FAQ Technologie de prévision

FAQ Technologie de prévision


Technologie de prévision » Ici

La présente page regroupe les questions les plus fréquemment posées (FAQ) sur notre technologie de prévision classique. Dans la pratique, les prévisions classiques sont largement dépassées par les prévisions quantiles et les grilles quantiles. Ces dernières, lancées en mars 2013, représentent la meilleure technologie de prévision offerte par Lokad. Dès qu'il s'agit de stock, nous vous conseillons d'opter pour les grilles quantiles pour obtenir de meilleurs résultats.


Les rouages de Lokad

Une petite vidéo d'introduction



Quels modèles de prévision utilisez-vous ?

Il est difficile de répondre à cette question pour deux raisons : premièrement, notre technologie de prévision est le coeur de notre propriété intellectuelle et nous ne n'en dévoilerons par conséquent pas les détails ; deuxièmement, notre technologie est complexe et comporte de nombreux modèles. Ceci étant dit, Lokad exploite une théorie bien connue appelée la théorie de l’apprentissage statistique. Cette théorie inclut la plupart des méthodes de prévision les plus modernes, telles que la régression en vecteur support (Support Vector Regression), les réseaux bayésiens (Bayesian Networks), des méthodes de mélange ou d'amélioration et des méta heuristiques incluant des réseaux de neurones ou des algorithmes génétiques... Nous n’excluons pas pour autant les méthodes classiques : autorégression linéaire, moyenne mobile, moyenne glissante (double, triple) lissage exponentiel, Box-Jenkins, Holt-Winters, ARMA, ou encore ARIMA. Cependant, ces classiques sont généralement très faibles lorsqu'il s'agit d'exploiter des corrélations entre les séries temporelles.

A quel point vos prévisions sont-elles précises ?

La précision des prévisions est extrêmement dépendante du jeu de données spécifique considéré. Nous avons rencontré des situations dans lesquelles 0,5% d'erreur pouvait être considéré comme médiocre (par exemple les prévisions horaires de la consommation électrique au niveau national 24 heures en avant), et d'autres dans lesquelles 80% d'erreur était considéré comme excellent (par exemple pour une opération promotionnelle unique pour le lancement d'un produit). La précision dépend fortement de l'horizon - plus les prévisions regardent loin en avant, moins elles sont précises -, mais la précision dépend également beaucoup du niveau d'agrégation - plus les prévisions sont agrégées, plus elles sont précises.

Qu'en est-il des concours de prévision ? Votre technologie a-t-elle été académiquement reconnue ?

De nombreux concours de data mining ont lieu chaque année. A Lokad, nous gardons généralement un oeil sur ces événements, et nous comparons régulièrement notre technologie de prévision à celle de la concurrence sur les jeux de données proposés lors du concours, lorsque les données correspondent à notre domaine (nous traitons uniquement les séries temporelles, et non pas les images ou les profils clients par exemple). Toutefois, à ce jour, nous n'avons pas encore trouvé de concours de data mining public qui, selon nous, représenterait bien les challenges auxquels nous faisons face au quotidien. Premièrement, les jeux de données académiques ont tendance à être petits - moins de quelques centaines de séries temporelles - avec de longues séries temporelles - des centaines de points de données par série temporelle. C'est pratiquement le contraire de ce que nous observons généralement dans la distribution : on y trouve des milliers voire des millions de séries temporelles, mais les séries sont très courtes du fait de la durée de vie très limitée des produits. Ceci étant dit, Lokad obtient généralement de bons résultats, ce qui est remarquable compte tenu du fait qu'avec Lokad, les résultats sont obtenus instantanément, de façon automatisée, sans aucune retouche par un expert.

Évaluez-vous la précision de vos prévisions ?

