00:00:03 Prévisions probabilistes : introduction et aperçu.
00:01:34 L’incertitude et la précision dans les prévisions probabilistes.
00:02:25 Prévisions probabilistes : gérer les asymétries dans la supply chain.
00:04:33 Des frontières insaisissables et des événements improbables dans les prévisions probabilistes.
00:07:43 Le rôle des modèles mathématiques dans les prévisions probabilistes.
00:09:15 Évaluer la précision d’une prévision probabiliste.
00:11:14 Les inconvénients des prévisions classiques par rapport aux prévisions probabilistes.
00:13:07 La dépendance des industries aux prévisions classiques et les limites d’Excel.
00:15:23 Les meilleures applications des prévisions probabilistes.
00:18:43 Les industries où les prévisions probabilistes ne sont pas nécessaires.
00:20:03 Les raisons et l’adoption des prévisions probabilistes.
00:22:34 Les perspectives futures des prévisions probabilistes.
00:24:27 Les méthodes futures : omettre le calcul explicite des probabilités.
00:25:37 Approfondir les futurs pertinents et la demande.
00:26:14 Les incertitudes dans le calendrier de la demande des produits.
00:27:03 Scénarios ’et si’ : l’impact des ajustements de prix.
00:27:56 L’importance d’une exploration sélective.
Résumé
Dans cette discussion avec Kieran Chandler, Joannes Vermorel, fondateur de Lokad, éclaire la nature et les avantages des prévisions probabilistes. Contrairement aux prévisions déterministes, les prévisions probabilistes sont considérées comme offrant une gamme de résultats, chacun avec une certaine probabilité. Cette approche est perçue comme une meilleure manière de traiter les asymétries de la supply chain, telles que les différentes implications de la surestimation et de la sous-estimation de la demande. Elle ne se limite pas à des moyennes, mais évalue un continuum de scénarios potentiels. Bien que complexe, les avancées en puissance de calcul et en deep learning rendent les prévisions probabilistes plus accessibles. Vermorel prévoit un avenir où la prévision intègre l’incertitude et une multitude de variables, promettant une représentation plus détaillée et réaliste des futurs possibles.
Résumé détaillé
Dans cet épisode de Lokad TV, Kieran Chandler initie un dialogue avec Joannes Vermorel, le fondateur de Lokad, pour discuter des prévisions probabilistes, de leurs avantages, de leur mise en œuvre et de leur utilisation dans les entreprises.
Vermorel explique que les prévisions probabilistes désignent un type de prédictions où la connaissance du futur reste imparfaite. Contrairement aux prévisions déterministes qui prédisent un résultat définitif unique, les prévisions probabilistes délimitent un spectre de résultats potentiels, chacun associé à une probabilité particulière. L’idée est d’accepter l’incertitude inhérente aux événements futurs. Cette méthode ne garantit peut-être pas une précision absolue, mais elle offre potentiellement une meilleure pertinence pour la prise de décisions.
Selon Vermorel, le principal avantage des prévisions probabilistes par rapport aux prévisions traditionnelles réside dans la capacité à gérer les asymétries dans la supply chain. Il souligne que la surestimation et la sous-estimation de la demande peuvent conduire à des résultats asymétriques. Par exemple, dans le secteur aérospatial, surestimer la demande pourrait engendrer un surplus de vis coûtant 50 euros, tandis que sous-estimer la demande pourrait entraîner la mise à l’arrêt d’un avion, occasionnant des coûts de retard de plusieurs centaines de milliers d’euros.
Vermorel souligne que les méthodes de prévisions traditionnelles visent souvent un résultat moyen. Pourtant, il remarque que dans la supply chain, les coûts sont généralement davantage influencés par les événements extrêmes. Il illustre en outre le problème par des exemples tirés des secteurs aérospatial et de la grande distribution alimentaire, où des excès de stocks peuvent entraîner des gaspillages et des pertes financières.
