FAQ: Prévision de la demande
Lokad a évolué depuis ses débuts en prévision de la demande à la fin des années 2000 pour devenir un leader de l’optimisation prédictive pour supply chains, axé sur une évaluation supérieure des événements futurs tout en naviguant dans les complexités du monde réel.
Public visé : praticiens de la supply chain, planificateurs de demande et d’approvisionnement, analystes d’affaires.
Dernière modification : 7 mars 2024

Principes de prévision
Comme Keynes l’a observé, il vaut mieux être approximativement correct que précisément faux. Ce principe s’applique à la plupart des situations de supply chain (et aussi à des scénarios hors supply chain), mais il est particulièrement pertinent pour la prévision. En matière de prévision, Lokad ne se contente pas d’éviter d’avoir exactement tort ; nous surpassons régulièrement non seulement nos concurrents, mais aussi des équipes de recherche1 — redéfinissant parfois l’état de l’art. Cependant, au cours de la dernière décennie, nous avons réalisé que le principal facteur limitant de la perspective traditionnelle de la prévision n’était pas l’exactitude, mais plutôt l’expressivité.
Les prévisions classiques—c’est-à-dire, les prévisions ponctuelles de séries temporelles—ne révèlent tout simplement pas assez sur l’avenir. Pourtant, les prévisions de séries temporelles sont devenues si répandues que de nombreux praticiens oublient combien elles sont incomplètes—et pas seulement inexactes. Les prévisions de séries temporelles traitent l’avenir de l’entreprise comme le mouvement d’une planète : un phénomène où l’observateur n’a aucun lien avec les objets observés. Cependant, les supply chains ne sont pas comme l’astronomie, et les entreprises (contrairement aux planètes) influencent activement la direction de leur supply chains. Fondamentalement, l’avenir n’est pas prédéterminé ; il est ce que vous en faites.
Étrangement, toute la théorie dominante de la supply chain est construite sur la base des prévisions de séries temporelles, conduisant à toutes sortes de retournements bizarres. La tarification—une manière évidente de piloter la demande—is généralement écartée, la ramenant à une préoccupation totalement distincte de la planification. Cela est manifestement incorrect compte tenu de leur nette interdépendance.
Une autre dimension complètement absente de la perspective traditionnelle des séries temporelles est l’incertitude. Cette incertitude est pour les traditionalistes quelque chose qui peut être abordé en recherchant une plus grande précision de façon isolée—souvent en consacrant d’énormes ressources à cet effet. Cependant, les supply chains ne cessent de prouver que l’incertitude associée aux événements futurs est irréductible, et que les problèmes de supply chain nécessitent plus que des ajustements isolés—c’est-à-dire, l’optimisation locale. Non seulement l’incertitude future est irréductible, mais les marchés globaux semblent également très habiles à poser des défis de manières anciennes (par exemple, guerres, tsunamis) et nouvelles (par exemple, confinements, réglementations inventives).
Prévisions probabilistes
La première grande rupture de Lokad par rapport à la perspective traditionnelle des prévisions de séries temporelles a été l’adoption des prévisions probabilistes, initiée en 2012 avec les prévisions en quantiles—qu’on peut considérer comme une prévision probabiliste incomplète. Les prévisions probabilistes prennent en compte tous les futurs possibles (c’est-à-dire, la demande, le délai, etc.), en attribuant une probabilité à chaque résultat. De ce fait, elles intègrent l’incertitude irréductible des événements futurs au lieu de l’ignorer complètement. Depuis 2012, les prévisions probabilistes se sont avérées, à maintes reprises, être une approche largement supérieure en matière de gestion du risque pour supply chain. Cela vaut pour tout, depuis les petites décisions locales, comme choisir la bonne quantité pour un SKU, jusqu’aux grandes décisions, comme la conclusion d’un contrat de service pluriannuel de plusieurs millions de dollars.
De plus, Lokad ne s’est pas limité (et ne se limite toujours pas) à la prévision probabiliste de la demande. Toutes les autres sources d’incertitude sont désormais quantifiées par la plateforme Lokad. Ces incertitudes incluent des délais variables, des taux de rebuts variables, des retours clients variables, etc. De manière plus générale, tous les événements futurs incertains doivent être prévus, idéalement au moyen de prévisions probabilistes. Ainsi, de nos jours, Lokad prévoit régulièrement plus d’une douzaine de types distincts d’événements futurs. Il est important de noter que ces prévisions alternatives ne sont pas des prévisions de séries temporelles. Nous ne cherchons pas à exprimer plusieurs valeurs/unités disparates (par exemple, demande, délai, etc.) au moyen d’une série temporelle. En fait, la plupart du temps, le problème que nous prévoyons ne rentre même pas dans le cadre étroit imposé par une série temporelle.
