Optimisation prédictive pour la Supply Chain

Depuis 2008, nous faisons de notre mieux pour fournir les prévisions les plus précises que la technologie puisse produire. Notre technologie est en constante évolution pour refléter les dernières découvertes en mathématiques et en informatique.

6 GÉNÉRATIONS DE PRÉVISIONS

Au cours de la dernière décennie, les technologies liées aux données ont évolué à un rythme effréné. Les entreprises sont passées de l’utilisation de technologies fondamentalement basées sur les mathématiques, qui n’avaient pas beaucoup changé depuis le XVIIIe siècle, à des technologies orientées Big Data alimentées par l’apprentissage automatique et l’apprentissage profond. Lokad s’est concentré sur le maintien d’une longueur d’avance et sur l’apport du meilleur que la science peut offrir à l’optimisation de la supply chain.

Faites un voyage dans le temps et découvrez les différentes générations de notre technologie de prévision.

• Programmation différentiable (2019): la convergence de deux domaines algorithmiques : l’apprentissage automatique et l’optimisation numérique
• Apprentissage profond (2018): Prévisions probabilistes alimentées par la robotisation grâce à l’intelligence artificielle (IA) et des grilles de GPU Prévisions probabilistes (2016): Accepter l’incertitude avec l’apprentissage automatique et les statistiques de grande dimension
• Grilles de quantiles (2015): Regarder l’ensemble de la distribution de probabilité de la demande et injecter des contraintes de la supply chain
• Prévisions de quantiles (2012): Passer des prévisions de moyenne à des prévisions de biais reflétant les asymétries spécifiques à l’entreprise
• Prévisions classiques (2008): Passer d’un modèle mathématique ajusté manuellement à un benchmark entièrement automatisé d’une bibliothèque entière de modèles

LE BON MÉLANGE D’INGRÉDIENTS

Une recette pour le succès

La technologie de Lokad ne consiste pas à exploiter un (ou plusieurs) modèle(s) statistique(s) magique(s). C’est une combinaison d’ingrédients qui travaillent ensemble pour créer la bonne alchimie. Dans nos premières années, nous avons rapidement réalisé à quel point l’écart était grand entre la modélisation mathématique pure et la réalité des chaînes d’approvisionnement.

Ce qui fonctionnait merveilleusement bien en théorie était totalement inefficace lorsqu’il était appliqué aux entreprises réelles : les données étaient sales, pas assez profondes, trop clairsemées, le volume même de références ou d’entrées dans l’historique des ventes pour certaines entreprises rendait des classes entières de modèles extrêmement difficiles à utiliser, et puis les contraintes de la supply chain elle-même faisaient en sorte que l’amélioration des métriques de précision classiques des prévisions dégradait en fait les performances de l’entreprise.

Lokad a dû apporter les bonnes réponses technologiques à toutes ces questions et changer radicalement sa vision de la prévision et de l’optimisation de la supply chain.

Corrélations

avec l’apprentissage profond

Lorsque l’on regarde un seul produit à la fois, il n’y a tout simplement pas assez de données pour produire une prévision statistique précise. En effet, sur la plupart des marchés de consommation, le cycle de vie d’un produit est inférieur à 4 ans, ce qui signifie que, en moyenne, la plupart des produits n’ont même pas 2 ans d’historique disponible - c’est-à-dire la profondeur minimale pour effectuer une analyse de saisonnalité fiable lorsqu’on regarde une seule série chronologique. Nous abordons le problème à travers des corrélations statistiques : l’information obtenue sur un produit aide à affiner la prévision d’un autre produit. Par exemple, Lokad détecte automatiquement la saisonnalité applicable pour un produit même si le produit n’a été vendu que pendant 3 mois. Bien qu’aucune saisonnalité ne puisse être observée avec seulement 3 mois de données, si des produits plus anciens et plus durables sont présents dans l’historique, alors la saisonnalité peut être extraite de là et appliquée aux nouveaux produits.

Puissance de calcul

grâce au cloud computing et aux GPU

Bien que l’utilisation de corrélations dans les données historiques améliore considérablement la précision, elle augmente également la quantité de calculs à effectuer. Par exemple, pour corréler 1 000 produits en regardant toutes les paires possibles, il y a un peu moins de 1 000 000 de combinaisons. Pire encore, de nombreuses entreprises ont beaucoup plus de 1 000 produits. En utilisant le cloud computing et les unités de traitement graphique (GPU), lorsque les clients nous envoient leurs données, nous allouons les machines juste quand nous en avons besoin ; puis, moins de 60 minutes plus tard, nous renvoyons les résultats tout en désallouant les machines en conséquence. Comme le cloud que nous utilisons (Microsoft Azure) nous facture à la minute, nous ne consommons que la capacité dont nous avons vraiment besoin. Comme aucune entreprise n’a besoin de prévoir plus d’une fois par jour, cette stratégie réduit les coûts matériels de plus de 24 fois par rapport aux approches traditionnelles.

Probabilités

pour embrasser les contraintes de l’entreprise

La prévision traditionnelle est une prévision médiane, c’est-à-dire une valeur qui a 50% de chances d’être supérieure ou inférieure à la demande future. Malheureusement, cette vision classique ne répond pas aux préoccupations fondamentales de la supply chain : éviter les ruptures de stock et réduire les stocks. En 2016, Lokad a introduit la notion de prévisions probabilistes pour la supply chain où les probabilités respectives de chaque niveau de demande future sont estimées. Au lieu de prédire une valeur par produit, Lokad prédit l’ensemble de la distribution de probabilité. Les prévisions probabilistes surpassent largement les prévisions classiques pour les produits à faible rotation, les ventes erratiques et la demande en dents de scie. Nous croyons que dans 10 ans, toutes les entreprises sérieuses d’optimisation des stocks auront adopté les prévisions probabilistes, probablement en utilisant un descendant de cette technologie.

D’UNE BIBLIOTHÈQUE MATHÉMATIQUE À UNE SOLUTION DE BOUT EN BOUT

Nous disposons d’une grande bibliothèque de modèles statistiques. Elle comprend des classiques bien connus tels que Box-Jenkins, lissage exponentiel, autorégressif et toutes leurs variantes. De plus, comme les modèles classiques exploitent mal les corrélations, nous avons développé de meilleurs modèles qui tirent parti de toutes les données mises à notre disposition. Depuis le tout début, nous surveillons en continu la qualité des prévisions que nous fournissons et nous effectuons des simulations pour évaluer soigneusement les faiblesses restantes de notre technologie. Nous continuons d’améliorer nos modèles et d’alimenter notre bibliothèque avec de nouveaux modèles et de nouveaux paradigmes. Par conséquent, nos clients bénéficient d’une technologie en constante amélioration.

Cependant, nous avons réalisé il y a longtemps que cela ne suffisait pas et que nous devions creuser plus profondément dans la réalité de la supply chain et les contraintes et spécificités de chaque entreprise. Par conséquent, non seulement nous n’exigeons aucune compétence statistique de la part de nos clients, mais nous gérons l’ensemble du processus pour fournir une solution entièrement utilisable, complète avec des commandes d’achat précises, des suggestions de dispatch ou de tarification et des tableaux de bord d’indicateurs clés de performance pour évaluer leur précision.

Nos Supply Chain Scientists sont là pour vous aider à inclure toutes vos connaissances métier dans une implémentation sur mesure. Cela est rendu possible grâce à l’utilisation de notre langage de programmation orienté supply chain, Envision. Sa flexibilité nous permet d’affiner les scripts capables de refléter parfaitement les spécificités de votre entreprise, afin d’offrir un complément parfait à notre technologie de prévision.