Prévision de la demande pour les nouveaux produits

00:00:04 Défi de la prévision des lancements de nouveaux produits.
00:00:35 Problèmes avec les approches de prévision traditionnelles.
00:02:00 Critique de la prévision des séries temporelles pour les nouveaux produits.
00:03:45 Approches alternatives de prévision des nouveaux produits.
00:07:22 Apprentissage profond et analyse des attributs dans la prévision.
00:09:06 Influence de la demande : attributs des produits tels que la couleur, la taille.
00:11:23 Apprentissage profond pour la prévision de caractéristiques de produits diverses.
00:11:58 Incertitudes liées aux lancements de nouveaux produits.
00:13:38 Avantages des prévisions probabilistes dans la gestion des risques.
00:14:44 Implications des lancements de nouveaux produits sur les produits existants.
00:16:01 Concept de cannibalisation des produits, tactiques de l’industrie de la mode.
00:18:02 Sensibilité de la prévision des prix et complications de prix optimaux.
00:21:20 Surajustement dans la modélisation statistique, impacts de la prédiction des prix.
00:21:58 Avancées dans la technologie de prévision des produits.
00:24:33 Cannibalisation dans les lancements de produits, recherche sur la fidélité des clients.

Résumé

Dans une interview, Joannes Vermorel, fondateur de Lokad, aborde les défis de la prévision de la demande pour les nouveaux produits. La prévision traditionnelle des séries temporelles échoue pour les nouveaux produits en raison du manque de données historiques. Vermorel critique les logiciels de planification de la demande conventionnels pour leur forte dépendance aux données passées. Pour les produits nouveaux, il suggère de réaliser des enquêtes de marché. Lorsque les nouveaux produits sont des variations de produits existants, Vermorel propose d’utiliser les attributs des produits pour anticiper la demande. Il souligne l’incertitude et la cannibalisation comme des défis importants dans la prévision des nouveaux produits, préconisant une approche probabiliste. Vermorel indique que l’orientation future de Lokad consiste à exploiter le “réseau social” du client et à passer de l’apprentissage profond à la programmation différentiable.

Résumé étendu

Dans une interview en cours, Kieran Chandler et Joannes Vermorel, fondateur de Lokad, explorent le potentiel et les obstacles de la prévision de la demande pour les produits nouvellement lancés. Bien que cela soit intrinsèquement difficile et imprévisible, Vermorel affirme qu’il est possible de prévoir les nouveaux produits, bien que cela soit exigeant et nécessite des efforts importants.

L’interview commence par reconnaître l’importance de la prévision des lancements de produits, qui permet aux entreprises de profiter de la hausse habituelle de la demande après la sortie d’un nouveau produit. Cependant, Vermorel souligne que la méthode de prévision standard, la prévision des séries temporelles, est insuffisante lorsqu’elle est appliquée aux nouveaux produits.

La prévision des séries temporelles prolonge les tendances historiques dans le futur, une approche similaire à la prédiction des modèles météorologiques. Par exemple, un modèle de prévision de base pourrait prendre en compte les ventes de la semaine dernière pour prédire les ventes de la semaine prochaine. Cependant, avec un nouveau produit, il n’y a pas de données de ventes précédentes sur lesquelles baser les prédictions, rendant cette méthodologie insuffisante.

Vermorel critique également les logiciels de planification de la demande conventionnels qui dépendent principalement de “formes glorifiées de moyennes mobiles”, avec des modèles tels que le lissage exponentiel, la régression linéaire et ARIMA agissant comme des moyennes mobiles sophistiquées. Bien que ces modèles puissent prendre en compte des coefficients saisonniers et des fenêtres de moyenne variables, ils dépendent encore fortement des données passées, ce qui les rend inadaptés aux nouveaux produits.

En ce qui concerne la prévision pour les produits complètement nouveaux, comme le premier iPhone, Vermorel suggère que les prévisions statistiques nécessitent un ensemble pertinent d’observations passées. Sans produits similaires précédents, il est presque impossible de générer une prévision fondée statistiquement.