En discutant des extrêmes, Vermorel précise qu’il n’existe pas de limites strictes, mais plutôt un continuum d’événements rares. Pour un produit type, il pourrait y avoir 5 % de chances d’observer le double de la demande quotidienne, 1 % de chances d’observer quatre fois la demande quotidienne, et une probabilité minime d’observer dix fois la demande quotidienne. Les prévisions probabilistes ne se contentent pas de se limiter aux moyennes, mais explorent une diversité de résultats possibles.
Bien que Vermorel reconnaisse la difficulté d’évaluer une infinité de possibilités futures, il soutient que les ressources informatiques modernes permettent d’intégrer un large éventail de risques. Des événements extrêmes tels que le naufrage d’une expédition sont improbables, mais les retards en douane ou d’autres problèmes logistiques pourraient être pris en compte, car ils peuvent avoir des effets similaires sur l’approvisionnement.
Vermorel poursuit en dévoilant la nature intrigante des prévisions probabilistes. Il introduit la nécessité de disposer de métriques adaptées pour évaluer la précision des prévisions probabilistes, en attribuant idéalement un poids plus important aux événements auxquels le modèle assigne une probabilité plus élevée.
En établissant un parallèle avec une prédiction hypothétique concernant la victoire de l’Italie à la Coupe du Monde, Vermorel démontre que la précision d’un modèle se reflète dans la concordance entre les probabilités qu’il assigne et les événements réels. Il compare les prévisions probabilistes aux prévisions traditionnelles, affirmant que, même si les premières ne sont pas intrinsèquement plus précises, elles fournissent des informations plus riches en tenant compte d’une plus grande diversité de résultats potentiels.
Vermorel poursuit en expliquant que les prévisions probabilistes peuvent être « agrégées » en prévisions classiques en prenant une moyenne. Cependant, ce processus omet des informations précieuses concernant les événements extrêmes ou « de queue » – ceux présentant une demande étonnamment élevée ou faible. Ces événements ont souvent un impact financier plus important dans le contexte de la supply chain, où des écarts par rapport à la moyenne peuvent conduire à des issues coûteuses, telles que des stockouts ou des radiations de stocks.
Malgré ces avantages, Vermorel reconnaît que de nombreuses industries utilisent encore des techniques de prévisions classiques, faisant souvent appel à Excel. Il précise que cela s’explique par l’accessibilité et la commodité d’Excel pour créer des prévisions simples. Passer aux prévisions probabilistes impliquerait d’abandonner Excel en raison de la complexité et de l’intensité computationnelle liée à la considération d’un grand nombre de futurs potentiels.
Vermorel souligne que les industries caractérisées par une forte incertitude, telles que la mode, la maintenance aérospatiale, le le e-commerce, et la grande distribution au niveau des magasins, sont particulièrement adaptées aux prévisions probabilistes. Ces secteurs doivent composer avec l’imprévisibilité, des tendances de mode capricieuses aux besoins sporadiques de pièces spécifiques pour avions, sans oublier la longue traîne des ventes en le e-commerce et les fluctuations des ventes au niveau des magasins sur de grands marchés.
Vermorel identifie des situations où les prévisions probabilistes peuvent être moins adaptées, telles que certaines industries ou cas où les résultats futurs peuvent être prédits avec précision. Par exemple, la production de ciment ou certaines lignes de production automobile, où des contrats à long terme offrent une visibilité claire sur les besoins futurs. Ici, les méthodes de prévisions traditionnelles suffisent. La véritable valeur des prévisions probabilistes, note Vermorel, émerge dans des situations d’incertitude importante, où les résultats futurs ne peuvent être anticipés avec précision.
La conversation se tourne ensuite vers les raisons pour lesquelles les prévisions probabilistes gagnent en popularité, bien qu’elles ne soient pas un concept nouveau. Vermorel identifie deux facteurs principaux : la baisse du coût de la puissance de calcul et l’émergence de méthodes statistiques telles que le deep learning. Il y a dix ans, les ressources informatiques nécessaires pour les calculs probabilistes étaient exorbitamment chères. Avec la diminution des coûts, ces méthodes sont devenues plus accessibles. De plus, les avancées en deep learning, un sous-domaine de l’IA propulsé par la modélisation probabiliste, ont encore favorisé la montée en puissance des prévisions probabilistes.
