Un demi-siècle de science des prévisions (avec Spyros Makridakis)

00:00:08 Introduction et parcours de Spyros Makridakis.
00:01:36 Le scepticisme à l’égard des prévisions statistiques au début.
00:04:44 L’évolution des prévisions dans le secteur de la vente au détail et des biens de consommation.
00:05:44 Résultats des premières études de prévision de Spyros.
00:07:21 La compétition M5 et son importance pour l’industrie des prévisions.
00:08:01 La performance de Lokad lors d’une compétition de prévisions.
00:09:01 Les modèles simples et leur efficacité dans la compétition.
00:10:20 L’évolution des techniques de prévision au fil des ans.
00:11:46 L’introduction des ordinateurs et leur impact sur les prévisions.
00:14:32 Scénario de test par rapport à une application réelle et biais méthodologique.
00:16:00 Discussion sur les défis des prévisions de séries temporelles erratiques.
00:17:20 Changement de perception des prévisions en tant que science.
00:18:28 Le problème de la surconfiance et des attentes irréalistes dans les prévisions.
00:21:00 Gérer l’incertitude et les événements à queue grasse dans les prévisions.
00:23:01 Introduire des a priori structurels pour tenir compte des événements extrêmes dans les modèles de prévision.
00:24:00 Discussion sur l’impact des événements à queue grasse sur les modèles de prévision.
00:24:46 Introduire des a priori structurels pour des décisions de chaîne d’approvisionnement plus résilientes.
00:25:52 Recommandation de l’œuvre de Nassim Taleb pour comprendre les événements cygnes noirs.
00:26:35 Réalisations des compétitions M : simplicité, compréhension de l’incertitude et gestion des risques.

Résumé

Dans cette interview, Kieran Chandler discute des prévisions avec Joannes Vermorel, fondateur de Lokad, et Spyros Makridakis, professeur à l’Université de Nicosie. Ils explorent l’impact des compétitions M, l’efficacité des méthodes simples et le rôle de l’incertitude dans les prévisions. Vermorel partage son expérience dans la compétition M5, en mettant l’accent sur la puissance des modèles simples et l’importance de comprendre l’incertitude. Makridakis souligne l’importance des preuves empiriques et de la préparation face au risque. Ils soulignent les limites des prévisions et le défi de transmettre l’acceptation de l’incertitude aux clients.

Résumé étendu

Dans cette interview, l’animateur Kieran Chandler s’entretient avec les invités Joannes Vermorel, fondateur de Lokad, et Spyros Makridakis, professeur à l’Université de Nicosie et organisateur des compétitions M. La discussion porte sur la science des prévisions et l’impact des compétitions M sur l’industrie.

Spyros Makridakis partage son parcours en tant qu’enseignant et organisateur des compétitions M, qui ont influencé les prévisions tant dans le milieu universitaire que dans l’industrie. L’interview approfondira ensuite les compétitions M5.

Joannes Vermorel évoque le scepticisme auquel il a été confronté lorsqu’il a fondé Lokad en 2007, certaines personnes considérant que les prévisions statistiques étaient peu fiables. Au fil du temps, cette perspective a largement disparu de l’industrie, et Vermorel attribue aux compétitions M de Makridakis le mérite d’avoir contribué à normaliser le domaine en tant qu’entreprise scientifique.

Makridakis souligne l’importance des prévisions en mentionnant la situation actuelle au Texas, où les supermarchés sont en rupture de marchandises. Il explique que la plupart du temps, les consommateurs peuvent trouver ce dont ils ont besoin car des entreprises comme Walmart et Target prévoient des millions d’articles chaque semaine. Lorsque des pénuries se produisent, cela met en évidence l’efficacité des prévisions, car les gens ne s’en rendent compte que lorsque les choses tournent mal.

Makridakis évoque également le début de sa carrière, lorsqu’il a réalisé la première étude sur l’exactitude des différentes méthodes de prévision. Les résultats, qui ont montré que les méthodes simples étaient plus précises que les méthodes sophistiquées et que la combinaison des méthodes améliorait la précision, ont suscité la surprise et initialement été accueillis avec scepticisme. Cependant, ces résultats ont depuis été prouvés et ont eu un impact considérable sur le domaine des prévisions.