Une stratégie pour de tels scénarios uniques pourrait consister à étudier le marché et à mesurer les opinions des consommateurs. Malgré le coût élevé et le temps nécessaire, Vermorel estime que pour les lancements majeurs comme l’iPhone, qui ont probablement coûté des centaines de millions en recherche et développement, les dépenses de recherche de marché détaillée pourraient être justifiées.

Vermorel commence par souligner les défis auxquels sont confrontés les lancements de plusieurs nouveaux produits. Il affirme que de nombreux nouveaux produits ne sont pas complètement nouveaux, mais sont souvent des variations de produits existants, ce qui simplifie leurs estimations de ventes futures. Il utilise l’industrie de la mode comme exemple, notant que bien qu’ils introduisent de nouvelles collections chaque saison, elles se composent généralement d’articles familiers, tels que des chemises ou des chaussures, avec des caractéristiques différentes.

Pour prévoir les ventes de nouveaux produits, Vermorel propose de comparer le nouveau produit à des produits existants en utilisant des attributs communs, une méthode qu’il estime très différente des logiciels de prévision conventionnels. Ces attributs, tels que la taille et la couleur, peuvent offrir des informations précieuses. Par exemple, les tailles extrêmes ou les couleurs spécifiques pourraient ne pas se vendre aussi bien que les plus courantes.

La méthode habituelle de prévision des ventes de nouveaux produits demande à un responsable de la chaîne d’approvisionnement d’établir un lien entre un nouveau produit et un ancien. Vermorel critique ce processus comme étant fastidieux, surtout lorsqu’il s’agit de lancer des milliers de nouveaux produits. Cela nécessite d’inspecter manuellement une vaste archive de lancements passés. Toute correspondance incorrecte basée uniquement sur l’intuition peut rendre la prévision complètement hors cible.

Vermorel propose une approche plus intelligente, en utilisant les attributs du produit pour prédire la demande. Selon l’industrie, ces attributs peuvent varier de la taille, de la couleur, du prix et des motifs pour les articles de mode aux cartouches compatibles et autres fonctionnalités pour l’électronique grand public. Cette variété nécessite un algorithme statistique capable de gérer un large éventail de caractéristiques, où les technologies modernes d’apprentissage automatique comme le deep learning pourraient être bénéfiques.

La conversation aborde ensuite l’incertitude inhérente aux prévisions de nouveaux produits. Vermorel reconnaît que le niveau d’incertitude lors d’un lancement de produit est généralement assez élevé et suggère qu’une prévision probabiliste pourrait être plus utile dans un tel cas. Bien qu’une telle prévision puisse ne pas être très précise, l’avantage réside dans la reconnaissance et la prise en compte des risques associés, car la prévision fournit une gamme de futurs potentiels.

Joannes attire l’attention sur le problème de la cannibalisation, en particulier lors du lancement de nouveaux produits, car ils prennent souvent des parts de marché aux produits existants. Ce problème est courant dans l’industrie de la mode, où les nouvelles collections peuvent cannibaliser les ventes des anciennes. Pour contrer cela, l’industrie pousse généralement les anciennes collections grâce à des soldes avant d’introduire les nouvelles.

La discussion se poursuit avec une situation hypothétique. Si Apple devait lancer un iPhone de différentes couleurs simultanément, offrir une variété de choix pourrait stimuler les ventes, mais cela pourrait également entraîner une concurrence interne entre les produits.

La discussion se poursuit avec une situation hypothétique. Si Apple devait lancer un iPhone de différentes couleurs simultanément, offrir une variété de choix pourrait stimuler les ventes, mais cela pourrait également entraîner une concurrence interne entre les produits.

En ce qui concerne la sensibilité au prix, Kieran demande à Joannes s’il est possible de prédire la demande en fonction des variations de prix. Joannes confirme cela, mais explique que cela ajoute plus de complexité à la question. Cette discussion nous amène dans le domaine de l’apprentissage par renforcement et de la nécessité d’un équilibre prudent pour éviter le surajustement, lorsque un modèle fonctionne bien sur des données connues mais mal sur des données inconnues.