En abordant l’avenir des prévisions probabilistes, Vermorel affirme avec assurance qu’il n’y aura pas de retour aux méthodes classiques. Les prévisions probabilistes offrent une meilleure vision du futur, rendant contre-productif le retour à des méthodes fournissant moins d’informations. Toutefois, il admet les complexités inhérentes, notamment lorsque les scénarios de prévision impliquent de multiples facteurs ou produits. Les scénarios à explorer se multiplient de manière exponentielle avec chaque élément ajouté, ce qui rend les calculs explicites de probabilités presque impossibles. Selon Vermorel, cela orientera les méthodes futures vers des calculs qui ne cherchent pas à exprimer toutes les probabilités, une approche déjà utilisée par le deep learning.
La discussion se conclut par une description de la manière dont la prévision future pourrait intégrer l’incertitude et des variables complexes. En envisageant toutes les possibilités futures, y compris les variations de la demande des produits, des délais d’approvisionnement et des ajustements de prix, les possibilités deviennent pratiquement illimitées. Cependant, Vermorel insiste sur le fait que l’objectif ne doit pas être d’examiner individuellement chaque futur potentiel, mais d’employer des techniques mathématiques permettant d’explorer de nombreux scénarios possibles sans nécessairement les énumérer. Bien que cette approche présente de nombreux défis, elle ouvre également de nouvelles opportunités d’exploration dans le domaine de la prévision.
Transcription complète
Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de ce que sont exactement les prévisions probabilistes, de leurs avantages, et de la manière dont elles peuvent être mises en œuvre dans les entreprises pour améliorer leur fonctionnement. Alors Joannes, un sujet d’intérêt actuellement, nous avons tant de fans de sport et de parieurs essayant de déterminer qui va exactement remporter la Coupe du Monde. Peut-être un bon point de départ serait : Qu’est-ce que les prévisions probabilistes ?
Joannes Vermorel: Les prévisions probabilistes représentent une catégorie de prévisions dans lesquelles l’information sur l’avenir est imparfaite. On a une idée des futurs probables, des futurs qui ont une chance de se réaliser, par opposition aux futurs qui n’ont aucune chance de se produire. Généralement, quand on pense aux prévisions, on les considère comme définitives, par exemple, « Cette équipe va gagner ». Mais l’essentiel est que vous ne pouvez pas en être sûr ; il s’agit simplement d’une certaine probabilité que cette équipe gagne. Une prévision plus précise consisterait à établir une liste restreinte d’équipes qui sont très performantes et ont collectivement une probabilité très élevée de gagner. Ce n’est pas aussi satisfaisant que de connaître le vainqueur, mais personne ne peut le savoir en raison de l’incertitude inhérente. La prévision probabiliste consiste à faire une déclaration sur l’avenir qui implique des probabilités. Elle intègre l’idée même que vous ne savez pas tout sur le futur et que vous ne prétendez pas savoir.
Kieran Chandler: Alors, quel est le principal avantage de cela par rapport aux techniques de prévisions plus traditionnelles ?
Joannes Vermorel: Le principal avantage est que les prévisions probabilistes vous offrent une approche pour traiter toutes les asymétries présentes dans la supply chain. Par asymétries, j’entends le fait que le coût de la surestimation ou de la sous-estimation de la demande n’est pas symétrique. Par exemple, prenons le secteur aérospatial. Si vous surestimez votre demande, vous pourriez vous retrouver avec une vis en stock que vous n’utiliserez jamais. Mais si vous sous-estimez votre besoin en vis, un avion peut être immobilisé simplement parce qu’il manque une vis, ce qui pourrait vous coûter des centaines de milliers d’euros en réacheminement de passagers et en retards. Le problème avec les prévisions classiques, c’est que vous visez la moyenne. Or, dans la supply chain, ce n’est pas nécessairement la moyenne que vous souhaitez garantir. Vos coûts sont généralement beaucoup plus influencés par les extrêmes. Si vous avez trop de stocks en grande distribution alimentaire, vous pourriez être contraint de les jeter, perdant ainsi tout votre investissement.