Ils discutent des techniques de prévision, de la compétition M5 et de l’impact de la technologie sur le domaine.

Makridakis explique que les nouvelles techniques de prévision utilisant l’apprentissage profond consistent à générer un grand nombre de modèles et à prendre la médiane comme meilleure prévision. Vermorel partage son expérience de participation à la compétition M5, notant que Lokad s’est classé 6e sur 909 équipes du côté de la prévision quantile. Il souligne l’absence de leurs principaux concurrents dans le top 100 et le décalage entre la part de marché et les performances dans de telles compétitions.

Vermorel souligne ensuite que Lokad a utilisé un modèle paramétrique très simple, démontrant la puissance des méthodes simples en prévision. De plus, il insiste sur le fait que l’exactitude n’est pas le seul aspect important en prévision ; comprendre la structure de l’incertitude est également crucial. Makridakis est d’accord, ajoutant que les résultats de la compétition M5 ont montré que les méthodes simples d’apprentissage automatique étaient plus précises et efficaces que les méthodes sophistiquées.

La conversation porte sur l’introduction des ordinateurs en prévision, Makridakis expliquant que la clé du succès réside dans la simplicité. Il décrit l’importance de séparer les données de prévision en parties d’entraînement et de test pour éviter le surajustement du passé et tenir compte des changements entre le passé et le futur. Vermorel est d’accord, soulignant le défi de prédire avec précision des données qui ne sont pas encore disponibles et l’importance de ne pas supposer que le futur sera exactement comme le passé.

Ils discutent de l’évolution de la prévision, de l’importance de ne pas surajuster les données et de la signification de l’incertitude dans les prédictions.

Vermorel explique le développement de la théorie de la prévision à la fin du XXe siècle, avec les travaux de Vapnik et Chervonenkis contribuant au concept de machines à vecteurs de support. Ces machines ont mis en évidence la nécessité de minimiser à la fois l’erreur structurelle et l’erreur empirique, tout en fournissant une borne inférieure pour l’erreur réelle.

Makridakis souligne l’importance des compétitions, où une partie des données est conservée, comme moyen d’établir une méthodologie propre à la prévision. Il oppose cela aux scénarios du monde réel, où il y a une tentation de surajuster les données pour obtenir un ajustement parfait pour les événements passés, ce qui peut conduire à des prédictions futures moins précises.

Vermorel partage un exemple de son expérience chez Lokad, où les clients étaient souvent surpris par la prévision plus régulière générée pour les séries chronologiques erratiques, telles que la consommation d’alcool dans les hypermarchés. Les concurrents présentaient souvent des prévisions qui imitaient de près la nature erratique des données historiques, ce qui rendait les clients sceptiques quant aux prédictions plus régulières de Lokad.

Makridakis discute du changement de perception de la prévision en tant que science, soulignant l’importance de séparer le passé du futur et de ne pas essayer de surajuster les données passées. Il met en évidence l’importance de prendre en compte l’incertitude dans les prédictions et reconnaît que, bien que les clients puissent ne pas apprécier cet aspect, il est crucial pour une prévision réaliste.

La discussion portait sur les attentes de la prévision. Vermorel note que certains concurrents de l’industrie de la vente au détail font des affirmations extravagantes sur la haute précision, ce qui est impraticable compte tenu de la nature du comportement des consommateurs. Cela soulève la question de savoir si les gens s’attendent maintenant trop de la prévision et s’ils la perçoivent comme infaillible.

La conversation tourne autour de la prévision, des limites et des défis dans le domaine, ainsi que de l’impact de l’incertitude et des événements rares sur l’optimisation de la supply chain.

Les participants discutent du fait que certains fournisseurs et consultants ont tendance à surestimer l’idée de prévisions incroyablement précises, ce qui crée des attentes irréalistes chez les utilisateurs. Ils soulignent que la prévision n’est pas parfaite et que l’incertitude est inhérente, notamment dans des domaines tels que la vente au détail. Makridakis souligne qu’il n’y a pas seulement une incertitude normale, mais aussi une incertitude “à queue grasse”, qui se compose d’événements rares et extrêmes pouvant entraîner des perturbations, comme la pandémie de COVID-19.