Lorsque les points de prix changent, par exemple, une marque peut entrer en territoire inconnu où les données passées deviennent moins pertinentes. Les marques ajustent généralement leurs prix lentement, utilisant ce processus comme une occasion d’apprentissage. Joannes précise que le surajustement peut devenir un problème si les marques commencent à utiliser leurs modèles de prévision pour fixer leurs prix. Pour éviter cela, il est crucial de ne pas trop dépendre de la sortie de votre modèle de prévision lors de la fixation du prix.

Changeant de direction, Kieran s’informe sur le futur proche de la prévision des produits. Joannes révèle que Lokad a récemment introduit un nouveau moteur de prévision basé sur le deep learning, qui, selon leurs tests, représente une amélioration significative et a réduit les erreurs de prévision des nouveaux produits de plus de 20%.

Joannes souligne également l’importance de comprendre le concept de cannibalisation des produits lors du lancement de nouveaux produits. Alors que les détaillants pourraient être tentés de penser que le lancement de nombreux nouveaux produits augmentera considérablement les ventes, Joannes nous rappelle que ces nouveaux produits seront en concurrence pour la même base de clients.

La conversation se termine par Joannes partageant leurs recherches en cours pour exploiter le “réseau social” des clients, qui fait référence aux habitudes de consommation de leur base de clients. Cet effort est motivé par la compréhension que les nouveaux produits ont tendance à gagner d’abord en popularité au sein de la base de clients existante. Ils passent du deep learning à la programmation différentiable, considérée comme le successeur du deep learning, pour gérer cette tâche complexe de manière efficace.

Transcription complète

Kieran Chandler: Aujourd’hui, nous allons discuter de la possibilité de prévoir les nouveaux produits et de comprendre dans quelle mesure nous pouvons avoir confiance dans ces résultats. Joannes, malheureusement, nous n’avons pas de boule de cristal ici chez Lokad. Alors, pouvons-nous réellement prévoir les nouveaux produits ?

Joannes Vermorel: La réponse courte est oui, la réponse plus longue est que c’est difficile, cela nécessite des efforts et des mathématiques appropriées. En fin de compte, lorsque les gens pensent à la prévision, ils imaginent souvent un type spécifique de prévision, quelque chose comme la prévision des séries temporelles. Ils le comparent à la prévision de la température pour la météo. Fondamentalement, vous avez une courbe, ce que vous avez observé dans le passé, et vous voulez étirer cette courbe dans le futur pour obtenir votre prévision. La prévision la plus simple que vous pouvez faire est simplement une moyenne mobile. Par exemple, quelles seront mes ventes la semaine prochaine ? Si je fais la moyenne de mes ventes de la semaine dernière, cela me donne une estimation approximative. Cette approche est naïve mais fonctionne plus ou moins. Cependant, pour les nouveaux produits, cela ne fonctionne pas du tout.

Kieran Chandler: Pourquoi cette approche des séries temporelles ne fonctionne-t-elle pas alors ? Pourquoi cela échoue-t-il ?

Joannes Vermorel: C’est parce que vous n’avez plus rien à moyenner. Vous voulez remonter dans le passé et prévoir l’avenir en moyennant ce que vous aviez. Mais si vous voulez prévoir les ventes d’un produit qui n’a pas encore été vendu, vous n’avez aucune donnée. Si vous prévoyez simplement zéro parce que vous avez vendu zéro la semaine dernière, cela n’a aucun sens. Vous lancez un produit, espérons-le, vous en vendrez quelques unités. L’algorithme traditionnel de moyenne mobile ne fonctionne tout simplement pas. C’est intéressant car la plupart des premiers logiciels de planification de la demande se basaient tous sur des formes glorifiées de moyennes mobiles. Il existe de nombreux modèles statistiques qui portent des noms sophistiqués mais ne sont rien d’autre que des moyennes mobiles glorifiées. Le lissage exponentiel est une sorte de moyenne mobile, la régression linéaire est à peine meilleure qu’une moyenne mobile.

Kieran Chandler: Comment pouvons-nous réellement établir une prévision pour quelque chose de complètement nouveau ? Si nous prenons, par exemple, l’iPhone avant sa sortie, rien de tel n’existait auparavant. Pouvons-nous réellement prévoir cela ?