Prévisions programmatiques
La deuxième rupture significative de Lokad par rapport à la perspective classique de la prévision a été son virage programmatique, d’abord avec deep learning en 2018, puis avec la programmation différentiable en 2019. L’opinion dominante était que la prévision devait être abordée comme un produit technologique « packagé ». Lokad, comme la plupart de ses pairs, faisait même référence à son « moteur de prévision »—un composant logiciel monolithique dédié à cette tâche. Cependant, cette perspective présente deux lacunes majeures.
Premièrement, le point de vue du « moteur de prévision » suppose qu’il existe une manière standard d’organiser les données d’entrée qui seront fournies au moteur. Ce n’est pas le cas. La structure même des données d’entrée—in the relational sense (par exemple, SQL)—dépend fortement des spécificités des systèmes d’information mis en place dans l’entreprise. Forcer les données historiques, telles qu’on les trouve dans les systèmes d’information, dans un modèle de données préconçu, comme l’exige un moteur de prévision, conduit à toutes sortes de problèmes. Alors que Lokad a réussi (grâce à une sophistication toujours croissante) à concevoir un moteur de prévision bien plus flexible que ce que nos concurrents offrent encore, nous avons également réalisé que cette approche était une impasse technologique.
Les approches programmatiques, en revanche, se sont révélées être une solution bien supérieure. C’est dans ce cadre que les défis de la modélisation prédictive sont abordés à travers des paradigmes programmatiques plutôt qu’un logiciel monolithique rigide. Lokad a commencé en 2018 avec des frameworks de deep learning—couramment utilisés par la communauté élargie—mais a fini par repenser entièrement la technologie à la lumière des avancées réalisées en programmation différentiable en 2019. L’objectif de cette refonte technologique complète était de faire des données relationnelles une citoyenne de première classe, contrairement aux frameworks de deep learning qui les traitaient—et les traitent toujours—comme des données de seconde classe. Alors que les données relationnelles dominent dans la supply chain, ce n’est pas le type de données qui capte l’intérêt de la communauté plus large du machine learning (où prédominent les images, le langage naturel, la voix, etc.).
Deuxièmement, la perspective du « moteur de prévision » ne laisse aucune marge à l’entreprise pour façonner son propre avenir. Quelle que soit la sophistication du moteur, le paradigme implique qu’il existe un processus en deux étapes, avec une phase de prévision/planification suivie d’une étape d’optimisation/exécution. Ce paradigme laisse peu ou pas de place pour naviguer entre la planification et l’exécution. En théorie, il est possible de réappliquer de manière répétée le moteur de prévision sur des scénarios ajustés selon les prévisions obtenues lors des itérations précédentes. En pratique, le processus est si fastidieux que personne ne le fait vraiment (du moins pas sur le long terme).
En résumé : les approches programmatiques changent la donne. Cela permet d’opérer avec des boucles de rétroaction sur mesure—entre la planification et l’exécution—reflétant des options subtiles mais rentables que l’entreprise risquerait autrement de manquer. Par exemple, si le client est une entreprise de maintenance aéronautique (MRO), il devient possible de considérer l’achat et la vente simultanés de pièces rotables—les ventes de pièces inutilisées finançant l’acquisition de pièces désormais indispensables. De telles interactions ne sont pas nécessairement complexes ou même difficiles, mais les découvrir requiert que les détails du business soient examinés minutieusement. Les approches non programmatiques échouent invariablement à capturer ces subtilités, renvoyant les praticiens de la supply chain à leurs tableurs2. La programmation différentiable s’avère être un changeur de jeu à ce niveau également.
Questions Fréquemment Posées (FAQ)
1. Algorithmes et Modèles de Prévision
1.1 Pouvez-vous fournir un aperçu des moteurs de prévision que vous utilisez ?
Les capacités prédictives de Lokad reposent sur les atouts de la programmation différentiable d’Envision, le DSL (langage de programmation spécifique au domaine) conçu par Lokad pour l’optimisation prédictive de supply chain. Ainsi, au lieu de disposer d’un « moteur », Lokad possède des blocs de construction programmatiques qui peuvent être facilement assemblés pour élaborer des modèles prédictifs de pointe.
Nos modèles prédictifs incluent (mais vont au-delà de) la fourniture de prévisions de demande de séries temporelles de pointe, comme le démontre le fait que Lokad a obtenu la première place (sur environ 1000 concurrents) au niveau SKU dans une compétition internationale de prévision basée sur des ensembles de données de Walmart. Les détails de la méthode sont exposés dans un article public. La programmabilité de la plateforme Lokad offre des capacités flexibles qu’il est impossible de reproduire avec un « moteur de prévision » traditionnel. En fait, notre dernier « moteur de prévision » a été abandonné en 2018 en faveur d’une approche programmatique, précisément en raison de cette limitation.