Kieran Chandler: Donc, si nous parlons de ces extrêmes, il s’agit essentiellement de limites, n’est-ce pas ? Comment pouvons-nous établir où se situent ces limites ?
Les limites peuvent être insaisissables ; c’est une question de probabilité. Par exemple, si habituellement, dans un magasin, la demande pour un produit est d’environ cinq unités par jour, alors vous pourriez avoir 5 % de chances d’observer une demande de dix unités un jour donné, 1 % de chances d’observer une demande de 20 unités, et presque zéro pour cent de chances d’observer une demande de 50 unités le même jour. Ainsi, il n’existe pas de limite définitive, mais plutôt un continuum d’événements qui se font progressivement plus rares, et il est possible d’en évaluer les probabilités. Cependant, dans ce continuum, dites-vous que vous prédisez chaque possibilité ? Il faut bien fixer une limite quelque part. Vous ne pouvez pas savoir exactement ce qui va se passer demain. Par exemple, si vous vous faites livrer des produits, il y a une probabilité que le navire sur lequel ils arrivent fasse naufrage. Pouvez-vous vraiment utiliser chaque futur possible ?
Joannes Vermorel: Il y a une limite à ce que nous pouvons évaluer en raison des ressources informatiques. Oui, nous disposons d’ordinateurs avec beaucoup de mémoire et une grande puissance de calcul, mais nous devons limiter le nombre de fonctionnalités que nous évaluons à un nombre fini. Cependant, les ordinateurs possèdent des ressources de calcul considérables. Ainsi, même si le nombre de futurs qu’ils peuvent évaluer est fini, il peut rester extrêmement élevé. Par exemple, pour un produit qui se vend habituellement en quelques unités par jour, vous pouvez néanmoins évaluer à moindre coût la probabilité de vendre mille unités, même si la chance est mince, de l’ordre d’une sur un million. De même, pour le risque de naufrage d’un navire, il s’agit peut-être d’une chance sur un million, mais un ordinateur peut effectuer des milliards de calculs par seconde.
Bien que nous ne considérions pas le risque de naufrage d’un navire, nous pouvons évaluer le risque qu’un navire soit retenu indéfiniment en douane. Cela peut arriver, et cela peut entraîner un retard de trois mois en raison de problèmes liés aux procédures douanières. Un tel retard serait pratiquement équivalent à un naufrage en ce qui concerne votre expédition. Par exemple, si vous attendez des maillots de bain, la saison sera terminée au moment où vous les recevrez. Il fera hiver, et votre produit deviendra inutile. Kieran Chandler: Oui, un navire au fond de l’océan est en effet un exemple extrême. Parlons des modèles mathématiques que vous avez mentionnés. Comment savons-nous lequel est le meilleur à utiliser ? D’après ce que je comprends, il existe différentes prévisions et différentes techniques de prévision selon le modèle mathématique employé.
Joannes Vermorel: Tout d’abord, il vous faut un modèle mathématique qui génère des distributions de probabilité, ce qui est très différent des modèles que l’on pourrait utiliser dans Excel. Quand les gens pensent à la prévision, ils imaginent généralement une sorte de moyenne mobile. Ils considèrent ce que la demande était la semaine dernière ou l’année dernière, font la moyenne de la période pertinente, et cela leur donne une prévision. Ce n’est pas une mauvaise méthode, mais elle ne produit qu’une estimation ponctuelle unique.
Lorsque vous souhaitez passer au monde probabiliste, il vous faut quelque chose qui génère une distribution de probabilités. Vous disposez d’une variété de modèles mathématiques. Le plus célèbre est le modèle de Poisson, ou si vous voulez être vraiment sophistiqué, vous pouvez jeter un coup d’œil aux modèles binomiaux négatifs. Il s’agit de différentes classes de modèles paramétriques, mais il existe également des modèles non paramétriques.