Joannes Vermorel: Si vous voulez faire une prévision ou du moins une prévision statistique, vous devez disposer d’un ensemble pertinent d’observations passées. Vous essayez toujours de projeter l’avenir en regardant dans le rétroviseur, mais vous devez avoir quelque chose à regarder. Si vous avez un produit qui est complètement unique, alors d’un point de vue statistique, c’est terminé. Vous ne pouvez pas travailler statistiquement. Ce que vous pouvez faire au mieux, c’est enquêter sur le marché et recueillir des opinions sur le fait que les gens l’achèteraient ou non. Évidemment, c’est un processus très coûteux. Apple a pu le faire pour l’iPhone car ils avaient probablement investi des centaines de millions de dollars en recherche et développement pour mettre l’iPhone sur le marché. Donc, ils pouvaient encore se permettre de dépenser quelques centaines ou milliers de dollars pour des enquêtes intelligentes.

Kieran Chandler: Donc, pour une estimation approximative de ce que vous allez vendre, évidemment, si vous lancez de nombreux nouveaux produits, vous ne pouvez pas vous permettre d’avoir un processus aussi fastidieux. La bonne nouvelle, c’est que si vous lancez beaucoup de choses, quelles sont les chances que tout ce que vous lancez soit complètement nouveau ? En pratique, presque nulles, car vous ne pouvez pas lancer des centaines de produits qui sont complètement uniques. Si vous lancez des centaines de produits chaque année, il y a de fortes chances qu’ils soient tous des variations du même thème ou sujet ou style.

Joannes Vermorel: Exactement, vous pouvez relier un produit existant à une caractéristique du nouveau produit. Si vous êtes dans la mode, par exemple, avec chaque collection, vous aurez de nouvelles chemises et de nouvelles chaussures. Mais ce sont toujours des chemises ou des chaussures, et ces produits ont des caractéristiques, comme les tailles. Même si vous ne savez pas combien d’unités vous allez vendre, vous comprenez que les tailles extrêmes ne se vendront pas autant que la taille prédominante. Si vous voulez avoir un modèle statistique, il vous suffit de tirer parti de cette observation. Si vous prévoyez combien il y aura de demande future pour les produits que vous êtes sur le point de lancer, vous devez examiner tous les lancements précédents que vous avez réalisés dans le passé et relier le produit en cours de lancement aux anciens grâce à leurs attributs.

Kieran Chandler: C’est intéressant, surtout l’approche par attributs qui semble être assez différente de ce qui est généralement fait dans la plupart des logiciels de prévision. Maintenant, avec les avancées de la technologie de deep learning, est-ce que c’est la méthode principale utilisée pour examiner ces attributs plus en détail ?

Joannes Vermorel: Oui, comparons cela à la perspective classique de la prévision des nouveaux produits. Au départ, vous avez des modèles de moyenne mobile, c’est tout. Pour prévoir un nouveau produit, vous demandiez au responsable de la chaîne d’approvisionnement de créer un lien entre un nouveau produit et un ancien. Cette approche traditionnelle nécessitait un être humain, un responsable de la chaîne d’approvisionnement, pour répondre à la question : “Quel produit est le plus similaire à celui que vous êtes sur le point de lancer ?” afin que nous puissions prétendre que ce produit se vend déjà. Ensuite, vous pouvez revenir à votre approche de moyenne mobile car soudainement, vous avez une série chronologique ; vous avez des ventes passées pour le produit.

Cependant, si vous lancez mille nouveaux produits et que vous devez prendre cette décision de mappage pour chaque nouveau produit que vous êtes sur le point de lancer, et que dans votre historique, vous avez probablement lancé des dizaines de milliers de produits, alors le processus est incroyablement fastidieux. Vous devriez enquêter manuellement sur une archive complète des lancements passés pour faire ce mappage. Si vous faites le mappage de manière incorrecte, en ne vous fiant qu’à votre intuition, alors votre prévision est complètement inutile.

