Une prévision de la demande qui survit au contact avec la réalité

La plupart des prévisions de demande échouent non pas parce que les calculs sont erronés, mais parce qu’elles correspondent au monde réel et échouent. Une prévision de la demande survit au contact avec la réalité lorsqu'elle est construite à rebours de la décision qu'elle éclaire, validée par rapport à l'historique dont vous disposez déjà, surveillée une fois en ligne et recyclée à mesure que les conditions changent. L’objectif n’est pas un seul chiffre intelligent. Il s’agit d’une prévision suffisamment fiable pour agir, qui reste à peu près exacte à mesure que l’entreprise évolue et qui se signale lorsqu’elle commence à dériver. Traitez les prévisions comme un élément vivant de la manière dont l'entreprise prend ses décisions en matière de commandes, de personnel et de stocks, et non comme un rapport ponctuel. Obtenez la bonne boucle (prédire, comparer à ce qui s'est passé, apprendre, ajuster) et la précision se règle d'elle-même au fil du temps.

Pourquoi les prévisions de demande échouent-elles en pratique ?

Les prévisions échouent rarement dans la feuille de calcul. Ils échouent dans l’entrepôt, la cuisine ou la chaîne d’approvisionnement, où les hypothèses cessent discrètement de tenir.

Les échecs courants sont familiers. Un modèle est réglé sur une période calme, puis un changement de prix, une promotion ou un concurrent fait bouger le terrain. Les données historiques contiennent d'anciennes ruptures de stock, de sorte que le modèle apprend la demande que vous pourriez satisfaire, et non la demande qui existait. Un seul chiffre global de précision cache le fait que le modèle fonctionne bien sur les produits stables et inutile sur les produits nouveaux ou saisonniers qui comptent réellement. Et le plus dommageable encore, c’est que les prévisions atterrissent dans une boîte de réception que personne n’ouvre, donc cela ne change rien.

Le motif sous tout cela est le même. Les prévisions ont été traitées comme un résultat plutôt que comme un élément fonctionnel d’une décision. C'est le même piège qui attrape les projets d'analyse en général, c'est pourquoi il est utile de réfléchir à l'analyse prédictive : transformer les données en décisions avant de rechercher un modèle.

Comment construire une prévision de demande qui tienne la route ?

Construisez-le comme une boucle, pas comme un lancement. Les étapes ci-dessous sont ordonnées délibérément, et l’ordre est le point important.

Partez de la décision. Nommez le choix que les prévisions amélioreront (combien de commandes, combien de personnes inscrire, quand réorganiser) et qui le fait. Si vous ne pouvez pas nommer la décision, vous n’êtes pas prêt à modéliser.
Validez par rapport à l'historique réel. Retenez les semaines ou les mois les plus récents, prévoyez-les comme s'ils étaient inconnus et comparez-les à ce qui s'est réellement passé. Ce backtesting est le test honnête, bien plus que n’importe quel ajustement dans un échantillon.
Prenez en compte les distorsions connues. Corrigez les ruptures de stock passées, supprimez les événements ponctuels et séparez la demande de base de l'augmentation des promotions. Sinon, le modèle apprend la mauvaise leçon.
Choisissez la mesure d'erreur qui correspond à la décision. L'erreur moyenne sur tous les produits est rassurante et trompeuse. Mesurez où réside le coût : les produits lents, les denrées périssables, les articles pour lesquels se tromper coûte cher.
Connectez-le au flux de travail. Une prévision qui nécessite que quelqu'un se connecte à un outil distinct sera ignorée. Insérez-le dans le système où la décision de commande ou d'inscription est déjà prise.
Surveillez et recyclez. Suivez la précision à mesure que de nouvelles données arrivent et définissez un déclencheur en cas de dégradation. Les modèles de demande changent et une prévision bonne en janvier constitue une hypothèse pour juin.

Comment savoir si une prévision est réellement bonne ?

Pas par l’exactitude des données sur lesquelles il a été formé. Un modèle peut s’adapter presque parfaitement à l’histoire et rester inutile la semaine prochaine.

Le test qui compte est hors échantillon. Prenez une période que le modèle n’a jamais vue, prédisez-la et mesurez l’écart. Exécutez cela sur les segments qui vous intéressent, et pas seulement sur l'ensemble, car une précision globale élevée peut cacher un échec complet sur les produits qui génèrent des coûts. Comparez également le résultat à une base de référence simple, telle que « le même que l'année dernière » ou « la moyenne des dernières semaines ». Si votre modèle ne peut pas battre cela, la complexité ne mérite pas sa place. Une bonne prévision est celle qui bat l’option naïve, qui s’en tient aux éléments importants et qui est honnête quant à son incertitude plutôt que d’émettre un seul chiffre confiant.

À quelle fréquence une prévision de la demande doit-elle être recyclée ?

Assez souvent, cela ne s'éloigne jamais de la réalité, qui dépend de la rapidité avec laquelle votre demande évolue. La surveillance décide de la cadence, pas du calendrier. Le tableau ci-dessous est un point de départ et non une règle.

Situation	Cadence suggérée	Qu'est-ce qui déclenche un recyclage précoce
Produits stables et à rotation lente	Révision mensuelle, recyclage trimestriel	Une baisse de précision soutenue ou un changement connu du marché
Lignes saisonnières ou promotionnelles	Revue hebdomadaire	Début de saison, promotion planifiée, changement de prix
Demande rapide ou volatile	Surveillance continue, recyclage fréquent	La précision dépasse un seuil défini
Nouveau produit, peu d'histoire	À surveiller de près dès le lancement	Premières semaines d'arrivée des données de ventes réelles

Le principe derrière la table : surveiller en continu, se recycler sur signal. Un recyclage programmé sur un produit silencieux gaspille des efforts. Un recyclage manqué sur un programme volatil coûte tranquillement de l'argent. Laissez le suivi vous indiquer dans quelle situation vous vous trouvez.

À quoi cela ressemble-t-il en lien avec l'entreprise ?

Cela semble banal, c’est là le point. L'acheteur ouvre le système qu'il utilise déjà et la quantité de commande suggérée est là, avec une idée du degré de confiance de la prévision et un indicateur sur les articles qui méritent un second examen. Lorsqu’une prévision commence à s’écarter, quelqu’un en est informé avant la rupture de stock, pas après. Le modèle est comparé à ce qui s'est réellement vendu, tire les leçons de l'écart et s'ajuste. Rien de tout cela ne dépend du fait qu’une personne se souvienne d’ouvrir un rapport.

Ce dernier kilomètre, d'un chiffre à une décision prise sans friction, est généralement là où se situe le véritable travail, et c'est le cœur de ce que nous faisons dans le cadre de l'analyse prédictive.

Le point pratique à retenir

Si vous évaluez un effort de prévision, posez une question. Lorsque la demande changera au prochain trimestre, qu’adviendra-t-il de cette prévision ? Si la réponse est « quelqu’un le reconstruit », vous avez un rapport. Si la réponse est « il remarque, se signale et la décision s'ajuste », vous disposez d'un système. Construisez le deuxième type. Validez-le par rapport à l’historique réel, mesurez-le là où se situe le coût, intégrez-le à la décision et laissez-le continuer à apprendre. Une prévision qui résiste au contact avec la réalité n’est pas la plus précise du premier jour. C'est celui qui fait encore confiance au troisième jour.