Comment prévoir la saisonnalité

00:00:05 Prévision des ventes saisonnières.
00:00:35 Explication des motifs saisonniers principaux.
00:02:23 Difficultés avec la prévision de la saisonnalité, durée de vie du produit.
00:04:33 Exploration de problèmes supplémentaires liés à la saisonnalité.
00:06:53 Surmonter les problèmes avec des données historiques manquantes.
00:07:16 Solution : prendre en compte les collections de produits pour la saisonnalité.
00:08:49 Dynamic time warping.
00:09:06 Transition vers l’apprentissage approfondi pour la prévision.
00:10:02 Dynamic time warping dans la prévision de la demande.
00:12:09 Gestion des pics de données historiques et des promotions.
00:13:01 Besoin de données précises et d’apprentissage automatique.
00:16:01 La popularité de l’apprentissage approfondi dans l’apprentissage automatique.
00:16:30 Limitations des données passées pour les prédictions futures.
00:17:40 La saisonnalité dans les affaires humaines pour la modélisation.
00:19:42 Amélioration des prévisions avec l’apprentissage automatique.
00:21:39 Avantages de l’apprentissage automatique au fil du temps.

Résumé

Dans une interview, Joannes Vermorel discute des défis liés à l’intégration de la saisonnalité dans la prévision des ventes. La saisonnalité, définie comme des motifs de ventes cycliques influencés par le moment de l’année, la semaine et le jour, contribue aux fluctuations de la demande. Les cyclicités secondaires, telles que l’“effet de la paie” et la “quasi-saisonnalité”, sont également significatives. La compréhension de la demande de base, des tendances et du bruit statistique dans les données aide à une prévision précise. Les défis incluent la durée de vie courte de nombreux produits et la variabilité annuelle d’événements tels que Noël. Vermorel suggère l’adoption d’une perspective collective sur des produits similaires pour prédire les performances des nouveaux produits et l’utilisation de configurations d’apprentissage automatique pour la maintenance automatique des compartiments saisonniers.

Résumé étendu

Kieran Chandler interviewe Joannes Vermorel sur le concept de saisonnalité dans la prévision des ventes et ses défis associés.

La saisonnalité est l’un des motifs centraux utilisés pour améliorer la précision des prévisions de ventes, mais elle est souvent mal comprise et mal appliquée. Vermorel identifie la saisonnalité comme une cyclicité majeure dans les motifs de ventes. Il divise ces cyclicités en trois types clés : le moment de l’année, le jour de la semaine et le moment de la journée, qui contribuent tous aux variations de la demande des consommateurs.

Vermorel parle également des cyclicités secondaires telles que l’effet du “salaire”, qui est le cycle mensuel des personnes recevant leur salaire et son impact sur leur comportement d’achat. De plus, il introduit les “cyclicités minérales” ou “quasi saisonnalité”, qui incluent des événements tels que Pâques, le Ramadan et le Nouvel An chinois, qui se répètent mais ne tombent pas toujours à la même date chaque année selon le calendrier grégorien.

Comprendre la demande de base, les tendances et le niveau de bruit statistique dans les données est un autre aspect crucial que Vermorel met en évidence. Reconnaître ces motifs aide à différencier le bruit aléatoire des motifs statistiques authentiques, ce qui est essentiel pour une prévision efficace.

Malgré la simplicité apparente de la saisonnalité, Vermorel explique pourquoi les gens ont souvent du mal avec elle. Le premier défi est la durée de vie courte de la plupart des produits sur le marché. Par exemple, la durée de vie moyenne d’un produit de grande consommation est de trois à cinq ans. Cela implique qu’une grande partie d’un catalogue de produits pourrait ne même pas exister pendant une année complète, ce qui complique l’application de la saisonnalité.

Vermorel introduit le concept de “distorsion temporelle” dans la saisonnalité, faisant référence aux changements dans les motifs saisonniers dus à divers facteurs. Les changements dans les conditions météorologiques peuvent encourager les consommateurs à commencer leurs achats d’hiver plus tôt ou plus tard que d’habitude. Le climat politique et le sentiment des consommateurs peuvent également influencer le moment des achats, comme les achats de Noël. Ces changements peuvent déformer les motifs saisonniers typiques, rendant la prévision difficile.