Vermorel est d’accord avec le problème des consultants qui promettent trop et partage que le défi de la prévision probabiliste n’est pas l’aspect technique, mais plutôt la transmission de l’acceptation de l’incertitude et des limites de contrôle. Il explique que des modèles de prévision simples peuvent être utiles pour injecter des a priori structurels afin de prendre en compte les événements extrêmes, même si la quantification est vague. Ce faisant, les décisions de la supply chain peuvent être orientées vers des solutions plus robustes et résilientes face à des événements peu fréquents.

Makridakis souligne l’importance des preuves empiriques pour déterminer ce qui fonctionne et ce qui ne fonctionne pas en matière de prévision. Grâce aux compétitions M, ils ont découvert que la simplicité fonctionne le mieux, reconnaissant le caractère aléatoire et imprévisible du passé. Il souligne l’importance de reconnaître l’incertitude et le risque associés aux prévisions, ainsi que la nécessité d’être prêt à les affronter.

L’interview aborde les défis et les limites de la prévision, le rôle de l’incertitude dans la prise de décision et l’importance d’intégrer les événements rares dans l’optimisation de la supply chain.

Transcription complète

Kieran Chandler: Lorsqu’il s’agit de prévision, nous avons souvent tendance à considérer comme acquis qu’il existe des techniques éprouvées qui ont été testées pendant des générations. Cependant, une personne qui n’a pas eu cette chance est notre invité d’aujourd’hui, Spyros Makridakis, qui, en tant que l’un des pères fondateurs de l’industrie, a en fait inventé bon nombre des techniques que nous utilisons aujourd’hui comme standard. Aujourd’hui, nous allons en apprendre un peu plus sur sa carrière et sur ce que nous pouvons apprendre de plus de 50 ans d’expérience dans l’industrie. Alors Spyros, merci beaucoup de nous rejoindre en direct de Chypre aujourd’hui. Et comme toujours, nous aimons commencer par en apprendre un peu plus sur nos invités. Alors peut-être pourriez-vous simplement commencer par nous en dire un peu plus sur vous-même.

Spyros Makridakis: Eh bien, comme vous le savez, j’ai été enseignant pendant longtemps, et c’est là que j’ai commencé à travailler sur la prévision. Ensuite, j’ai quitté cela et quand j’ai pris ma retraite il y a 15 ans, me voici maintenant à Chypre à l’université car nous continuons. Et je sais que vos entreprises participent aux compétitions M4 et M5, quelque chose que j’organise depuis les 40 dernières années. Donc vous savez quelle est ma contribution et comment les compétitions M, qui signifient compétitions Makridakis, ont influencé l’industrie de la prévision ainsi que les entreprises et les universitaires qui utilisent les résultats.

Kieran Chandler: Génial ! Nous aborderons un peu plus tard la discussion sur les compétitions M5. Peut-être dans la première partie, nous allons revenir sur les 50 dernières années de la science de la prévision telle que nous la connaissons et il semble y avoir beaucoup de choses à couvrir aujourd’hui. Joannes ?

Joannes Vermorel: Oui, ce qui est intéressant, c’est que lorsque j’ai fondé Lokad, lorsque j’ai créé l’entreprise en 2007, à l’époque, il y avait encore des personnes qui étaient fortement sceptiques quant à l’idée même de prévision statistique de quelque nature que ce soit. C’était très étrange car, à l’époque, je me demandais moi-même si je devais poursuivre mon doctorat en apprentissage automatique, que j’avais commencé mais jamais terminé d’ailleurs, ou si je devais continuer avec Lokad, ce projet. Et lorsque j’ai postulé à un incubateur de start-up, la première fois que j’ai postulé, ma candidature a été rejetée car il y avait deux personnes dans le jury qui croyaient fermement que la prévision statistique était tout simplement absurde. C’était littéralement comme ça : “Non, nous n’acceptons pas les start-up dont le plan d’affaires consiste essentiellement à vendre des divinations.” Je veux dire, il ne fait aucun doute que l’on peut gagner de l’argent avec la divination ; les gens le font depuis des siècles. Mais sommes-nous d’accord avec l’idée qu’une telle entreprise puisse entrer dans l’incubateur ? La réponse était un non catégorique. Mais la chose drôle, c’est que c’était pratiquement la dernière génération. Je pense que pendant la décennie environ où j’ai dirigé Lokad, il ne reste pratiquement plus personne dans cette industrie qui tienne cette croyance. Donc, c’est très drôle ; c’était littéralement la science en action.

