Lokad, gérer le biais des ruptures de stock sur les prévisions

Gérer le biais induit par les ruptures de stock sur les prévisions


Accueil » Ressources » Ici

Mise à jour de mai 2016: le moteur de prévisions de Lokad prend désormais en charge les ruptures de stock. Ainsi, nos prévisions probabilistes sont non seulement capables de s'adapter au biais induit par les ruptures de stock mais peuvent également les corriger, si les ruptures de stock passées sont correctement identifiées.

Les ruptures de stock ne nuisent pas seulement à l'entreprise en raison de la perte de fidélité des clients qui n'ont pas pu être servis, les ruptures introduisent également un biais dans l'observation de l'historique de la demande. Du fait des ruptures de stock, zéro ventes ne veut pas nécessairement dire zéro demande. Salescast n'est pas immunisé contre ce problème ; cependant, si on l'utilise correctement, il peut y devenir extrêmement résistant.

Image


L'impact des ruptures de stock sur les prévisions classiques

Une prévision au sens classique (médian) représente une anticipation du futur qui a 50% de chance d'être au-dessus ou en-dessous de la demande future. Lorsque des ruptures de stock sont observées, un biais à la baisse est introduit au sein des données historiques, car la demande non satisfaite n'est généralement pas prise en compte. Par conséquent, les prévisions produites à partir des données historiques souffrent elles aussi d'un biais à la baisse, générant ainsi davantage de ruptures de stock.

Dans le cas le plus extrême, si aucun niveau de stock minimal n'est défini, le processus de réapprovisionnement peut converger vers un statut de stock gelé où l'on n'enregistre plus aucun vente - puisqu'il n'y a plus de stock - et où l'on ne réapprovisionne plus le stock. Pire, dans cette situation, les prévisions sont exactes à 100% : la prévision est à zéro et les ventes sont à zéro aussi.

Les pièges de l'intégration des données de ruptures de stock

Pour pouvoir corriger le biais introduit par les ruptures de stock, ces ruptures doivent être prises en compte. Cela peut être fait en collectant et en conservant des informations détaillées sur les ruptures de stock passées et présentes. Bien que cette idée soit tentante, nous observons que cette approche requiert en pratique des efforts considérables.

  • La plupart des entreprises ne font pas un suivi précis des ruptures de stock. Il ne suffit pas d'avoir quelques données de rupture ; les données sur les ruptures de stock doivent être complètes et précises si l'on veut avoir une chance de les utiliser pour améliorer la prévision de la demande.
  • Les ruptures de stock sont (espérons-le) relativement rares ; elles se produisent généralement moins de 10% du temps dans la plupart des entreprises. Par conséquent, il faut une entreprise d'une taille conséquente pour collecter assez de données pour permettre une analyse statistique robuste des ruptures de stock.
  • L'impact des ruptures de stock est complexe. Les ruptures entraînent des phénomènes de cannibalisation (sur les items indisponibles) lorsqu'il existe des substituts. Certains clients choisissent aussi de retarder leur achat, provoquant parfois un "pic" de la demande lorsque les items sont de nouveau disponibles.

Chez Lokad, nous avons une expérience non négligeable dans le domaine de l'analyse des ruptures de stock. Nous avons d'ailleurs mis au point une technologie dédiée à l'analyse de ces ruptures, et notre expérience nous indique qu'à moins d'avoir 100 points de vente, ou une activité d'une taille équivalente, essayer d'attaquer le problème du biais induit par les ruptures de stock via l'analyse des ruptures historiques n'en vaut pas la peine.

Les quantiles : des prévisions résistantes au biais

A l'inverse, les prévisions quantiles représentent une alternative bien plus efficace et plus légère pour permettre de limiter dans une grande mesure le biais introduit par les ruptures de stock. En bref, les quantiles sont utilisés pour calculer les points de commande comme des prévisions nativement biaisées. Par exemple, un point de commande calculé avec un taux de service de 95% est une estimation construite pour être juste au-dessus de la demande à 95% du temps (ne causant de rupture de stock que 5% du temps).

Les prévisions quantiles, lorsqu'elles sont associées à des taux de service élevés - c'est-à-dire au-dessus de 90% en pratique - ont un comportement très différent des prévisions classiques. De façon intuitive, pour calculer une prévision quantile à 95%, l'analyse se concentre sur le Top 5% des fluctuations de la demande les plus extrêmes. Même s'il est toujours possible que les ruptures de stock aient été tellement prédominantes dans l'historique que même le Top 5 % des ventes observées par le passé en ait été affecté et n'ait représenté qu'une fraction de la demande "normale", ce n'est en pratique généralement pas le cas. Même avec des ruptures importantes, le point de l'historique de la demande le plus haut est en règle général plus élevé que la demande moyenne.

Par conséquent, les prévisions quantiles ne rentrent quasiment jamais dans le cercle vicieux où les ruptures de stock introduisent tellement de biais que, à leur tour, les prévisions biaisées exacerbent encore davantage le problème de rupture. Nous observons, pour une vaste majorité de nos clients, que les prévisions quantiles mènent au contraire à un cercle vertueux, où les quantiles, plus résistants au biais, réduisent immédiatement les fréquence des ruptures de stock et permettent de récupérer le contrôle sur les taux de service. Puis, après un certain temps, la fréquence des ruptures de stock converge vers les taux de service cibles définis.