Kieran Chandler: Je comprends que l’utilisation d’un modèle mathématique plus sophistiqué puisse générer des probabilités susceptibles d’aider à prédire la demande. Cependant, cela ne semble pas être la fin du processus. Quoi qu’il arrive, votre modèle peut toujours dire “Je vous l’avais bien dit”. S’il prédit 10 unités de demande et que nous en observons 10, le modèle a raison. Si nous en observons 100, le modèle indique toujours qu’il existait une probabilité que cela se produise. Alors, comment savoir si un modèle est bon ou non ?
Joannes Vermorel: Vous avez raison. C’est pourquoi nous avons besoin de meilleurs indicateurs, des indicateurs adaptés aux prévisions probabilistes. Si votre modèle attribue une forte probabilité à un événement qui se produit réellement, alors il fonctionne bien. Par exemple, si je prédis que l’Italie a 80 % de chances de remporter la Coupe du monde et qu’elle ne gagne pas, le modèle était inexact. En revanche, si je dis que l’Italie a 5 % de chances et qu’elle ne gagne pas, alors le modèle était raisonnablement précis. Ces indicateurs mesurent la pondération, en termes de probabilité, que vous accordez aux événements qui se produisent réellement.
Kieran Chandler: Il est intéressant que vous mentionniez la précision. Comment la précision d’une prévision probabiliste se compare-t-elle à celle d’une prévision classique ? Elles semblent mesurer des choses très différentes.
Joannes Vermorel: En effet, c’est le cas. Une prévision probabiliste n’est pas, par conception, plus précise qu’une prévision classique. Cependant, une distribution de probabilités peut être condensée en une prévision classique en prenant la moyenne. Le problème avec cela, c’est que vous perdez toutes les informations sur les queues – ces événements où la demande pourrait être étonnamment élevée ou faible. Vous pouvez mesurer la précision d’une prévision probabiliste avec un indicateur traditionnel comme l’erreur absolue moyenne en pourcentage, mais cela n’a pas vraiment de sens. L’objectif est de capturer davantage d’informations sur les événements surprenants. Vous souhaitez que votre prévision soit précise là où cela compte vraiment financièrement. Dans gestion de la supply chain, ce n’est pas toujours la situation moyenne.
Kieran Chandler: Donc, en somme, l’avantage de la prévision probabiliste est qu’elle vous permet d’avoir une vision plus large et de produire des prévisions plus riches ?
Joannes Vermorel: Oui, exactement. Elle vous offre plus de dimensions, plus de profondeur pour comprendre l’avenir.
Kieran Chandler: Mais malgré cela, beaucoup dans l’industrie utilisent encore des techniques de prévision classiques. Pourquoi les gens se contentent-ils d’utiliser ces méthodes ?
Joannes Vermorel: Je ne dirais pas nécessairement qu’ils sont heureux de devoir recourir à ces techniques. La réalité est que la plupart des supply chains dépendent encore fortement d’outils tels que Excel, qui ne sont pas conçus de manière pratique pour produire des prévisions probabilistes.
Kieran Chandler: Les prévisions, je veux dire qu’il est possible de produire une prévision poétique, mais ce n’est pas du tout aussi pratique. Produire une prévision classique se résume à élaborer une sorte de recette de moyenne mobile, et le tour est joué. Cependant, lorsque vous souhaitez passer au monde probabiliste, vous devez abandonner Excel. Non seulement vous devez cesser de générer la prévision dans Excel, mais vous devez également arrêter de prendre des décisions dans Excel. Pourquoi cela ?
Joannes Vermorel: Votre décision sera une exploration de tous les futurs possibles. Vous évaluerez toutes les décisions possibles et confronterez ces décisions à tous les futurs envisageables afin d’évaluer le résultat économique de chacune d’elles. De cette façon, vous pouvez directement sélectionner la meilleure décision en fonction de tous les résultats possibles. Soudainement, vous vous rendez compte que vous avez un grand nombre de paramètres à considérer et un grand nombre de décisions à évaluer face à des futurs encore plus nombreux. Cela devient bien plus intensif en termes de calcul et fondamentalement incompatible avec Excel.
