Parution presse
Machine learning et collaboration au secours de la prévision des ventes
La crise pandémique et l’incertitude sur l’évolution des comportements d’achat mettent à mal les systèmes de planification de l’entreprise. Alors que ses systèmes basés sur les historiques de vente affichent leur incapacité à nourrir des modèles pertinents, quelles sont les approches susceptibles de l’aider à évaluer la demande et à dimensionner ses opérations? Benoît Martin, Manager Expert, CPIM - VISEO SCO, s'exprime dans un article sur le numéro de novembre d'IT For Business. Découvrez son analyse
Pic de consommation sur certains produits ou effondrement complet pour d’autres pendant le confinement. Puis une reprise d’activité incertaine, placée sous le signe des changements de comportements d’achat, tantôt profonds, parfois ponctuels, simplement dus à la fluctuation des restrictions sanitaires. La période ouverte par l’épidémie de Covid-19 donne du fil à retordre aux prévisionnistes et aux solutions de planification.
«L’impact de la crise sur les modèles de prévision est énorme», confirme Guillaume Hochard, expert Times Series & Forecast au sein du cabinet de conseil Quantmetry, spécialisé dans l’intelligence artificielle. De fait, l’historique des ventes du mois de mars dernier est totalement différent de celui des années précédentes. «Cela a complètement perturbé les prévisions de vente et les perturbe aujourd’hui encore», constate l’expert.
Et la crise est loin d’être un phénomène qu’il suffirait d’exclure de l’échantillon de données fourni aux modèles statistiques. «Elle est de nature à modifier les tendances de fond des ventes de beaucoup de produits, à la hausse ou à la baisse, d’une manière aujourd’hui difficile à évaluer», estime Benoît Martin, expert en planification de la chaîne logistique et des ventes et opérations au sein de VISEO.
La pertinence de l'historique en question
Dans cette situation, les marges de manœuvre sont réduites. De manière schématique, pour établir une prévision, les solutions de planification appliquent l’ensemble de leurs modèles statistiques sur les données historiques, puis une brique d’intelligence artificielle sélectionne celui fournissant le résultat le plus précis. La crise ayant tout chamboulé, il n’y a que deux solutions. Soit l’on débranche le modèle sélectionné pour en appliquer un autre, beaucoup plus simple, permettant avec quelques points de données de faire une prévision de très court terme. Soit on passe à une prévision «naïve», qui postule que les ventes à venir seront identiques à celles réalisées aujourd’hui [...]
Pour obtenir une meilleure précision, il faut se tourner vers le machine learning. Cette technologie coche en effet deux cases. D’abord, elle sait intégrer dans ses modèles d’autres données que les historiques de vente. Elle peut même aller jusqu’à s’émanciper de ces derniers, lorsqu’il s’agit de prédire les ventes d’un nouveau produit ou d’un point de vente, par exemple. Ensuite, sa capacité à traiter de grands volumes de données lui assure de fournir des résultats en un temps restreint. Si le machine learning est aujourd’hui un sujet bien médiatisé, il n’a vraiment démontré sa supériorité dans le domaine de la prévision que l’année dernière, en remportant la compétition mondiale de Forecasting M4, avec un modèle de deep learning intégrant aussi une dimension statistique, en l’occurrence du lissage exponentiel [...]
Le machine learning ne fait pas de miracles
Face à la crise sanitaire, l’enjeu du machine learning est de faire apprendre au modèle de prévision qu’il s’est passé «quelque chose» dans l’historique, afin qu’il en tienne compte pour établir des prévisions futures meilleures [...]
Vous souhaitez en savoir plus ? Lire l'article en entier