Ensuite, il parle de l’interférence de motifs supplémentaires avec la saisonnalité. Vermorel souligne l’importance de distinguer entre ces influences externes et les véritables tendances saisonnières. Il explore comment aborder les défis causés par le manque de données historiques pour une partie importante d’un catalogue. Il propose une perspective collective, en identifiant des motifs saisonniers communs à une gamme de produits similaires. Ce motif partagé peut être appliqué à de nouveaux produits, permettant une prévision de la saisonnalité dès le premier jour, même pour les produits sans historique des ventes.

En réponse à une question sur la prévision dans des conditions météorologiques incertaines, Vermorel présente le concept de “dynamic time warping”. Cependant, il admet que la mise en œuvre de “dynamic time warping” est très complexe, ce qui a conduit Lokad, comme la communauté de la reconnaissance vocale, à passer à l’apprentissage profond pour leur moteur de prévision.

Pour différencier la demande saisonnière des pics promotionnels, Vermorel propose une approche de décomposition paramétrique. Cependant, il reconnaît les limites de cette méthode car les données historiques sont généralement entremêlées, ce qui rend difficile l’apprentissage de motifs de manière indépendante.

Pour remédier à cela, Vermorel propose deux stratégies. Premièrement, enregistrer tous les événements qui perturbent l’observation de la demande, y compris les promotions, les ruptures de stock et d’autres facteurs affectant les ventes. Deuxièmement, utiliser une configuration d’apprentissage automatique pour apprendre tous ces motifs conjointement, plutôt que d’essayer de les apprendre séparément. Il suggère que c’est pourquoi l’apprentissage profond est devenu populaire dans la communauté de l’apprentissage automatique.

Vermorel reconnaît le défi d’avoir une confiance totale dans les résultats en raison des distorsions des données. Cependant, il affirme que la plupart des marchés ont beaucoup d’inertie et que le passé récent est une approximation raisonnable du futur proche.

Il souligne également l’importance de la saisonnalité dans la prévision de la demande, reconnaissant sa stabilité tout en soulignant son caractère non fixe. Cela signifie que la saisonnalité peut évoluer d’une année à l’autre et qu’un bon modèle statistique devrait être capable de prédire ce taux moyen d’évolution.

À la fin de la conversation, Vermorel recommande aux entreprises qui cherchent à améliorer leurs approches de prévision de la demande de tenir compte de la saisonnalité en passant à des configurations d’apprentissage automatique, en abandonnant les anciennes méthodes nécessitant la création manuelle de profils de saisonnalité. L’apprentissage automatique permet de maintenir automatiquement des compartiments saisonniers, ce qui se traduit par une précision accrue au fil du temps.

Transcription complète

Kieran Chandler: Joannes, nous parlons souvent de la saisonnalité comme l’un des principaux motifs qui sont appliqués pour améliorer la précision des prévisions. Mais que voulons-nous réellement dire par là ? Quels sont les motifs principaux ?

Joannes Vermorel: La saisonnalité est l’un des principaux motifs cycliques. Il existe trois cycles majeurs, qui sont le moment de l’année, le jour de la semaine et l’heure de la journée. Ce sont les trois principaux. Ensuite, vous avez quelques cycles secondaires tels que l’effet de la paie, qui est essentiellement un motif cyclique mensuel où vous avez des effets avec des personnes qui sont payées ou des choses qui se produisent au début ou à la fin du mois. Ensuite, vous avez ce que j’appellerais une quasi-saisonnalité, des événements tels que Pâques, le Ramadan, le Nouvel An chinois. Ces événements se produisent chaque année mais pas exactement au même moment de l’année, du moins selon le calendrier grégorien. Nous avons tous ces motifs cycliques, et la saisonnalité en est un très important. Outre les cycles, nous avons la base de la demande, la tendance de la croissance ou de la réduction des choses au fil du temps, et enfin, la quantité de bruit statistique, qui est également un très grand motif. Vous devez vraiment comprendre la variabilité et déterminer si ce que vous voyez est du bruit ou un véritable motif statistique.