Kieran Chandler: Donc, si je comprends bien, la raison pour laquelle les gens ne font pas cela est principalement qu’ils manquent des outils nécessaires. Ils se tournent vers Excel non pas parce qu’ils le préfèrent, mais parce que ERP n’a pas su fournir le type d’analyse de risques sophistiquée dont ils ont besoin pour prendre les bonnes décisions pour leur supply chain. Alors, si nous parlons de ces industries, dans quelles industries la prévision probabiliste fonctionne-t-elle le mieux ? Où voyez-vous les meilleurs résultats pour une prévision probabiliste ?
Joannes Vermorel: Les prévisions probabilistes excellent vraiment lorsqu’il y a de l’incertitude. Par exemple, si vous souhaitez produire des prévisions de consommation d’électricité à l’échelle nationale, vous pouvez le faire avec un haut degré de précision. Vous pouvez obtenir une prévision dont la précision est d’environ 0,5 % si vous voulez prévoir la consommation d’électricité de la France par tranche d’une heure, probablement jusqu’à 48 heures à l’avance. C’est une situation où l’on connaît presque parfaitement l’avenir. Il en va de même si vous voulez prévoir le trafic routier, où vous pouvez obtenir des prévisions très précises car c’est hautement prévisible. Mais lorsque vous vous tournez vers des domaines où l’incertitude est plus grande, c’est là que les prévisions probabilistes prennent tout leur intérêt.
Kieran Chandler: Pouvez-vous donner quelques exemples de ces domaines ?
Joannes Vermorel: Absolument. Des industries comme la mode, où les tendances sont très erratiques, en sont de bons exemples. La mode comporte de nombreuses incertitudes irréductibles. L’aérospatiale et la maintenance en général présentent également un grand degré d’incertitude, non pas parce que les avions sont imprévisibles, mais parce que vous disposez de nombreuses pièces qui sont rarement nécessaires. Vous ne savez pas quand une pièce sera requise, et vous avez tant de pièces de rechange et d’avions qu’il ne s’agit pas de vendre des bouteilles de lait sur un marché libre où vous vendez des centaines d’unités chaque jour. La situation est beaucoup plus erratique.
Le e-commerce en général est un autre exemple. La longue traîne de produits est en réalité très longue et la majeure partie de vos ventes provient de produits dont les ventes sont intermittentes et erratiques. Et n’oublions pas tout ce qui se passe au point de vente et au niveau du magasin. Même si vous observez ce qui se passe dans un magasin, même dans un hypermarché qui peut avoir jusqu’à cent mille références, vous n’avez, en Europe par exemple, qu’environ 2 000 produits pour lesquels vous allez vendre cinq unités ou plus chaque jour. Tous les autres produits se vendront à moins de cinq unités par jour. Ce sont donc de petits chiffres, et la nature erratique est importante. Les prévisions probabilistes excellent ici car elles vous donnent un aperçu des risques liés aux décisions de stocks que vous prenez.
Kieran Chandler: En somme, les prévisions probabilistes excellent dans les domaines où il y a un haut niveau d’incertitude ?
Joannes Vermorel: C’est exact.
Kieran Chandler: Peu importe que vous ayez beaucoup d’incertitude et que vous deviez optimiser vos décisions en tenant compte de toutes les manières dont, d’une part, la demande peut être étonnamment faible et, d’autre part, étonnamment élevée. D’accord, nous avons longuement parlé des avantages de la prévision probabiliste. Nous avons évoqué les domaines où elle fonctionne bien. Mais qu’en est-il des industries où son utilisation n’est pas vraiment appropriée ? Existe-t-il des industries pour lesquelles la prévision classique convient ?
