00:00:00 Introduction à la Valeur Ajoutée Prévisionnelle (FVA)
00:00:41 Explication et étapes de l’analyse FVA
00:01:59 Rétrotestage et évaluation de l’exactitude de la FVA
00:02:47 FVA et interventions manuelles
00:03:56 Présomption de la FVA sur la valeur de la précision
00:04:37 FVA comme test de compétence pour les protocoles de prévision
En savoir plus dans l’article complet de Lokad sur la Valeur Ajoutée Prévisionnelle.
Résumé
Conor Doherty, rédacteur technique chez Lokad, présente l’outil Valeur Ajoutée Prévisionnelle (FVA), un outil de diagnostic pour le processus de prévision. La FVA intègre les connaissances de différents services pour 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 connaissances, elle suppose que plus de précision dans les prévisions est toujours bénéfique, ce qui n’est pas toujours le cas. Il suggère que l’accent devrait être mis sur la réduction des erreurs monétaires plutôt que sur la recherche d’une plus grande précision. Il conclut que la FVA pourrait être utilisée comme un test de compétence, mais ne valide pas l’utilisation systématique de non-spécialistes pour les prévisions.
Transcription complète
La Valeur Ajoutée Prévisionnelle, 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 connaissances d’autres services, tels que le marketing et les ventes. Aujourd’hui, nous poserons et répondrons à trois questions simples : Comment réaliser une analyse FVA ? Est-ce que ça fonctionne ? Et devriez-vous l’utiliser ? Commençons.
Une prévision statistique est générée, puis transmise entre les services. Chaque service apporte des modifications en fonction de son expertise. Ces modifications sont ensuite comparées les unes aux autres, puis à la demande réelle, et enfin à la prévision naïve.
Si les services 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 ressemble à ceci : Étape un, définir les contributeurs et l’ordre dans lequel ils contribueront. Étape deux, générer une prévision statistique, puis une prévision naïve.
Étape trois, recueillir les connaissances. Celles-ci s’appliqueront à la prévision statistique. Étape quatre, calculer la FVA pour chaque contributeur à chaque étape du processus. Et enfin, étape cinq, optimiser le processus de prévision.
Tout d’abord, en éliminant les points de contact qui diminuent la précision. Deuxièmement, en augmentant les points de contact qui augmentent la précision. En pratique, une chronologie FVA ressemble à ceci.
Comme vous pouvez le voir, la prévision statistique de l’entreprise passe par plusieurs remplacements, y compris une étape de prévision consensuelle. Il n’est pas rare qu’une analyse FVA inclue même une phase exécutive où la direction supérieure valide la prévision consensuelle.
Une fois que l’entreprise dispose des données de 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 ressemble à ceci.
Dans ce rapport en escalier, la FVA positive ou négative pour chaque remplacement peut être comparée à chaque autre remplacement. Ici, la métrique d’évaluation est le MAPE, l’erreur de pourcentage absolue moyenne.
Par exemple, la prévision statistique a réduit l’erreur de 5% par rapport à la prévision naïve, d’où une contribution positive de la FVA. Cependant, la prévision consensuelle a globalement contribué à une FVA négative significative.
Je ne peux couvrir que trois points majeurs aujourd’hui. Pour une analyse beaucoup plus détaillée de la FVA, veuillez consulter notre article sur la FVA. Le lien se trouve dans la description ci-dessous.
Le premier point, la FVA repose sur l’idée que plusieurs interventions, voire des interventions consensuelles, peuvent ajouter une valeur positive. De plus, la FVA estime que cette valeur est répartie dans toute l’entreprise.
Cependant, Makridakis et al. indiquent que les meilleurs modèles de prévision tirent parti des avancées de la technologie de machine learning. En d’autres termes, en limitant l’intervention humaine.
Lors de la récente compétition M5, où les participants devaient prévoir la demande du 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 ou même en prévision.
Cela indique que nous pourrions surestimer le rôle des connaissances du marché dans la prévision de la demande. Deuxième point, à son crédit, la FVA démontre à quel point les remplacements humains sont défectueux.
La FVA a la capacité de montrer aux gens avec des chiffres concrets que leurs connaissances n’augmentent pas la précision de la prévision. À cet égard, elle a certainement une utilité ponctuelle. Cependant, en tant que pratique récurrente, elle souffre d’une très grande limitation.
Ce qui m’amène très naturellement au troisième point. La FVA suppose que l’augmentation de la précision de la prévision vaut la peine d’être poursuivie, alors qu’en réalité, il existe de nombreuses situations où une plus grande précision entraîne des coûts considérables, tant directement qu’indirectement.
Une prévision pourrait être plus précise de 5 %, mais entraîner des coûts associés entraînant des bénéfices nettement inférieurs. En tant que tel, le succès de la prévision devrait vraiment être basé uniquement sur la réduction des erreurs en euros ou en dollars plutôt que sur la recherche d’une plus grande précision en soi.
Alors, devriez-vous l’utiliser ? On pourrait utiliser la FVA comme un test de compétence ou d’incompétence ponctuel des protocoles de prévision actuels. Cependant, cela ne valide pas l’idée de recourir systématiquement à des non-spécialistes pour une contribution manuelle au processus de prévision.