Kieran Chandler: Parlons maintenant de la saisonnalité elle-même. Pourquoi est-ce quelque chose avec lequel les gens ont du mal ? Il semble assez évident de savoir que lorsque Noël arrive, les ventes vont augmenter et que pendant les périodes de vacances, vous allez voir des ventes différentes pour différentes choses. Alors, pourquoi est-ce quelque chose avec lequel les gens ont du mal ?

Joannes Vermorel: La saisonnalité est difficile à maîtriser. Examinons les défis. Le premier défi est que la plupart des produits ont une durée de vie limitée sur le marché. La durée de vie moyenne d’un produit de grande consommation est d’environ trois à cinq ans. Cela signifie que si vous vendez des produits qui durent en moyenne trois ans sur le marché, cela signifie que la moitié de vos produits n’ont qu’un an et demi d’existence. Vous avez même un tiers de vos produits qui ont moins d’un an. Donc, si vous voulez avoir un modèle saisonnier naïf, un modèle statistique où vous dites que les ventes que je vais réaliser pour Noël prochain seront similaires à celles que j’ai réalisées pour le Noël précédent, eh bien, il s’avère que pour un tiers de vos produits, il n’y a pas eu de dernier Noël. Vous n’avez aucune référence. Donc, le premier défi est que, en raison de la nouveauté des produits sur le marché, vous vous retrouvez avec une partie importante de votre catalogue qui n’a pas un an d’existence. Prenons par exemple les pièces de voiture, qui ont tendance à avoir une durée de vie plus longue d’environ six ans, même dans ce cas, un sixième de vos produits n’a même pas un an de ventes. Vous ne pourrez donc pas appliquer cette belle saisonnalité à une partie importante de votre catalogue. C’est l’un des problèmes auxquels nous sommes confrontés avec la saisonnalité.

Kieran Chandler: Quels sont les autres problèmes auxquels nous sommes confrontés avec la saisonnalité ?

Joannes Vermorel: Un autre problème est que la saisonnalité n’est pas nécessairement exactement la même d’une année à l’autre. Oui, Noël est le 25 décembre chaque année, mais si vous passez d’une année à l’autre, la saison de Noël, du point de vue d’un commerçant.

Kieran Chandler: Une année, il a commencé à faire très froid dès octobre, ce qui a incité les gens à commencer leurs achats d’hiver plus tôt dans la saison. À l’inverse, parfois les températures restaient douces plus longtemps, donc les gens commençaient à acheter plus tard. Parfois, même le climat politique affecte les habitudes d’achat. Par exemple, si les gens sont très inquiets pour l’avenir, ils peuvent décider de reporter leurs achats de Noël à la dernière minute. Ce ne sont là que quelques-uns des facteurs qui peuvent causer ce que nous appelons généralement une distorsion temporelle. Vous avez toujours le pic de Noël, par exemple, mais le début de la saison de Noël peut varier de quelques semaines d’une année à l’autre. Ce genre de distorsion peut se produire avec tous les schémas saisonniers. Êtes-vous d’accord ?

Joannes Vermorel: Absolument, et c’est probablement la deuxième classe de problèmes. La troisième classe est que votre saisonnalité est malheureusement affectée par d’autres schémas. Que se passe-t-il, par exemple, si l’année dernière en septembre vous avez eu une promotion massive que vous ne répétez pas cette année ? Vous ne devez pas confondre l’impact de cette promotion avec la saisonnalité. Vous devez dissocier la saisonnalité des autres schémas. Et tous ces changements combinés rendent la saisonnalité beaucoup plus difficile à appréhender que si vous aviez affaire à une situation naïve où vous avez une saisonnalité pure pour un produit qui a une longue durée de vie, qui est stable et où tout fonctionne bien.

Kieran Chandler: Parlons maintenant de la façon de surmonter certains de ces problèmes. Si vous n’avez pas de données historiques pour, disons, un tiers de votre catalogue, pouvez-vous réellement utiliser la saisonnalité dans les prévisions pour ces produits ?