Kieran Chandler: Joannes et Spyros, merci de nous rejoindre aujourd’hui. Joannes, je crois que vos contributions et les compétitions M ont été des éléments clés pour normaliser le domaine de la prévision. C’est devenu plus comme une science normale et plus une science marginale. Ce qui se passe au Texas en ce moment est intéressant. Les supermarchés sont complètement à court de marchandises, et les gens ne peuvent pas trouver de nourriture ou d’autres produits essentiels. Quand on parle de prévision, je leur dis de penser à toutes les autres fois où ils vont au supermarché et trouvent ce qu’ils veulent. Les supermarchés ont des millions d’articles, et ils font des prévisions pour chacun d’entre eux. Des entreprises comme Walmart et Target prévoient des millions d’articles chaque semaine, afin que les consommateurs puissent trouver ce qu’ils veulent acheter. Quand il n’y a pas assez d’approvisionnement, comme c’est le cas actuellement au Texas, cela surprend les gens, mais cela prouve en réalité à quel point la prévision est bonne, car la plupart du temps, ils peuvent trouver ce qu’ils veulent.

Spyros Makridakis: Absolument, Kieran. La prévision a été façonnée de nombreuses façons par le travail que j’ai accompli. Quand j’ai commencé en tant que jeune professeur, le paysage était assez différent. Nous avons réalisé la première étude sur la précision des différentes méthodes de prévision. Ce que nous avons découvert a surpris les statisticiens de l’époque. J’ai présenté les résultats à Londres à la Royal Statistical Society, et tout le monde m’attaquait en disant que nous avions trouvé ces résultats parce que nous manquions d’expérience en prévision. Nous avons découvert que des méthodes très simples étaient plus précises que des méthodes sophistiquées, et si vous combiniez plus d’une méthode, la précision s’améliorait. Ces deux découvertes étaient anathèmes pour les statisticiens de l’époque, qui croyaient que l’on pouvait trouver la meilleure méthode et que les méthodes plus sophistiquées seraient plus précises. Mais maintenant, de nouvelles techniques utilisant le deep learning prévoient 500 modèles différents, puis prennent la médiane de ces modèles, qu’ils considèrent comme la meilleure prévision.

Kieran Chandler: Joannes, la compétition M5 est une compétition à laquelle vous avez participé il n’y a pas si longtemps. Du point de vue d’un fournisseur, que représente la compétition M5 pour vous ?

Joannes Vermorel: La compétition M5 est assez amusante. C’est l’une de ces rares occasions où nous pouvons mettre en valeur nos capacités de prévision et collaborer avec d’autres acteurs de l’industrie. Cela nous aide à améliorer nos méthodes et maintient le secteur compétitif, favorisant l’innovation et le progrès.

Kieran Chandler: Bienvenue à tous dans cette interview d’aujourd’hui. Aujourd’hui, nous avons Joannes Vermorel, fondateur de Lokad, et Spyros Makridakis, professeur à l’Université de Nicosie, directeur de l’Institut pour le Futur et professeur émérite de sciences de la décision à l’INSEAD. Joannes, vous avez participé aux M-Competitions, pouvez-vous nous en dire plus à ce sujet ?