Joannes Vermorel: Oui, par exemple, si vous produisez du ciment et que vos clients vous fournissent un carnet de commandes pour les trois prochaines années, alors vous n’avez pas besoin de prévisions. Si vous connaissez l’avenir, cela peut également se produire pour certaines lignes de production dans l’industrie automobile. Lorsque, 12 mois à l’avance, vous savez exactement ce que vous allez produire parce qu’un grand constructeur automobile vous donne une feuille de route très précise, avec une déviation maximale de cinq pour cent, et qu’il n’y a aucune incertitude résiduelle quant à vos plans – qu’il s’agit purement d’exécution – alors en effet, la prévision probabiliste ne vous sera d’aucune aide. Elle ne vous sera utile que s’il existe une certaine forme d’irrégularité. Si vous ne pouvez pas connaître l’avenir parfaitement et si votre feuille de route est déjà figée pour les 12 prochains mois, alors en gros, la prévision probabiliste ne vous intéresse pas.
Kieran Chandler: D’accord, et pourquoi les entreprises commencent-elles à utiliser des prévisions probabilistes maintenant ? Je veux dire, ce n’est pas une technologie particulièrement nouvelle, n’est-ce pas ? Alors pourquoi est-ce le moment où elles commencent à être utilisées un peu plus couramment dans l’industrie ?
Joannes Vermorel: Il y a probablement plusieurs raisons. Tout d’abord, cela demande beaucoup plus de puissance de calcul, de sorte que vous vous retrouvez avec des modèles statistiques consommant de 100 à 1 000 fois plus de ressources informatiques. La bonne nouvelle, c’est que la puissance de calcul n’a jamais été aussi bon marché, elle est donc rarement le goulot d’étranglement. Mais cela signifie tout de même qu’il y a une décennie, la plupart de ces calculs de probabilité étaient extrêmement coûteux. C’est très différent de pouvoir faire fonctionner votre supply chain avec un budget de 2 000 euros par mois pour la puissance de calcul, ou de 2 millions d’euros par mois pour la puissance de calcul. En pratique, cela fait une grande différence. C’est ce que signifient trois ordres de grandeur en termes de coût. Ainsi, clairement, le fait que la puissance de calcul soit beaucoup moins chère a grandement contribué à rendre ces méthodes beaucoup plus pratiques. La deuxième raison est qu’il existe toute une classe de méthodes statistiques connues sous le nom de deep learning, qui est à l’origine de ce mot à la mode artificial intelligence. Il s’agit avant tout de deep learning, et le deep learning repose en réalité sur la prévision probabiliste. Vous ne vous souciez peut-être pas ou ne comprenez peut-être pas les aspects techniques, vous appréciez peut-être simplement le fait de disposer d’une pièce de software qui réalise la reconnaissance vocale pour vous, mais elle est en réalité propulsée par des calculs probabilistes en coulisses. D’abord, nous avons eu plus de puissance de calcul, puis nous avons eu des théories mathématiques comme le deep learning qui ont dominé en termes de références en intelligence artificielle. Par exemple, lorsque l’IA est parvenue à surpasser des joueurs tels que le champion du monde de Go, c’est une méthode probabiliste qui a été utilisée, et non une méthode combinatoire.
Kieran Chandler: D’accord, donc il semble que la prévision probabiliste soit vraiment une affaire du présent, mais qu’en est-il de l’avenir ? Je veux dire, comment voyez-vous les prochaines étapes pour la prévision probabiliste ? Pensez-vous qu’elle va durer longtemps, ou comment la voyez-vous ?
Joannes Vermorel: Oui, je veux dire, je pense que le chat est sorti du sac et qu’il ne reviendra pas. Nous ne reviendrons probablement plus à la prévision classique. Une fois que vous disposez d’une prévision probabiliste, vous savez beaucoup plus de choses sur l’avenir, il serait donc très étrange de revenir à une approche qui vous offrait fondamentalement bien moins d’informations.
Kieran Chandler: Moins d’informations sur l’avenir maintenant, même si l’on dit que nous voulons explorer tous les futurs possibles. En pratique, nous n’explorons pas toutes les possibilités. Par exemple, nous pouvons dire que j’ai une probabilité de vendre zéro, une, deux, trois unités de ce produit et effectuer une analyse similaire pour un autre produit. Mais qu’en est-il de la probabilité conjointe pour ces deux produits ensemble ?