Joannes Vermorel: Oui, mais vous devez commencer à considérer vos produits comme une collection au lieu d’examiner les produits un par un. Ce que je veux dire, c’est que disons que vous avez des bottes d’hiver. Il y aura probablement un schéma saisonnier commun à tous ces produits. Vous pouvez raisonnablement supposer que la saisonnalité commune existe. Donc, si vous pouvez identifier cette saisonnalité commune, peu importe si vous vendez des bottes d’hiver différentes cette année par rapport à l’année dernière. Vous pourriez dire : “Je sais que pour les bottes d’hiver dans leur ensemble, j’ai ce schéma”. Ainsi, lorsque j’introduis un nouveau produit sur le marché, pour lequel je n’ai aucune historique de ventes, je peux appliquer un schéma saisonnier dès le premier jour. Je peux recycler quelque chose qui était basé sur une agrégation de toutes les bottes d’hiver. L’idée clé est de regarder la diversité des produits plutôt que la profondeur de l’historique.

Kieran Chandler: Si vous prévoyez plusieurs mois à l’avance, comment sauriez-vous si l’été va être prolongé d’un mois supplémentaire ? Comment pouvez-vous prévoir cela ?

Joannes Vermorel: C’est là que nous entrons dans la prochaine étape, qui est la façon dont nous traitons toutes les distorsions. Cela peut être fait de manière analytique, en utilisant une technique appelée dynamic time warping. Si les gens sont intéressés, ils peuvent le rechercher sur Wikipedia. La mise en œuvre du dynamic time warping est extrêmement compliquée sur le plan logiciel. Il y a environ 10 ans, la communauté de la reconnaissance vocale, qui faisait de l’apprentissage automatique pour la reconnaissance vocale, a dû faire face au dynamic time warping. Ils ont trouvé cela trop compliqué, ont abandonné et sont passés au deep learning. Fait intéressant, Lokad a fait exactement la même chose pour la saisonnalité. Nous avons implémenté le dynamic time warping dans notre moteur de prévision, mais nous avons finalement remplacé le tout par le deep learning dans la dernière génération de nos moteurs de prévision.

Kieran Chandler: Ça sonne très science-fiction, le time warping. Pourriez-vous nous donner un aperçu rapide ?

Joannes Vermorel: L’aperçu, c’est que vous savez que votre saison va probablement se terminer bientôt, mais vous ne savez pas exactement quand. Cependant, vous pouvez tenir compte de la variabilité.

Kieran Chandler: Nous sommes arrivés à la fin de la saison, donc je sais que la demande va se poursuivre, mais beaucoup moins. Cependant, à quoi ressemble une analyse de saisonnalité sans ce genre de dynamic time warping ? Que se passe-t-il si la saison se termine plus tôt ?

Joannes Vermorel: Lorsque la saison se termine plus tôt, vous avez votre nouvelle base ou niveau, et selon votre profil de saisonnalité, la demande pour la première semaine de décembre est censée être la moitié de celle de la dernière semaine d’août. C’est votre profil statique et rigide. Mais le problème, c’est que si l’été se termine plus tôt et que vous êtes déjà en dehors de la saison estivale à la dernière semaine d’août, vous ne voulez pas diviser à nouveau votre demande par un facteur de 2 lors de la première semaine de septembre. C’est parce que de la dernière semaine d’août à la première semaine de septembre, la demande diminuait, et vous vous trouvez dans une situation où la demande a déjà diminué.

Joannes Vermorel: Le dynamic time warping est une technique qui permet d’éviter les erreurs cumulatives lorsque la saison commence tardivement ou précocement et que vous appliquez votre profil de saisonnalité deux fois. Vous vous retrouvez avec une première baisse de la demande, puis vous réappliquez votre motif saisonnier qui semble indiquer qu’il y aurait une nouvelle baisse, ou le contraire - la demande a déjà atteint un nouveau plateau parce que la saison a commencé tôt, et vous réappliquez ensuite ce facteur par-dessus. Le dynamic time warping ne prédit pas de meilleure transition entre les saisons, mais il vous permet d’éviter ces erreurs cumulatives.

Kieran Chandler: Donc, l’idée est que vous allez avoir le même type de profil de demande, mais il est soit compressé, soit allongé en fonction de la saison ?