Joannes Vermorel: Oui, les M-Competitions sont des événements mondialement reconnus où les participants concourent en fonction de leurs compétences, ce qui est différent des salons professionnels qui se concentrent principalement sur le marketing. Ce qui est intéressant, c’est que parmi les 100 premières entreprises, aucun de nos plus grands concurrents n’était présent, que l’on regarde d’un côté ou de l’autre de la compétition. Cela est surprenant car ce qu’ils vendent, c’est de la prévision. Il y a donc un énorme décalage entre ce qui se passe lors d’un test réel et les parts de marché typiques observées sur ce marché. Autre chose sur laquelle je voudrais commenter, c’est la simplicité de notre modèle. Lokad s’est classé sixième sur 909 équipes du côté quantile de la compétition en utilisant un modèle paramétrique très simple avec seulement trois simplicités : le jour de la semaine, le début et la fin du mois, et la semaine de l’année. Nous avons utilisé ESSM et obtenu des résultats avec une précision de 1% par rapport au meilleur modèle, qui utilisait des arbres de renforcement de gradient et un schéma d’augmentation massive des données. Ce qui est intéressant, c’est que nous n’avons utilisé que 0,001 de la complexité. Je pense que cela démontre que des méthodes très simples peuvent être très puissantes. La compétition a également montré que la précision au sens classique n’est pas le seul élément qui compte. D’autres dimensions de la prévision, comme une meilleure compréhension de la structure de l’incertitude elle-même, sont également importantes. C’est ce que sont les prévisions probabilistes, et chez Lokad, nous travaillons dur sur ce sujet depuis près d’une décennie.

Spyros Makridakis: Tu as raison, Joannes. Lors de la première M-Competition, les méthodes statistiques simples étaient plus précises que les méthodes sophistiquées. Lors de la compétition M5, nous avons constaté que les méthodes d’apprentissage automatique simples étaient plus précises que les méthodes d’apprentissage automatique sophistiquées, comme le deep learning. Les meilleurs concurrents dans les défis de précision et d’incertitude ont utilisé des méthodes d’apprentissage automatique simples, et ils étaient les plus précis et efficaces pour prédire les données de Walmart. L’un des aspects intéressants de la compétition M5 est que tout le monde utilise des techniques de prévision basées sur l’informatique.

Kieran Chandler: Et c’est maintenant la norme dans l’industrie, mais si l’on regarde en arrière, lorsque vous avez commencé, Spyros, en tant que professeur, c’était peut-être avant l’aube de l’informatique. Alors comment l’introduction de l’informatique a-t-elle changé votre façon de faire les choses ? Quelles opportunités cela vous a-t-il offertes ?

Spyros Makridakis: Eh bien, les opportunités sont que cela a simplifié les choses. En prévision, il y a deux parties : l’une consiste à ajuster ce qui s’est passé dans le passé, ce qui est facile. Avant que nous ne commencions la compétition, les gens ajustaient trop le passé, pensant que le futur serait exactement comme le passé. Il n’y avait pas l’idée de séparer les données de prévision en une partie d’entraînement et une partie de test. Donc nous essayons de prédire aussi précisément que possible, non pas la partie d’entraînement, mais la partie de test - le futur, en d’autres termes. Parce que le futur n’est pas exactement comme le passé, il change, et l’idée maintenant est que nous ne voulons pas ajuster trop le passé car il y aura des changements entre le passé et le futur. Donc nous essayons de comprendre comment ces changements vont se produire et de les utiliser pour prédire plus précisément à l’avenir. C’est une très grande différence car dans le passé, ils ne prenaient pas cela en compte ; ils pensaient que le futur serait exactement comme le passé, mais nous savons très bien que cela n’arrive jamais.

Kieran Chandler: Seriez-vous d’accord avec cela, Joannes ? Je veux dire, comment avez-vous vu les techniques de prévision évoluer au fil des décennies si vous regardez en arrière ?

Joannes Vermorel: Je pense que ce que Spyros Makridakis souligne est fondamental. Il y a ce paradoxe apparent selon lequel vous voulez être précis sur les données que vous n’avez pas. C’est quelque chose de très déconcertant quand on y réfléchit, car naturellement, évidemment, chaque fois que vous voulez mesurer la précision, par définition, vous allez mesurer la précision par rapport aux données que vous avez, mais ce n’est pas ce que vous voulez faire. Ce problème a été en partie résolu à la fin du XXe siècle avec la théorie de Vapnik et Chervonenkis. C’est une théorie très abstraite qui a donné naissance aux machines à vecteurs de support, qui sont très complexes. Ils ont commencé à formaliser l’idée que vous avez l’erreur empirique et l’erreur structurelle. L’erreur structurelle est, et fondamentalement, l’idée est que vous voulez minimiser l’erreur réelle, l’erreur réelle étant définie comme l’erreur que vous êtes sur le point de commettre sur des données que vous n’avez pas. Vous devez minimiser à la fois l’erreur structurelle et l’erreur empirique, et c’est ce que sont les machines à vecteurs de support. Les machines à vecteurs de support ont une perspective très théorique. Elles ont été mises en œuvre et ont connu de grands succès en tant que technique d’apprentissage automatique dans quelques domaines. Je pense que leur contribution la plus importante a été de clarifier, d’un point de vue plus théorique, ce qui se passait. Et puis, lorsque vous voulez réellement obtenir des résultats concrets, je pense que recourir à ces compétitions où vous réservez réellement une partie des données pour le réel est probablement la meilleure façon d’obtenir des prévisions précises.