Oui. Les mesures quantitatives précises de la précision des prévisions obtenues avec notre technologie de prévision sont au coeur de de notre technologie. Sans trop entrer dans les détails, disons qu'il y a un challenge important dans le fait de produire des modèles qui non seulement correspondent réellement à vos données, mais qui s'avèrent également vraiment performants sur les données dont vous ne disposez pas encore, c'est-à-dire vos données futures. Pour en savoir plus, vous pouvez consulter l'article suivant (en anglais) : Surapprentissage : quand la mesure de la précision tourne mal. La tâche quotidienne typique de l'équipe R&D de Lokad consiste à faire tourner constamment notre moteur de prévision sur des jeux de données clients, afin de mesurer les erreurs de prévision et essayer de les réduire. Par ailleurs, l'un des aspects remarquables de notre technologie est que vous n'obtenez pas seulement des prévisions, mais aussi, pour chaque valeur prédite, la précision attendue de cette valeur, exprimée sous la forme d'une erreur MAPE. Par conséquent, vous n'avez pas à attendre pour finalement découvrir qu'une prévision est peu fiable ; Lokad vous communique cette information à l'avance afin que vous puissiez ajuster votre stratégie en conséquence.

De combien de données historiques avez-vous besoin ?

Il n’y a pas de prérequis minimum concernant la quantité de données historiques. Cela étant, Lokad fournit une technologique statistique ; par conséquent, plus il y a de données historiques, plus les prévisions sont précises. En pratique, 2 ans de données historiques peuvent être considérés comme corrects, et 3 ans ou plus comme excellents. Si vous avez moins d’un an de données historiques, Lokad ne pourra pas affiner les prévisions en utilisant la saisonnalité, qui est un type de comportement important dans de nombreux secteurs d'activité. Par ailleurs, pour exploiter la saisonnalité, Lokad n’a pas besoin de plus d’1 an d'historique pour chacune des séries temporelles (c'est-à-dire pour chaque produit vendu) ; nous n’avons besoin que de quelques séries temporelles ayant plus d'un an d’historique pour établir les profils de saisonnalité existant dans votre entreprise. Pour les startups et les entreprises nouvellement créées, Lokad peut malgré cela être utilisé dès le départ. En effet, nous ne fournissons pas seulement des prévisions, mais également la précision attendue qui va avec. Vos premières prévisions auront donc généralement des niveaux d’erreur très élevés et s’amélioreront progressivement. Lokad vous propose également une manière de quantifier les incertitudes.

Principaux types de comportements

Comment les tendances macro économiques (ex : crise financière) sont-elles prises en charge ?

Selon nous, il existe deux problèmes de compréhension classiques sur les tendances macro économiques. Premièrement, les tendances macro économiques peuvent uniquement être exploitées pour affiner les prévisions de la demande si ces tendances elles-mêmes peuvent être évaluées avec précision. Si les banques avaient pu prévoir la crise financière, il n'y n'aurait pas eu de crise. La prévision des tendances macro économiques est généralement bien plus difficile que la prévision de la demande pour un produit moyen, il s'agit donc bien souvent d'une piste assez inutilisable. Deuxièmement, une récession de -3% / an est considérée comme une grosse tendance macro économique, mais en pratique cela signifie un impact de -0,06% au niveau hebdomadaire. Par comparaison, nous observons régulièrement des ventes de produits variant de 20% d'une semaine à l'autre. Lokad est particulièrement bien adapté pour les prévisions à court terme, et, en regardant quelques semaines en avant, les tendances macro économiques sont généralement écrasées par des facteurs microéconomiques telles que les promotions, la cannibalisation, les campagnes publicitaires, ... En conclusion, Lokad laisse généralement de côté la plupart des tendances macro économiques, mais notre expérience nous indique que c'est la chose la plus raisonnable à faire dans 99% des cas.

Comment la saisonnalité et la tendance sont-elles prises en charge ?