Joannes Vermorel: Exactement.

Kieran Chandler: Et ensuite, la dernière chose dont nous avons parlé, ce sont les pics historiques dans les données, et de ne pas transférer ces pics pour la saisonnalité de cette année. Comment cela fonctionne-t-il réellement ? Comment ne pas en tenir compte ? Comment savez-vous quelle est la demande saisonnière et ce qui est simplement un pic dû à une promotion ou quelque chose comme ça ?

Joannes Vermorel: L’approche classique pour la prévision des séries temporelles est une décomposition paramétrique. Vous avez votre historique de demande et vous diriez que sur cette demande, cette quantité est essentiellement la base, cette quantité est le facteur de saisonnalité, cette quantité peut être expliquée par la tendance, etc. Cette approche est faible dans le sens où vous voulez être capable d’apprendre tous vos motifs indépendamment, mais la réalité est que dans vos données historiques, tout est complètement mélangé.

Il y a au moins deux aspects à ce problème. Tout d’abord, vous devez enregistrer correctement dans vos données historiques vos promotions, vos ruptures de stock et tous les autres événements qui ont eu un impact non pas sur la demande, mais sur votre observation de la demande, qui sont les ventes. Les ventes ne correspondent pas à la demande. Par exemple, lorsque vous voulez faire une prévision, vous voulez généralement dire : “Je veux prévoir la demande pour le prix régulier, je ne veux pas prévoir la demande pour un prix promotionnel très bas”. Mais ce que vous avez dans votre historique, ce sont vos ventes et les ventes sont déformées à cause des promotions et éventuellement des ruptures de stock et d’autres choses.

Donc la première chose est que vous devez enregistrer tous les facteurs qui ont déformé votre perception de la demande, ce qui est plus difficile qu’il n’y paraît. Très peu d’entreprises ont un enregistrement très précis de tous les événements qui ont influencé leurs ventes. Cela peut être des choses comme si vous êtes une entreprise de commerce électronique, se souvenir si un produit faisait partie de la page d’accueil ou était mis en avant dans une section, si un produit faisait partie d’une newsletter, s’il y avait des mouvements de prix pour les produits, et même si vous avez une intelligence concurrentielle, se souvenir du prix des produits de vos concurrents.

Kieran Chandler: Vous avez mentionné que les concurrents pourraient avoir causé une baisse de la demande, non pas parce que vous aviez une rupture de stock, mais parce qu’ils faisaient une promotion massive et que vous n’avez pas aligné votre prix sur le leur. Cela expliquerait une baisse de la demande.

Joannes Vermorel: Oui, c’est une partie de la recette. La deuxième partie est la nécessité d’une configuration d’apprentissage automatique où vous pouvez apprendre conjointement tous ces motifs. L’apprentissage automatique moderne ne tente pas d’apprendre des motifs statistiques de manière isolée. Vous n’apprenez pas d’abord la saisonnalité, puis la tendance, puis l’effet promotionnel. Au lieu de cela, vous avez un modèle qui essaie de capturer tous ces motifs en même temps. Cela signifie que le modèle a besoin de la capacité d’apprendre une grande variété de motifs. Cela nécessite un modèle très expressif. C’est pourquoi de nombreuses personnes de la communauté de l’apprentissage automatique ont adopté le deep learning. C’est une approche qui peut générer un modèle capable de capturer une grande variété de motifs.

Kieran Chandler: Vous mentionnez toujours des distorsions. Il semble qu’il y ait tellement de façons possibles de déformer les données, ce qui rend la saisonnalité très difficile à mettre en œuvre. Pouvons-nous vraiment avoir une confiance totale dans les résultats compte tenu du potentiel de distorsion des données ?

Joannes Vermorel: Absolument, et la question est, dans quelle mesure le passé vous permet-il de prédire l’avenir ? C’est l’hypothèse fondamentale derrière la prévision statistique de la demande. Malheureusement, l’avenir ne peut pas toujours être prédit par le passé. Cependant, cela n’est pas complètement vrai lorsque nous parlons de prévisions qui sont quelques mois à l’avance. La plupart des marchés ont beaucoup d’inertie. Le passé récent est encore une approximation raisonnable du futur proche. C’est ce que nous exploitons.