Kieran Chandler: Afin d’avoir, je dirais, une méthodologie très propre, comment l’approche que vous adoptez dans un scénario de test, qui est très axé sur la compétition, diffère-t-elle de ce que vous feriez dans le monde réel ? Je veux dire, dans le monde réel, vous avez accès à toutes les données tout le temps, et cela vous donne ce fort biais méthodologique que le professeur Makridakis soulignait. Il est incroyablement tentant d’avoir quelque chose qui va correspondre aux données, vous savez.

Spyros Makridakis: C’est ce qu’ils faisaient autrefois. La célèbre méthodologie de Box-Jenkins consistait à correspondre le mieux possible au passé, et c’est pourquoi elle perdait face à toutes les méthodes simples qui ne correspondaient pas très bien au passé mais qui prédisaient plus précisément l’avenir. Si vous suradaptez, vous perdez l’essence de la prévision. L’avenir n’est jamais exactement comme le passé.

Joannes Vermorel: Exactement. Et l’un des exemples déconcertants était lorsque j’ai commencé Lokad. Les clients étaient généralement très surpris lorsqu’ils regardaient une série temporelle incroyablement erratique, par exemple, la consommation d’alcool dans les hypermarchés, un produit très erratique avec des pics. Lorsque nous faisions des prévisions classiques au cours des premières années de Lokad, où nous ne faisions pas encore de prévisions probabilistes, nous faisions des prévisions classiques. Pour ces séries temporelles super erratiques, je montrais une prévision beaucoup plus lisse que la série temporelle d’origine. La plupart de mes concurrents étaient capables de présenter des séries temporelles de prévision aussi erratiques, exactement aussi erratiques, que la série temporelle d’origine. Les clients étaient, et j’ai eu de nombreux débats passionnants avec mes prospects qui n’étaient pas encore clients, qui ne croyaient tout simplement pas que cette prévision super lisse puisse être correcte car elle était si différente de la série temporelle historique qui était super erratique et pleine de pics. Alors que mes concurrents montraient des prévisions très pleines de pics, ils étaient capables de montrer et d’afficher des prévisions très pleines de pics qui ressemblaient exactement aux données historiques.

Kieran Chandler: Donc, Spyros, l’une des choses qui m’intéresse vraiment, c’est de savoir comment la perception de la prévision a changé tout au long de votre carrière. Quand ce changement vers la prévision en tant que science s’est-il produit, et quand a-t-il été davantage accepté dans le grand public ?

Spyros Makridakis: Eh bien, cela a pris du temps. Au début, les statisticiens classiques utilisaient la même chose qu’ils vous faisaient quand ils vous disaient que ce qui est important est de suivre les fluctuations de la série. Mais ce n’est pas ainsi que vous prévoyez. Il a fallu du temps pour réaliser que vous ne pouvez pas prédire l’aléatoire, et ce que les compétitions M ont prouvé sans aucun doute, c’est que ce qui est important est de séparer le passé du futur et de ne pas essayer de suradapter le passé mais d’essayer d’avoir un modèle qui s’adapte aux changements du passé vers le futur. Et c’est le changement majeur. Et maintenant, il est accepté qu’en plus de regarder les prévisions, nous devons tenir compte de l’incertitude de nos prédictions. Beaucoup de gens n’aiment pas du tout cela parce que, psychologiquement, ce n’est pas une très bonne chose de parler d’incertitude, de dire que je vais prévoir mais que je suis incertain.

