La plupart des prévisions de la demande se font encore dans des chiffriers : les volumes de l’an dernier, ajustés par des planificateurs d’expérience selon ce qu’ils savent des clients, des promotions et de l’approvisionnement. Quand quelqu’un propose de les remplacer par un modèle d’apprentissage automatique, la discussion tourne vite au duel entre l’équipe de science des données et les planificateurs. Les deux camps ont généralement raison sur un point, car la réponse honnête dépend de l’article et de l’horizon de la prévision.
La bonne question n’est pas de savoir si le modèle fait mieux que le chiffrier. C’est de savoir où il fait mieux, de combien, et ce que les planificateurs devraient faire du temps ainsi libéré. Vous pouvez y répondre avec votre propre historique, avant de changer quoi que ce soit au processus de planification.
Là où le modèle l’emporte
Les prévisions par apprentissage automatique méritent leur place à trois conditions. La première est un historique suffisant : au moins deux cycles saisonniers complets au niveau où vous planifiez, pour que le modèle puisse distinguer la saisonnalité de la tendance et du bruit. La deuxième est l’échelle : des centaines ou des milliers d’articles et d’emplacements, soit plus qu’une équipe ne peut en revoir un à un chaque mois. La troisième, ce sont des facteurs stables et mesurables, comme le prix, les promotions inscrites à un calendrier connu, la saisonnalité et les jours ouvrables, consignés de façon cohérente dans les données.
Dans ces conditions, le modèle a des atouts qu’aucun planificateur ne peut égaler. Il examine chaque article à chaque cycle avec la même rigueur, il repère tôt les petits changements de tendance, et il n’est ancré ni sur le plan de l’an dernier ni sur le chiffre promis aux ventes. Il est aussi cohérent : les mêmes données produisent toujours la même prévision, si bien que chaque erreur peut être retracée jusqu’à sa cause.
Là où le jugement l’emporte
Un modèle ne connaît que ce qui se trouve dans les données. Il n’a rien à apprendre lorsqu’un produit est nouveau, lorsqu’un événement ne se répétera pas ou lorsque l’historique est trop mince ou trop fragmenté pour être fiable. Les lancements, un client perdu ou gagné, une rupture de stock chez un concurrent, un appel d’offres ponctuel, l’arrêt d’une usine et un changement de codes de produits après une migration de système entrent tous dans cette catégorie.
Les planificateurs détiennent aussi de l’information qu’aucun jeu de données ne contient : l’appel où un client a annoncé qu’il changeait de fournisseur, ou la promotion qu’un détaillant a confirmée hier. Pour ces articles et ces événements, le jugement d’un planificateur bat n’importe quel modèle, et une bonne conception lui donne le temps et les outils pour l’exercer.
Comment mener un test équitable
La plupart des comparaisons entre un modèle et la prévision actuelle sont injustes envers l’un des deux. Le modèle est évalué sur des données qu’il a déjà vues, ou les planificateurs sont jugés sur une prévision finale, retraitée, plutôt que sur celle qui a guidé les décisions à l’époque. Un test équitable, qu’on appelle habituellement un test rétrospectif, suit cinq règles :
- Réservez une période que le modèle n’a jamais vue. Entraînez-le sur l’historique jusqu’à une date butoir, puis prévoyez les mois suivants comme en conditions réelles.
- Comparez au décalage qui guide les décisions. Si la production est planifiée trois mois d’avance, comparez les prévisions faites trois mois avant chaque mois, et non la dernière révision.
- Mesurez le biais autant que l’erreur. Une prévision peut sembler juste en moyenne et rester trop élevée chaque mois, et c’est ainsi que les stocks excédentaires s’accumulent.
- Pondérez selon le volume ou la valeur. Un gros écart sur un article à faible rotation compte moins qu’un petit écart sur un article vedette.
- Présentez les résultats par segment et par horizon. Une moyenne unique cache la réponse dont vous avez besoin : là où chaque approche l’emporte.
Ajoutez aussi une référence simple, comme le même mois de l’an dernier, sans ajustement. Les articles pour lesquels ni le modèle ni les planificateurs ne font mieux que cette référence ont besoin d’un processus plus simple, pas d’une meilleure prévision.
Combinez le modèle et le planificateur
Les organisations qui tirent le plus de l’apprentissage automatique ne choisissent pas entre le modèle et le planificateur. Le modèle produit une prévision de base pour chaque article à chaque cycle. Les planificateurs revoient les exceptions : les articles dont l’intervalle de prévision est large, ceux dont la prévision a beaucoup bougé, ainsi que les lancements et les événements que le modèle ne peut pas connaître. À court terme, les planificateurs savent souvent ce que le modèle ignore, comme une commande déjà en main; plus loin, la rigueur du modèle l’emporte habituellement. Chaque modification qu’ils apportent est consignée avec sa raison.
Consigner les ajustements permet de mesurer ce que chaque étape ajoute, une pratique appelée valeur ajoutée de la prévision. Après quelques cycles, le portrait est habituellement clair : les ajustements liés aux lancements et aux promotions confirmées améliorent la prévision, alors que les petites retouches aux articles stables l’améliorent rarement. Les planificateurs consacrent alors leur temps là où il rapporte, et le modèle se charge du reste. La précision par horizon, la mesure qui garde une prévision glissante honnête, joue ici le même rôle.
Ce qui doit être en place
Le modèle est la plus petite partie du travail. L’historique des ventes doit être propre et défini une seule fois : commandes ou expéditions, brutes ou nettes des retours, au niveau où l’entreprise planifie. Les promotions et les événements doivent figurer dans un calendrier intégré aux données plutôt que dans la tête de quelqu’un. La hiérarchie de produits doit comporter les dates de lancement et d’abandon ainsi qu’un lien entre les anciens articles et ceux qui les remplacent; sinon, le modèle traite chaque remplacement comme un nouveau produit sans historique.
Le cycle de planification change aussi. Le modèle est actualisé avant la revue mensuelle de la demande, la revue commence par les exceptions plutôt que par la liste complète des articles, et la précision par segment et par horizon est publiée chaque mois à côté de la prévision. C’est ainsi que l’apprentissage automatique s’intègre à la planification au lieu de rester un projet en marge.
Commencez par un test rétrospectif
Avant de décider, faites le test sur votre propre historique : une année complète réservée, les prévisions faites à l’époque et celles du modèle pour les mêmes mois, comparées par segment et par horizon. Si le modèle l’emporte sur la majeure partie du volume, confiez-lui ce volume et laissez aux planificateurs les lancements et les événements. Sinon, le test montre habituellement pourquoi, et la raison tient plus souvent aux données qu’à l’algorithme.
Montrez d’abord les résultats aux planificateurs. Ils expliqueront les écarts plus vite que quiconque, et ils feront bien plus confiance à un modèle qu’ils ont aidé à tester qu’à un modèle qu’on leur a imposé.