entreprise de transformer ces probabilités en décisions opérationnelles, comme les quantités à réapprovisionner.
L’application web de Lokad traite de grands volumes de données et permet de créer la logique métier qui transforme ces prévisions en décisions adaptées à votre entreprise. Ces décisions peuvent tenir compte de vos contraintes de supply chain, comme les quantités minimales de commande (MOQ), de vos facteurs économiques, comme les risques de péremption, et de vos processus, comme les commandes d’achat à passer chaque jour avant 8 h.
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
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. Des mathématiciens l’avaient déjà développée pour des problèmes très différents, comme la prévision des cours des matières premières ou la prévision météorologique. Lokad ne l’a pas non plus utilisée dès le départ : nous sommes d’abord 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 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 de nombreux échecs pour comprendre qu’elle était fondamentalement défaillante et qu’aucun effort de R&D ne pouvait compenser un cadre statistique erroné. Il fallait d’abord corriger ce cadre 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.
Questions fréquentes sur nos prévisions
Quels modèles de prévision utilisez-vous ?
Nous utilisons de nombreux modèles de prévision. La plupart des modèles que nous utilisons de nos jours seraient considérés comme des algorithmes de machine learning. Ces modèles ont été développés par Lokad, et n’ont généralement pas d’équivalents nommés 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 représente la moitié du travail nécessaire pour établir une bonne prévision. D’un point de vue statistique, un système capable de toujours choisir le « meilleur » modèle serait strictement équivalent à un système choisissant toujours des prévisions « parfaites ». En pratique, notre moteur s’appuie largement sur le backtesting pour sélectionner le meilleur ensemble de modèles.
Est-ce que votre moteur de prévision gère la saisonnalité, les tendances, les jours de la semaine ?
Oui, le moteur de prévision gère toutes les cyclicités courantes. Nos modèles utilisent également de manière intensive une approche multi-séries temporelles pour exploiter les cyclicités observées chez d’autres produits, améliorant ainsi la précision de prévision de chacun. Naturellement, deux produits peuvent partager la même saisonnalité, mais pas le même schéma des jours de la semaine. Nous disposons également de modèles pour gérer ce point.
De quelles données avez-vous besoin ?
Pour prévoir la demande, le moteur de prévision doit être fourni – au minimum – avec l’historique quotidien de la demande, et il est encore préférable de disposer d’un historique désagrégé des commandes. Quant à la durée de l’historique, plus celui-ci est long, mieux c’est. Bien qu’aucune saisonnalité ne puisse être détectée avec moins de 2 ans d’histoire, nous considérons que 3 ans d’historique sont corrects, et 5 ans excellents. Pour prévoir les délais, le moteur exige généralement que les bons de commande contiennent à la fois les dates de commande et les dates de livraison. La spécification de vos attributs de produit ou SKU aide également à affiner considérablement les prévisions. De plus, fournir vos niveaux de stocks nous est très utile pour vous offrir une première analyse significative des stocks.
Pouvez-vous prévoir mon fichier Excel ?
En règle générale, si toutes vos données tiennent sur une seule feuille Excel, alors nous ne pouvons généralement pas faire grand-chose pour vous ; et pour être honnête, personne ne le peut. Les données d’un tableur sont susceptibles d’être agrégées par semaine ou par mois, et la majeure partie des informations historiques se perd par ce biais. De plus, dans ce cas, votre feuille de calcul ne contiendra pas beaucoup d’informations sur les catégories et hiérarchies applicables à vos produits. Notre moteur de prévision exploite l’ensemble de vos données, et tester sur un très petit échantillon ne donnera pas de résultats satisfaisants.
Qu’en est-il des ruptures de stock et des promotions ?
Les ruptures de stock et les promotions introduisent un biais dans l’historique des ventes. Puisque l’objectif est de prévoir la demande, et non les ventes, ce biais doit être pris en compte. Une pratique fréquente, mais incorrecte, consiste à réécrire l’historique pour combler les creux et tronquer les pics. Nous rejetons cette approche : elle alimente le moteur de prévision avec des prévisions et peut entraîner d’importants problèmes de surapprentissage. Notre moteur gère plutôt, de façon native, des indicateurs signalant où la demande a été censurée ou amplifiée.
Prévoyez-vous de nouveaux produits ?
Oui, nous le faisons. Cependant, pour prévoir de nouveaux produits, le moteur requiert les dates de lancement des autres “plus anciens” produits, ainsi que 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 effectivement de nouveaux produits en autodétectant 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 maintes fois appris qu’ajuster les prévisions n’est jamais une bonne idée. Si elles doivent être ajustées, le moteur comporte probablement un bug à corriger. En l’absence de bug, si les prévisions fonctionnent comme prévu sur le plan statistique, les ajuster est probablement une mauvaise réponse au problème. Ce besoin traduit généralement la nécessité de prendre en compte un facteur économique. Celui-ci influe sur l’analyse des risques fondée sur la prévision, mais pas sur la prévision elle-même.
Avez-vous de l’expérience avec mon secteur ?
Nous avons de l’expérience avec de nombreux secteurs : mode, produits frais, biens de consommation, électronique, pièces détachées, aéronautique, industrie légère, industrie lourde, etc. Nous prenons également en charge divers types d’acteurs de l’industrie : entreprises de e-commerce, grossistes, importateurs, fabricants, distributeurs, chaînes de distribution, etc. Le moyen le plus simple de vous assurer que 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 de l’optimisation globale 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 utilisées qu’à des fins explicitement associées à votre compte entreprise, et rien d’autre.