Kieran Chandler: Joannes, à quel point diriez-vous que vos prévisions sont inexactes ? Les clients me disent souvent que vous prétendez vous concentrer mais que vous admettez également que vous ne pouvez pas prévoir en raison d’une grande incertitude sur l’avenir.

Spyros Makridakis: C’est la réalité, on ne peut pas éviter d’être réaliste. Cela introduit cette idée de niveau de confiance dans votre prévision. Johannes, diriez-vous que la perception a presque tellement changé que les gens attendent trop de la prévision et s’attendent à ce qu’elle soit infaillible ?

Joannes Vermorel: C’est une question intéressante. J’ai été plusieurs fois au salon du commerce de détail de la National Retail Federation à New York, et ce que j’ai constaté, c’est que la plupart de mes concurrents faisaient très souvent des affirmations complètement extravagantes en prétendant avoir une précision de 99% dans le commerce de détail. Franchement, je ne sais même pas ce que signifie une précision de 99% dans les hypermarchés, où la plupart des produits sont vendus en petites quantités chaque jour. C’est ridicule de penser que vous sauriez, jusqu’à la dernière unité, si quelqu’un va choisir un produit, alors que cette personne ne le sait peut-être même pas elle-même. J’ai vu de nombreux fournisseurs essayer de vendre l’idée que vous pouvez avoir des prévisions incroyablement précises partout, ce qui n’est absolument pas le cas. Ils utilisent l’aura de la science que la prévision statistique a acquise dans d’autres domaines, tels que la démographie, la consommation d’électricité et la consommation d’eau, où le niveau d’incertitude est relativement faible, pour prétendre qu’ils peuvent atteindre le même niveau de précision dans les hypermarchés, ce qui n’est tout simplement pas la même chose. Vous pouvez faire beaucoup de choses, mais ce n’est pas le même ordre de grandeur en termes de précision.

Spyros Makridakis: L’un des plus grands problèmes avec les utilisateurs de prévisions est que leurs attentes sont trop élevées parce que les consultants essaient de leur vendre des prévisions dans lesquelles ils ont trop confiance, et c’est l’un des plus grands problèmes. Donc, une partie de ce que nous devons faire sur le terrain, c’est dire : “Regardez, nous ne pouvons pas être des prophètes. Nos données, en particulier dans des domaines comme la vente au détail, nous montrent que l’incertitude est très grande, et nous devons faire quelque chose à ce sujet.” Nous ne parlons pas seulement de l’incertitude normale ; nous avons également une incertitude qui est fatale, comme les fameux événements “cygne noir” de Nassim Taleb qui détruisent bon nombre de nos prévisions et créent des problèmes comme la pandémie. Nous devons également prendre cela en compte ; on ne peut pas éviter l’incertitude.

Kieran Chandler: Johannes, êtes-vous d’accord avec cela ? Nous avons déjà parlé un peu dans le passé des consultants qui viennent et promettent un peu trop de choses à partir des prévisions.

Joannes Vermorel: Oui, je suis d’accord. Ce qui était en réalité difficile avec la prévision probabiliste, ce n’était pas la technicité de sa production, mais la gestion des attentes qui avaient été fixées trop haut par des consultants qui promettaient trop.

Kieran Chandler: Joannes, vous avez parlé de l’importance de la prévision probabiliste et de l’injection de préalables structurels. Pouvez-vous expliquer un peu plus à ce sujet ?

Joannes Vermorel: Certainement. Les probabilités, ce n’est pas si difficile. Ce qui était difficile, c’était en effet de transmettre l’acceptation que oui, Lokad allait vers des prévisions probabilistes. Non pas parce que nos prévisions étaient médiocres. Je pense que même si nous ne sommes pas initialement les meilleurs dans ces compétitions, nous ne sommes certainement pas, vous savez, classés très haut. Le problème n’était pas que nous avions des prévisions médiocres, et nous avions c’était d’avoir une acceptation qu’il y a des choses qui échappent à notre contrôle. Et ce qui est intéressant avec ces événements extrêmes, c’est que soudainement vous avez quelque chose où il est très, très difficile de faire confiance à votre DR. Et c’est là que, encore une fois, c’est quelque chose qui m’intéresse vraiment beaucoup. C’est qu’en gardant votre modèle de prévision non extrême, je dirais simple, c’est quelque chose où vous pouvez, avec je dirais évidemment un degré de subjectivité, mais si vous avez un modèle de prévision simple, relativement simple et gérable, vous pouvez injecter des préalables structurels pour injecter cette dose d’événements super rares et super extrêmes.