Les motifs saisonniers sont relativement forts. Ils sont observés dans toutes les affaires humaines. Tout suit ce cycle annuel, et cela a probablement été le cas depuis des milliers d’années. Les humains sont des créatures d’habitude, et ces habitudes fortes se reflètent dans presque toutes les séries temporelles qui représentent les affaires humaines.

Par exemple, le nombre de passagers d’avion suivra une courbe annuelle. La quantité de lait achetée un jour donné de l’année aura une courbe de saisonnalité. Il en va de même pour l’achat de jeux vidéo, la consommation d’électricité, et ainsi de suite.

Ces motifs ont été très stables et peuvent être exploités. Mais il y a toujours une certaine incertitude irréductible concernant l’avenir.

Kieran Chandler: Nous avons discuté de l’approche probabiliste dans l’optimisation de la supply chain. D’après ce que je comprends, cette approche peut également gérer la saisonnalité. Pouvez-vous expliquer comment elle traite les changements de motifs saisonniers d’une année à l’autre ?

Joannes Vermorel: Certainement. Notre modèle statistique est conçu pour s’adapter à l’évolution de la saisonnalité. Bien que nous ne puissions pas prédire les changements exacts, nous pouvons prévoir le taux moyen d’évolution. Cela nous permet d’introduire la bonne quantité d’incertitude dans nos prévisions. Il est important de se rappeler que ces prévisions sont des distributions de probabilité qui intègrent le motif de saisonnalité. Cependant, ce n’est pas une représentation parfaite. Il y a une certaine imprécision en termes d’amplitude. Nous tenons compte de la quantité d’augmentation qu’il y aura pendant les périodes de pointe, ainsi que du moment de ces pics. C’est vraiment une combinaison de ces deux facteurs.

Kieran Chandler: Cela a beaucoup de sens. En conclusion, pourriez-vous nous dire quelles mesures les entreprises peuvent prendre pour améliorer leur approche de prévision, en particulier en ce qui concerne la saisonnalité ?

Joannes Vermorel: Eh bien, la première chose qui me vient à l’esprit est qu’elles devraient nous contacter chez Lokad ! Blagues à part, je pense que la mesure la plus importante serait de passer à des configurations d’apprentissage automatique. L’approche traditionnelle de gestion de la saisonnalité consiste essentiellement à créer manuellement des profils de saisonnalité. En gros, vous regroupez les produits en fonction de leur saisonnalité commune. Cette méthode repose cependant fortement sur l’intervention humaine et est difficile à maintenir dans le temps.

Kieran Chandler: Pourriez-vous développer les problèmes liés à cette approche traditionnelle ?

Joannes Vermorel: Bien sûr. Le problème principal n’est pas nécessairement que les hypothèses de l’expert sont incorrectes. Un expert en supply chain peut en effet évaluer avec précision qu’un groupe de produits partage la même saisonnalité. Le problème est que, avec le temps, maintenir ce système devient un cauchemar. Chaque fois que vous lancez un nouveau produit, vous devez vous assurer qu’il se trouve dans le bon groupe. Bien que le regroupement initial puisse être bon, il a tendance à se dégrader et à devenir inefficace avec le temps.

Kieran Chandler: Alors, comment la transition vers l’apprentissage automatique aide-t-elle à résoudre ce problème ?

Joannes Vermorel: Avec une configuration d’apprentissage automatique, vous pouvez maintenir automatiquement vos groupes saisonniers. Cela améliorera considérablement votre précision car vos groupes, même s’ils ne sont pas parfaits, ne se dégraderont pas avec le temps. Ils sont régénérés chaque fois que vous en avez besoin.

Kieran Chandler: C’est très instructif. Malheureusement, nous devons conclure pour aujourd’hui. Merci de nous avoir accordé votre temps, Joannes.

Joannes Vermorel: De rien, c’était un plaisir.

Kieran Chandler: C’est tout pour cette semaine. Nous serons de retour la semaine prochaine avec un nouvel épisode. D’ici là, merci à tous de nous avoir regardés.