Une approche plus intelligente consiste à tirer parti des attributs et à considérer quels attributs régissent la quantité de demande que vous pouvez attendre. Revenons à la mode, les tailles sont un indicateur très clair, mais la couleur est également un facteur important. Par exemple, si vous avez des vêtements pour enfants, les parents sont peu susceptibles d’acheter des vêtements excessivement blancs car les enfants vont les salir. Par conséquent, le blanc immaculé pour les enfants tend à ne pas être une si bonne couleur. Cependant, pour les chemises de travail, les couleurs dominantes sont susceptibles d’être le blanc, le bleu clair et le rose clair.

Kieran Chandler: Si vous voulez avoir, disons, du jaune vif pour les chemises de travail, cela représente probablement un pourcentage infime de vos ventes. Ce type d’observations peut être fait intuitivement, mais les relations peuvent être très subtiles. Les attributs peuvent être incroyablement divers - taille, couleur, gammes de prix, motifs sur les vêtements. Ou prenons l’électronique grand public, si vous voulez prévoir la demande pour la prochaine imprimante, vous avez un large ensemble de caractéristiques à prendre en compte - cartouches compatibles, autres fonctionnalités - c’est super diversifié.

Joannes Vermorel: C’est là que nous sommes confrontés à une situation où vous avez besoin d’un algorithme capable de gérer cette diversité écrasante. C’est là que le deep learning, la forme moderne de l’apprentissage automatique, entre en jeu. Les algorithmes de deep learning sont particulièrement efficaces pour traiter un ensemble incroyablement diversifié de caractéristiques, qui peuvent même inclure des descriptions en texte brut des produits.

Kieran Chandler: Il y a une énorme quantité de variabilité, beaucoup de choses à prendre en compte. Pouvons-nous avoir confiance dans les résultats des prévisions pour les nouveaux produits ?

Joannes Vermorel: C’est précisément le point sur lequel les prévisions probabilistes tentent de répondre. Le niveau d’incertitude lors du lancement d’un nouveau produit est généralement très élevé. Si prévoir un nouveau produit était facile, il ne serait probablement pas nouveau, ce serait simplement un remplacement simple d’un substitut presque parfait pour l’un de vos produits existants. Dans ce cas, la correspondance manuelle que j’ai décrite précédemment est probablement adaptée. Mais si vous lancez quelque chose de légèrement nouveau, qui ne correspond pas complètement à ce que vous vendiez auparavant, il y a une incertitude irréductible. Mais ce n’est pas grave. Vos concurrents sont confrontés au même défi. Pour les surpasser, il vous suffit de prévoir mieux qu’eux. Vous n’avez pas de boule de cristal, mais il y a de fortes chances qu’ils n’en aient pas non plus.

Kieran Chandler: Avec cette incertitude irréductible, quelles sont nos attentes ?

Joannes Vermorel: C’est là que réside l’avantage des prévisions probabilistes. Oui, votre prévision sera imprécise, mais si vous faites une prévision probabiliste, vous en êtes pleinement conscient. Ce que vous verrez dans la pratique, c’est une distribution répartie sur de nombreux futurs possibles, de sorte que vos décisions tiennent compte du risque d’avoir une demande excessivement supérieure ou inférieure à votre prévision. Il s’agit de prendre en compte toutes les possibilités.

Kieran Chandler: Si nous regardons maintenant les choses du point de vue de Lokad, nous examinons une gamme de probabilités pour l’ensemble de l’entreprise, l’ensemble du catalogue. Si un article individuel peut se vendre énormément ou très peu, cela ne changerait-il pas les résultats de toutes nos prévisions ?

Joannes Vermorel: Absolument, cela le fait, et c’est ce qui rend le problème plus complexe.

Kieran Chandler: Cela semble assez compliqué. Si je comprends bien, si vous voulez produire une prévision statistique pour de nouveaux produits, vous devez examiner les lancements passés et faire correspondre leurs attributs pour trouver des produits pertinents. Ce processus ressemble au concept de “correspondance”, mais entièrement automatisé. Cependant, le lancement d’un nouveau produit déplace la demande de vos produits existants. Ai-je raison ?