Kieran Chandler: Je vois, et comment cela aide-t-il dans l’optimisation de la supply chain ?

Joannes Vermorel: C’est essentiellement ce que nous faisons chez Lokad. Par exemple, pour des événements tels que les pandémies, nous ne pouvons pas les prévoir. Mais ce que nous pouvons faire, et ce n’est même pas très compliqué à faire, c’est dire : “Eh bien, je peux injecter une hypothèse préalable pour dire qu’il y a une chance, une probabilité annuelle de deux pour cent, disons, qu’il y aura une baisse de 50 pour cent qui impacte l’entreprise.” Je ne sais pas pourquoi, je sais juste que c’est une hypothèse raisonnable. C’est subjectif, vous savez, pourquoi deux pour cent, pourquoi deux pour cent sur une baisse de cinquante pour cent ? Tout cela est très subjectif, mais ce qui est intéressant, c’est que si vous injectez une dose d’événements extrêmes dans vos modèles de prévision, même s’ils sont assez imprécis en termes de quantification, vous savez, c’est très vague. Ce qui se passe, c’est que lorsque vous construisez votre optimisation de la supply chain par-dessus, vous orientez la décision vers des choses qui sont beaucoup plus robustes contre ces événements extrêmes sans investir trop d’argent. Donc, ce qui est intéressant, c’est que c’est le genre de choses que nous faisons, c’est que nous gardons ces modèles de prévision simples afin de pouvoir injecter ces hypothèses structurelles qui sont, je dirais, très inventées, bien qu’elles soient raisonnables. Elles ne sont pas précises, mais la conséquence de cela, c’est que vous pouvez avoir à la fin de la journée des décisions de supply chain qui finissent par avoir beaucoup plus de résilience par rapport à des événements qui se produisent rarement. Et le processus est assez simple, mais en pratique, il faut beaucoup de persuasion pour amener les gens à comprendre ces cygnes noirs. En effet, j’ai souvent recours à “Veuillez lire les travaux de Nassim Taleb”, mais c’est difficile de convaincre un prospect de lui donner, vous savez, un livre de 600 pages écrit par un autre grand penseur grec, Nassim Taleb.

Spyros Makridakis: Joannes, puis-je poser une question ? Parce qu’il me semble que vous injectez des hypothèses structurelles, ce qui pourrait être considéré comme un biais dans vos modèles de prévision. Pensez-vous que ce biais puisse nuire à la précision de vos prévisions ?

Joannes Vermorel: Oui, c’est une très bonne question, Spyros. Il y a deux choses à cela. D’abord,

Kieran Chandler: Spyros, vous avez passé un demi-siècle dans l’industrie. De quoi êtes-vous le plus fier lorsque vous regardez en arrière sur votre carrière ?

Spyros Makridakis: Eh bien, je suis très fier du fait que nous apportons des preuves empiriques sur ce qui fonctionne et ce qui ne fonctionne pas en matière de prévision. Ce n’est pas que des paroles en l’air, mais nous avons mené des expériences à travers les compétitions M. À partir de ces expériences, nous pouvons vous dire quelles méthodes fonctionnent et lesquelles ne fonctionnent pas. Ce que nous pouvons vous dire, c’est que la simplicité fonctionne. Nous réalisons qu’il y a beaucoup d’aléatoire dans les événements passés et que nous ne pouvons pas tout prédire avec précision. Parce que nos prévisions sont incertaines, il y a un risque, et nous devons faire quelque chose pour anticiper ce risque et être prêts à y faire face.

Kieran Chandler: Merci à vous deux pour votre temps aujourd’hui.

Joannes Vermorel: Merci beaucoup.

Spyros Makridakis: Merci de m’avoir interviewé.

Kieran Chandler: C’est tout pour cette semaine. Merci beaucoup de nous avoir suivi et nous vous retrouverons dans le prochain épisode.