Joannes Vermorel: En effet. Soudainement, je dois estimer peut-être une centaine de scénarios pour prendre en compte toute la demande pour mon produit A. Je dois évaluer une centaine de scénarios pour toute la demande du produit B. Mais qu’en est-il d’examiner tous les scénarios pour les produits A et B ensemble ? Cela représente environ dix mille scénarios à considérer. Et si j’ajoute un troisième produit avec une centaine de scénarios, cela ferait un million de scénarios à examiner. La situation devient rapidement plus compliquée si vous voulez exprimer toutes les probabilités de manière explicite. Je pense que ce que nous verrons de plus en plus à l’avenir, ce sont des méthodes qui n’essaient même pas d’exprimer ces probabilités. Vous n’essayez même pas de calculer toutes les possibilités pour tout ce qui peut arriver. Vous avez des méthodes qui effectuent ces calculs sans énoncer explicitement les probabilités. C’est de cela qu’il s’agit avec le deep learning et les techniques d’IA. Elles calculent des probabilités, mais pas en exprimant tout sous forme de probabilité. Le gros avantage est que vous pouvez explorer des scénarios concernant l’avenir qui sont extrêmement compliqués, et bien au-delà de la capacité de n’importe quel ordinateur raisonnable, voire même d’une flotte d’ordinateurs.
Vous pouvez toujours explorer toutes ces caractéristiques grâce à des astuces mathématiques intelligentes. L’essence du deep learning est de ne pas explorer l’avenir de manière aléatoire. Vous voulez vous concentrer sur les futurs qui sont les plus susceptibles d’être pertinents pour la prévision. Ainsi, vous souhaitez vous focaliser sur les zones relativement denses, où la probabilité d’un avenir intéressant est plus élevée, plutôt que d’essayer d’explorer tout au hasard.
Cette approche débloquera une multitude de scénarios. Par exemple, l’une des choses que nous essaierons probablement d’explorer cette année sera d’examiner non seulement tous les niveaux de demande possibles pour les produits, mais également d’étudier tous les horizons temporels possibles. Vous souhaitez une prévision de la demande pouvant débuter à n’importe quel moment et se terminer à n’importe quel moment, de manière aléatoire.
C’est une manière, par exemple, de refléter un scénario où vous avez une expédition arrivant par navire et où il y a de l’incertitude. Vous ne savez pas exactement quand le produit cessera d’être disponible à la vente dans votre magasin, en ligne ou hors ligne, et vous souhaitez prendre cette incertitude en compte lors de l’élaboration de vos plans de stocks.
Vous devez tenir compte du fait que vous avez une incertitude quant au moment où les marchandises seront reçues et quant au début et à la fin réels de la demande. Si vous voulez aller encore plus loin, il serait très intéressant de commencer à explorer des scénarios hypothétiques.
Dans le cadre de notre feuille de route à long terme, nous prévoyons même de commencer à explorer quels sont tous les futurs possibles si vous prenez en compte tous les ajustements de prix que vous pouvez réaliser sur vos produits. Vous voulez voir quels sont tous les futurs possibles pour la demande si vous laissez vos prix tels quels et que se passerait-il si vous commenciez à explorer toutes les possibilités pour tous les ajustements de prix que vous pouvez réaliser en supplément.
Lorsque vous commencez à penser à tous ces futurs possibles, les chiffres deviennent extrêmement élevés. L’astuce est que vous ne voulez pas essayer d’itérer individuellement sur tous ces futurs. Vous voulez disposer d’une sorte de techniques mathématiques qui vous permettent d’en explorer beaucoup sans tenter de les énumérer.
Kieran Chandler : Eh bien, il semble qu’il y ait tellement de possibilités. Je suis content que cela soit laissé aux ordinateurs car sinon, mon cerveau va probablement exploser. Mais nous allons devoir en rester là pour aujourd’hui. Merci d’avoir pris le temps de nous parler de la prévision probabiliste. Cela a été vraiment intéressant. Merci. C’est tout pour l’épisode d’aujourd’hui. Nous serons de retour la semaine prochaine, mais d’ici là, assurez-vous d’être abonné à nos vidéos et nous vous retrouverons très bientôt. Au revoir pour l’instant.