Joannes Vermorel: En effet, chaque produit que vous lancez est susceptible de cannibaliser vos ventes existantes. Prenons par exemple un détaillant de mode qui lance un nouveau type de chemise. Il vendait probablement déjà des chemises, donc lorsque un nouveau design tendance arrive, vous ne gagnez pas seulement des parts de marché contre vos concurrents. Au lieu de cela, vos clients peuvent choisir ce nouveau produit plutôt qu’un autre que vous vendiez déjà. Cette situation entraîne une cannibalisation, qui est très difficile à gérer.

Kieran Chandler: C’est tellement difficile à gérer que c’est l’une des principales raisons pour lesquelles les marques de mode ont des collections, n’est-ce pas ?

Joannes Vermorel: Exactement. Au lieu d’essayer de résoudre ce problème complexe de cannibalisation, il est plus facile de faire une vente, d’épuiser toutes les collections précédentes, puis de commencer une nouvelle collection. De cette façon, vous évitez la cannibalisation entre la nouvelle collection et l’ancienne. Vous avez liquidé le stock afin de ne pas avoir deux collections en concurrence à un moment précis.

Kieran Chandler: Donc, si vous voulez affiner votre prévision pour un nouveau produit, cela ne peut pas être fait de manière isolée, n’est-ce pas ? Si vous lancez plusieurs produits, ils vont cannibaliser ce que vous avez et se cannibaliser entre eux.

Joannes Vermorel: Correct. Par exemple, si Apple décide de lancer un nouvel iPhone, ils n’auraient pas les mêmes ventes s’ils ne sortaient qu’une seule couleur - noir, par exemple - par rapport à s’ils permettaient aux clients de choisir parmi cinq couleurs différentes le jour du lancement. Bien que le fait d’avoir plus d’options puisse légèrement augmenter les ventes, il y aurait également beaucoup de cannibalisation.

Kieran Chandler: Vous avez mentionné les ventes, ce qui revient à ajuster le prix du produit en fonction des tendances du marché. Existe-t-il un moyen de prévoir la sensibilité du prix ? Est-il possible de prédire la demande d’un produit si je baisse son prix ?

Joannes Vermorel: Oui, mais cela rend le problème encore plus compliqué. Cela nécessite de passer de l’apprentissage supervisé classique au domaine de l’apprentissage par renforcement ou à d’autres situations avancées. Pourquoi ? Parce que vous contrôlez ce que vous allez observer une fois que vous commencez à prendre en compte le prix.

Par exemple, une marque de mode n’a observé que le modèle de vente pour les points de prix qu’elle a pratiqués dans le passé. Donc, si vous décidez de vous positionner sur des points de prix plus élevés, vous vous aventurez dans des territoires inconnus où vos données passées ne sont pas très pertinentes. De nombreuses marques feraient une transition progressive afin de pouvoir encore apprendre et voir.

D’un point de vue statistique, le défi réside dans le fait que si vous construisez un modèle de prévision qui prend un point de prix en entrée, vous pouvez ajuster la prévision avec le point de prix. Cependant, le danger réside dans ce qui se passe si vous commencez à utiliser la sortie de votre modèle de prévision.

Kieran Chandler: Donc, vous parlez d’un modèle pour traiter la tarification. Comme si l’on pouvait construire un modèle de prévision, ajuster le prix et effectuer des scénarios de type “et si”, en lançant le même produit à des prix différents. Cette approche vise à choisir le prix optimal qui nous bénéficie le plus. Cependant, si cela est fait de manière naïve, cela ne conduirait-il pas à un problème de surajustement particulier ?

Joannes Vermorel: Oui, en effet. Si vous répétez cet exercice plusieurs fois avec de légères variations de prix, le prix que vous choisirez pourrait simplement être une fluctuation de votre modèle de prévision lui-même. En essence, vous amplifierez tout problème de surajustement que vous pourriez avoir dans votre processus d’apprentissage. Le surajustement se produit lorsque un modèle statistique fonctionne bien sur les données que vous avez déjà, mais moins bien sur les données que vous n’avez pas. Ironiquement, lors de la réalisation d’une prévision statistique, vous voulez que votre modèle fonctionne bien sur les données que vous n’avez pas.

