00:00:00 Introduction à la Valeur Ajoutée des Prévisions (FVA)
00:00:41 Explication et étapes de l’analyse FVA
00:01:59 Test rétrospectif et évaluation de la précision de la FVA
00:02:47 FVA et interventions manuelles
00:03:56 La présomption de la FVA sur la valeur de la précision
00:04:37 La FVA comme test de compétence des protocoles de prévision
Pour en savoir plus, consultez l’article complet sur la Valeur Ajoutée des Prévisions.
Résumé
Conor Doherty, le rédacteur technique de Lokad, présente l’outil Valeur Ajoutée des Prévisions (FVA), un outil diagnostique pour le processus de prévision. La FVA intègre les perspectives de divers départements afin d’améliorer la précision des prévisions. Doherty explique les étapes d’une analyse FVA et son efficacité. Il note que, bien que la FVA puisse démontrer la valeur des perspectives, elle suppose qu’une plus grande précision des prévisions est toujours bénéfique, ce qui n’est pas toujours le cas. Il suggère que l’on devrait se concentrer sur la réduction de l’erreur monétaire plutôt que de rechercher une précision accrue. Il conclut que la FVA pourrait être utilisée comme un test de compétence, sans pour autant valider l’usage régulier de non-spécialistes pour l’apport d’informations en prévision.
Transcription Complète
La Valeur Ajoutée des Prévisions, ou FVA, est un outil collaboratif simple conçu pour évaluer chaque étape du processus de prévision. Son objectif ultime est d’éliminer les étapes qui n’augmentent pas la précision des prévisions.
La FVA y parvient en élargissant le processus de prévision pour inclure les perspectives d’autres départements, tels que le marketing et les ventes. Aujourd’hui, nous poserons et répondrons à trois questions simples : Comment effectuer une analyse FVA ? Est-ce efficace ? Et faut-il l’utiliser ? C’est parti.
Une prévision statistique est générée, puis transmise entre les départements. Chaque département apporte des modifications en fonction de son expertise. Ces modifications sont ensuite comparées entre elles, puis à la demande réelle, et enfin à la prévision naïve.
Si les départements ont rendu la prévision plus précise, ils ont ajouté une FVA positive. S’ils l’ont rendue moins précise, ils ont ajouté une FVA négative.
En général, une analyse FVA se présente comme suit : Première étape, définir les contributeurs et l’ordre dans lequel ils interviendront. Deuxième étape, générer d’abord une prévision statistique, puis une prévision naïve.
Troisième étape, recueillir les perspectives. Celles-ci s’appliqueront à la prévision statistique. Quatrième étape, calculer la FVA pour chaque contributeur à chaque étape du processus. Et enfin, cinquième étape, optimiser le processus de prévision.
Premièrement, en éliminant les points d’intervention qui diminuent la précision. Deuxièmement, en renforçant les points d’intervention qui augmentent la précision. En pratique, une chronologie de la FVA se présente comme suit.
Comme vous pouvez le constater, la prévision statistique de l’entreprise subit plusieurs modifications, y compris une étape de prévision de consensus. Il n’est pas rare qu’une analyse FVA inclue même une phase exécutive où la direction valide la prévision de consensus.
Une fois que l’entreprise dispose des données de la demande réelle, un test rétrospectif peut être effectué pour déterminer dans quelle mesure la précision a été augmentée ou diminuée à chaque étape. Un exemple de test rétrospectif se présente ainsi.
Dans ce rapport en escalier, la FVA positive ou négative de chaque modification peut être comparée à celle des autres modifications. Ici, la métrique d’évaluation est le MAPE, l’Erreur Absolue Moyenne en Pourcentage.
Par exemple, la prévision statistique a réduit l’erreur de 5 % par rapport à la prévision naïve, contribuant ainsi à une FVA positive. Cependant, la prévision de consensus a globalement apporté une FVA négative significative.
Je ne peux aborder que trois points majeurs aujourd’hui. Pour une analyse beaucoup plus approfondie de la FVA, veuillez consulter notre article sur la FVA. Le lien se trouve dans la description ci-dessous.
Premier point, la FVA repose sur l’idée que de multiples interventions, voire une intervention de consensus, peuvent apporter une valeur positive. De plus, la FVA postule que cette valeur est répartie dans toute l’entreprise.
Cependant, Makridakis et al. indiquent que les meilleurs modèles de prévision tirent parti des avancées en technologie machine learning. En d’autres termes, en limitant l’intervention humaine.
Lors de la récente compétition M5, dans laquelle les concurrents devaient prévoir la demande pour le plus grand détaillant du monde en termes de chiffre d’affaires, Walmart, le modèle gagnant a été développé par un étudiant ayant très peu d’expérience en vente, voire même en prévision.
Cela indique que nous pourrions surestimer le rôle des insights de marché dans la prévision de la demande. Deuxième point, il faut reconnaître que la FVA démontre à quel point l’intervention humaine est défaillante.
La FVA a la capacité de prouver, à l’aide de chiffres implacables, que leurs perspectives n’augmentent pas la précision des prévisions. À cet égard, elle possède certainement une utilité ponctuelle. Cependant, en tant que pratique récurrente, elle souffre d’une très grande limitation.
Ce qui m’amène tout naturellement au troisième point. La FVA présuppose qu’une plus grande précision des prévisions vaut la peine d’être recherchée alors qu’il existe en réalité d’innombrables situations dans lesquelles une précision accrue engendre des coûts considérables, tant directs qu’indirects.
Une prévision pourrait être 5 % plus précise mais, en raison des coûts associés, se traduire par des bénéfices nettement inférieurs. Par conséquent, le succès d’une prévision devrait en réalité être uniquement conditionné par la réduction de l’erreur en euros ou en dollars plutôt que par la recherche d’une précision accrue pour elle-même.
Alors, faut-il l’utiliser ? On pourrait utiliser la FVA comme un test ponctuel de compétence ou d’incompétence des protocoles de prévision actuels. Cependant, cela ne valide pas l’idée de recourir systématiquement à des non-spécialistes pour l’apport manuel dans le processus de prévision.