De plus, nous parlons généralement de « modélisation prédictive » plutôt que de « prévision », car ce n’est pas seulement la demande future qui doit être estimée quantitativement, mais toutes les sources d’incertitude. Ces catégories incluent les délais futurs, les retours futurs, les taux de rebuts futurs, les prix futurs des matières premières, les prix futurs des concurrents, etc. Grâce à la programmation différentiable, Lokad fournit des prévisions qui vont bien au-delà de ce que l’on attend traditionnellement d’un moteur de prévision. Ces prévisions étendues sont cruciales pour offrir une optimisation de supply chain de bout en bout, plutôt qu’un simple plan de demande isolé.
Enfin, Lokad fournit un « modèle prédictif probabiliste ». La prévision probabiliste (ou « modélisation probabiliste ») est essentielle pour fournir des décisions optimisées ajustées au risque. Sans prévisions probabilistes, les décisions en supply chain sont fragiles face à toute variation, générant des coûts fixes importants pour des situations qui auraient pu être largement atténuées grâce à des décisions un peu plus prudentes.
Voir Programmation différentiable dans Envision pour en savoir plus sur les détails de cet outil critique, ainsi que l’Histoire du moteur de prévision de Lokad pour passer en revue notre progression en matière de prévision.
1.2 Pouvez-vous générer une prévision de base basée sur des modèles statistiques ?
Oui. Lokad peut générer une prévision de base de la demande basée sur des modèles paramétriques de faible dimension, c’est-à-dire, un modèle statistique. Nous procédons ainsi en utilisant Envision, le DSL (langage de programmation spécifique au domaine) de Lokad, spécialement conçu pour l’optimisation prédictive de supply chains. Grâce aux capacités de programmation différentiable d’Envision, il est également aisé d’apprendre les paramètres en s’appuyant sur les données historiques de la demande.
Il existe deux limitations clés de la perspective traditionnelle de la prévision qui a été supplantée par les nouvelles technologies offertes par Lokad. Premièrement, les prévisions ponctuelles de séries temporelles (alias « prévisions classiques ») ne capturent pas l’incertitude irréductible de l’avenir. En fait, elles ignorent complètement l’incertitude en exprimant l’incertitude future par une valeur unique (par exemple, la demande) au lieu d’une distribution de probabilités de valeurs.
Par conséquent, avec les prévisions traditionnelles de séries temporelles, il est impossible pour le client de générer des décisions ajustées au risque—par exemple, celles qui reflètent l’impact financier de commander X unités ou X+1 unités, voire de n’en commander aucune. Ce manque de conscience du risque (c’est-à-dire, de manière quantitative) s’avère invariablement très coûteux pour le client, car il conduit à une mauvaise prise de décision financière (par exemple, commandes, allocations, etc.). Lokad aborde ce problème par le biais de la prévision probabiliste, puisqu’elle intègre l’incertitude future au lieu de l’ignorer.
Deuxièmement, la prévision de la demande, bien qu’étant sans doute le type de prévision le plus important, n’est pas le seul type de prévision. Les délais, les retours, les taux de rebuts, ainsi que toutes les autres sources d’incertitude future doivent également être prévus. Lokad aborde ce problème au moyen de la modélisation prédictive programmatique.
1.3 Quels types d’analyse de données et d’algorithmes la solution emploie-t-elle pour générer des prévisions de demande précises ?
Lokad utilise la programmation différentiable tout en s’appuyant sur des données historiques détaillées et—si pertinent—des données externes sélectionnées pour générer des prévisions de demande et gérer d’autres complexités de supply chain (par exemple, ruptures de stocks et promotions).
La programmation différentiable—utilisée pour apprendre les modèles paramétriques—est la technique de pointe pour générer des prévisions de demande précises. Comme le démontre la compétition M5 de prévision, basée sur des données de vente au détail de Walmart, Lokad a utilisé cette approche et s’est classé premier au niveau SKU (en compétition contre environ 1000 équipes dans le monde). Cette réussite qualifie l’approche d’état de l’art.
Cependant, le M5 n’a fait qu’effleurer la surface en matière de prévisions de demande, puisque l’approche de Lokad se prête à d’innombrables « complications », telles que la gestion des ruptures de stocks, des promotions, des retours, de la périssabilité, etc. Structured predictive modeling for supply chain fournit les détails sur la manière dont Lokad aborde ces complications.