Nous détectons automatiquement les comportements basés sur le calendrier. Il est inutile de préciser à Lokad qu'un produit est saisonnier, la saisonnalité est un type de comportement fréquent et elle est traitée de façon native par notre technologie de prévision. En réalité, la saisonnalité est bien plus complexe que ce à quoi les gens s'attendent. A nos yeux, il n'y pas à proprement parler de saisonnalité, mais plutôt de nombreux comportements cycliques intéragissant de manières diverses. Il y a la saisonnalité annuelle, l'effet jour de la semaine, l'effet jour de paie une fois par mois, la saisonnalité quasi annuelle, comme le jour de la Fête des mères, qui a lieu le 2ème dimanche de mai aux USA, ... De plus, lorsque l'on regarde les prévisions des ventes au niveau du point de vente, les comportements cycliques des produits se combinent aux comportements cycliques du point de vente lui-même. En effet, chaque point de vente a un environnement plus ou moins unique générant ses propres comportements de la demande. Par conséquent, la saisonnalité ne consiste pas seulement à attribuer une étiquette OUI/NON ; il s'agit d'un ensemble assez complexe de comportements interdépendants. Lokad gère justement cette complexité pour vous.

Comment Pâques, le Ramadan, la Fête des mères et autres événements quasi saisonniers sont-ils traités ?

Certains comportements calendaires sont, dans le jargon de Lokad, quasi-saisonniers : ces comportements se répètent tous les ans, mais pas strictement à la même date au sens du calendrier Grégorien (également connu comme le calendrier occidental ou Chrétien). Pâques, le Ramadan, le Nouvel An chinois, le jour de la Fête des mères sont autant d'exemples de comportements quasi-saisonniers. Lokad les détecte automatiquement, ainsi vous n’avez pas besoins de fournir d’effort particulier pour gérer ces comportements. De façon très similaire au traitement de la saisonnalité classique, Lokad se base principalement sur une analyse multi-séries temporelles pour détecter des séries temporelles ayant des comportements quasi-saisonniers similaires, afin d'affiner l'analyse de comportement.



Comment les cycles de vie et lancements de produits sont-ils pris en charge ?

La plupart des biens de consommation passent par un cycle de vie. Les produits sont lancés, se développent, perdent de leur intérêt et pour finir sont retirés du marché. Lokad peut prévoir les ventes lors des lancements - la date du lancement étant connue. De toute évidence, lorsqu'un produit est sur le point d'être lancé, aucune donnée de vente n'est disponible pour ce produit pour supporter la prévision. Toutefois, contrairement aux boîtes à outils de prévision classiques, Lokad ne se contente pas de faire de la prévision classique de séries temporelles. En particulier, les produits peuvent être décrits par le biais de Tags (étiquettes). Un Tag peut représenter presque toutes les propriétés du produit : catégorie, sous-catégorie, famille, marque, couleur, taille, ... Pour prévoir les ventes d'un produit en cours de lancement, Lokad analyse l'historique des lancements de produits similaires, et les similarités sont évaluées selon les Tags fournis pour chaque produit. Nous appliquons le même principe à d'autres types de comportements de cycle de vie.

Comment les produits à ventes intermittents et à faibles volumes sont-ils pris en charge ?

Si l'un de vos produits ne se vend qu'une seule fois par an, il faut avouer qu'on ne peut pas faire grand chose en matière de prévision statistique. En pratique, le fait d'avoir en stock 1 unité ou 0 est avant tout un choix marketing. Cependant, entre ce cas de rotation extrêmement faible et vos meilleures ventes, il y a toute une zone grise de produits qui se vendent de façon peu fréquente, mais suffisamment fréquemment tout de même pour nécessiter une optimisation des stocks. La plupart des boîtes à outils de prévision classiques réagissent de façon très médiocre aux ventes irrégulières. Chez Lokad, nous avons fait de gros efforts sur ce type de comportement de la demande, car de nombreuses entreprises, comme les e-Commerces, reposent fortement sur la "longue traîne" (long tail) pour être rentables. Il est à noter que les produits à faible rotation, s'ils ne sont pas bien gérés, peuvent générer encore plus de stocks que les produits les plus vendus. Afin de pouvoir gérer ces produits, nous vous recommandons fortement d’opter pour les prévisions quantiles.



Comment la météo est-elle prise en charge ?

Dans certaines entreprises telles que la distribution alimentaire, la météo est un facteur important de la demande. A ce jour, Lokad n'exploite pas encore les prévisions météo en tant que données en entrée dans sa technologie de prévision. Cependant, cela fait partie de nos objectifs à moyen terme. Notre objectif est de prendre en charge non seulement les données météo, mais également d'automatiser une grande partie du processus, afin que nos clients n'aient presque aucun effort à fournir pour bénéficier d'une précision accrue.