Kieran Chandler: Cela soulève en effet une question intéressante sur la manière de mesurer la précision d’un tel modèle. Mais nous pourrons en parler un autre jour. Revenons à cette question de tarification, il semble que l’utilisation du prix dans un modèle comme celui-ci puisse devenir extrêmement compliquée. Et bien sûr, vous ne voudriez pas générer une erreur de surajustement massive en explorant la variable de tarification, n’est-ce pas ?

Joannes Vermorel: Exactement, l’exploration de la variable de tarification peut conduire à un surajustement massif, ce qui est un aspect très délicat à gérer.

Kieran Chandler: Il semble que ce soit un problème assez complexe à résoudre. En guise de dernière question, à quoi ressemble l’avenir proche en termes de prévision de nouveaux produits ? Quelles avancées technologiques pouvons-nous attendre ?

Joannes Vermorel: Eh bien, en décembre dernier, nous avons lancé notre nouveau moteur de prévision basé sur le deep learning. Selon notre propre étude comparative, il s’agissait probablement de l’une de nos mises à niveau les plus importantes en termes de gains incrémentiels de précision. Le gain de précision pour la prévision de nouveaux produits était supérieur à 20% en réduisant l’erreur, ce qui est assez significatif. Une chose que nous avons apprise avec ce modèle est la capacité à exploiter les descriptions en texte brut, ce qui peut être très utile. Par exemple, si vous êtes un détaillant et que vous souhaitez prévoir combien d’unités vous allez vendre pour des boîtes Lego. C’est un problème délicat car, par exemple, Lego sort un nouveau château médiéval chaque année.

Kieran Chandler: Les châteaux médiévaux ne doivent pas être confondus avec les châteaux elfiques. L’un sera destiné aux garçons, tandis que l’autre sera destiné aux filles. Cependant, cela est subtil et vous n’avez pas réellement toutes les attributs détaillés pour refléter cela si vous vendez des milliers de jouets dans votre magasin.

Joannes Vermorel: En effet, tout repose sur les attributs, mais souvent vous n’avez pas autant de données de votre fournisseur. Et vous n’avez pas nécessairement le temps d’ajouter ou d’ajuster manuellement ces données vous-même. Par conséquent, parfois vous avez besoin d’un moteur de prévision capable de traiter la description en texte brut. Un domaine sur lequel nous travaillons actuellement est d’exploiter ces détails pour obtenir des prévisions plus spécifiques et plus précises.

Pour les lancements de produits, il est essentiel d’adopter l’idée de cannibalisation. Si vous lancez plus de produits, cela ne signifie pas que vos ventes vont exploser. Tous les nouveaux produits que vous lancez sont en concurrence pour les mêmes clients que vous avez déjà. Donc, un domaine de recherche sur lequel nous nous concentrons est l’utilisation de notre base de données de fidélité.

Typiquement, si vous êtes un détaillant, vous savez quel client achète quoi. C’est complètement différent d’un point de vue des séries temporelles où vous ne pensez qu’au nombre d’unités vendues par jour ou par semaine pour un produit donné. Ici, vous voulez prendre en compte le réseau social de clients qui ont consommé les produits dans le passé. L’idée est que lorsque vous lancez un nouveau produit, ce nouveau produit commencera principalement par gagner en popularité au sein de votre base de clients existante.

Si vous voulez avoir des modèles mathématiques capables de traiter le réseau social de vos clients, vous devez généralement passer de l’apprentissage profond à la programmation différentiable, qui est la descendante de l’apprentissage profond. C’est là que nous en sommes maintenant.

Kieran Chandler: C’est fascinant. Nous devons en rester là, mais prévoir les médias sociaux et prévoir la fidélité sont des concepts vraiment intéressants. Merci d’avoir pris le temps aujourd’hui.

Joannes Vermorel: Merci.

Kieran Chandler: C’est tout pour cette semaine. Si vous rencontrez des problèmes pour prévoir de nouveaux produits, nous aimerions avoir de vos nouvelles. Envoyez-nous un e-mail ou laissez un commentaire ci-dessous. Nous sommes intéressés par les défis auxquels vous êtes confrontés. C’est tout pour cette semaine, mais nous vous reverrons la prochaine fois. Au revoir pour le moment.