Artefacts de la demande

Comment les ventes perdues du fait de ruptures de stock sont-elles prises en charge ?

Les ventes ne sont pas égales à la demande. Une rupture de stock est un artefact qui entraîne un décalage entre les ventes et la demande d'origine. En effet, une rupture de stock fait chuter les ventes alors que la demande reste stable. Contrairement aux boîtes à outils de prévision classiques, avec Lokad, vous n'avez pas besoin d'altérer ou de tordre vos données historiques pour tenter de faire apparaître des ventes qui auraient eu lieu si vous n'aviez pas été en rupture de stock. À la place, vous pouvez utiliser les événements pour indiquer le moment où les ruptures de stocks ont eut lieu. Les informations sur les ruptures de stock sont utilisées pour estimer plus précisément tous les comportements qui auraient dû être impactés (saisonnalité, tendance ...). Si les ruptures de stock ne sont pas étiquettées en tant que telles avec des événements, Lokad filtre ces comportements comme du bruit. Il est bon de garder une trace des ruptures de stock, mais cela n'est pas un prérequis pour utiliser Lokad.

Comment les ventes exceptionnelles sont-elles prises en charge ?

Selon votre secteur d'activité, votre entreprise peut faire face à des ventes exceptionnelles. Étant donné que ces ventes impliquent un volume exceptionnel, elles sont généralement facilement repérables avec une approche purement statistique. Nous vous recommandons donc de ne pas tordre vos données historiques pour "nettoyer" ces ventes exceptionnelles. Premièrement, ce sera probablement une perte de temps ; deuxièmement, les ventes exceptionnelles elles-mêmes peuvent renfermer des informations utiles pour prévoir la demande. Enfin, il est à noter que Lokad ne peut pas prévoir de futures ventes exceptionnelles individuelles - qui dépendent par exemple du résultat d'une négociation. Si vous vous attendez à ce que des ventes exceptionnelles aient lieu, nous vous recommandons de retoucher manuellement les prévisions de Lokad sur ce point en vous basant sur les informations supplémentaires dont vous disposez.

Agrégation descendante ou ascendante ?

Certaines entreprises font des prévisions de la demande à l'échelle des groupes ou des familles, puis les répartissent au niveau des produits individuels. Cette méthode de prévision est une méthode d'agrégation hiérarchique descendante (product top-down method). On peut appliquer la même idée à la prévision des fréquences : certaines entreprises font d'abord des prévisions au niveau hebdomadaire, puis appliquent des coefficients journaliers. Dans ce cas, il s'agit d'une méthode de prévision à fréquence descendante. Inversement, on peut produire des prévisions hebdomadaires en additionnant des prévisions quotidiennes. Chez Lokad, nous vous recommandons d'ajuster vos prévisions afin qu'elles correspondent le plus possible à vos besoins opérationnels : si la chaîne logistique a besoin de prévisions hebdomadaires pour chaque produit, demandez à Lokad de produire des prévisions hebdomadaires. Le fait de demander de prévisions quotidiennes et de les additioner ensuite n'améliorera pas la précision. Dans le même ordre d'idée, laisser Lokad faire des prévisions de ventes au niveau des groupes de produits, puis diviser manuellement les prévisions pour chaque SKU (unité de gestion des stocks) est une mauvaise idée, car la division elle-même introduira probablement une erreur de prévision significative. En interne, Lokad se base sur de nombreux algorithmes d'agrégation/séparation, et nous préfèrons généralement exploiter les données disponibles les plus fines. Par exemple, nous exploitons les données des ventes quotidiennes pour fournir des prévisions mensuelles. En effet, un mois peut comporter 4 ou 5 week-ends, ce qui a des répercussions importantes chez la plupart des distributeurs. Là encore, vous n'avez pas à vous préoccuper du niveau d'agrégation, Lokad gère vos besoins.