Côté données, Lokad exploite toutes les données historiques de ventes pertinentes, jusqu’aux transactions individuelles (si ces données sont disponibles). Nous exploitons également d’autres données historiques qui viennent compléter le signal de demande, telles que les niveaux de stocks historiques, les prix historiques, les prix historiques de la concurrence, les classements d’affichage historiques (ecommerce), etc. La technologie de Lokad a été conçue pour tirer le meilleur parti de toutes les données disponibles, ainsi que pour atténuer les effets des données qui, malheureusement, ne le sont pas.
Des données externes peuvent être utilisées si elles sont jugées pertinentes pour affiner les prévisions de demande. Cependant, d’après notre expérience, les données au-delà de l’intelligence concurrentielle n’apportent que rarement une amélioration de la précision qui justifierait les efforts d’ingénierie substantiels associés à la préparation de ces ensembles de données (par exemple, les données sociales, les données météorologiques, etc.). L’exploitation de tels ensembles de données devrait être réservée aux entreprises matures qui ont déjà épuisé toutes les voies plus simples pour améliorer la précision des prévisions.
1.4 Réduisez-vous l’erreur de prévision grâce aux techniques de machine learning ?
Oui. Lokad utilise la programmation différentiable et le deep learning pour réduire l’erreur de prévision. Nous utilisons occasionnellement des techniques alternatives, telles que les random forests ou les gradient boosted trees. De plus, nous utilisons des techniques de machine learning (ML) pour revisiter les méthodes statistiques « classiques » (par exemple, les modèles autorégressifs), mais avec des méthodes grandement améliorées en ce qui concerne l’apprentissage des paramètres pertinents de ces méthodes.
Bien que Lokad utilise le ML, il convient de noter qu’il ne s’agit pas d’un ensemble homogène de travaux, mais plutôt d’une perspective partagée sur la manière d’aborder les données. Sachant que le machine learning, en tant que domaine de recherche, existe depuis plus de trois décennies, le terme englobe en réalité une large gamme de techniques ; certaines considérées comme state-of-the-art et d’autres comme assez obsolete.
De notre point de vue, la transformation paradigmatique la plus importante dans le ML, particulièrement pour la supply chain, est la transition de l’ingénierie des caractéristiques à l’ingénierie de l’architecture. En d’autres termes, les techniques de machine learning sont devenues programmables. Le deep learning et la programmation différentiable reflètent cette nouvelle perspective qui privilégie l’ingénierie de l’architecture par rapport à l’ingénierie des caractéristiques, et c’est pourquoi Lokad utilise cette approche.
Pour la supply chain, l’ingénierie de l’architecture est essentielle pour refléter, au sein du modèle prédictif, la structure même du problème traité. Bien que cela puisse sembler une considération abstraite, c’est la différence entre une prévision qui ne correspond systématiquement pas aux données de l’ERP et une prévision qui prend réellement en compte la situation.
1.5 Comment identifiez-vous et prédisez-vous les tendances de la demande afin de prévenir les ruptures de stocks et le surstockage ?
Lokad réduit les ruptures de stocks et le surstockage grâce à la prévision probabiliste, qui prend en compte l’incertitude de la demande future en fournissant des probabilités de fortes variations de la demande. Cette approche permet à Lokad de proposer des décisions ajustées en fonction du risque aux clients, ce qui permet de faire de meilleurs choix (par exemple, des POs) et de réduire les ruptures de stocks et le surstockage. Cette approche contraste avec les prévisions ponctuelles de séries temporelles traditionnelles, qui ignorent les risques financiers et se concentrent sur la réduction des erreurs de prévision isolément.
Mis à part d’autres causes possibles — telles que les délais d’approvisionnement variables — les ruptures de stocks et le surstockage reflètent généralement une demande (future) inattendue. Lokad aborde directement ce problème grâce à la prévision probabiliste. Contrairement aux méthodes de supply chain traditionnelles qui ignorent l’incertitude irrésoluble de l’avenir, Lokad adopte une approche strictement quantitative de l’incertitude. Les prévisions probabilistes fournissent les probabilités d’observer d’importantes variations de la demande, ce qui est essentiel pour calculer des décisions ajustées en fonction du risque.
Les décisions ajustées en fonction du risque ne prennent pas seulement en compte la probabilité de faire face à des événements inhabituels (par exemple, une demande très faible ou très élevée), mais également les risques financiers associés à ces situations. En règle générale, les coûts sont fortement asymétriques lorsqu’il s’agit d’avoir trop peu ou trop d’unités. Une décision ajustée en fonction du risque minimise les pertes attendues en orientant le client dans la direction la plus « prudente » ou la plus « rentable ».
En revanche, et malgré leur popularité, les prévisions ponctuelles périodiques de séries temporelles (alias « prévisions classiques ») passent complètement sous silence ces risques. Cette approche vise à réduire l’erreur de prévision isolément au point que l’erreur devienne insignifiante. Cependant, cela relève d’une illusion, puisque l’incertitude de l’avenir est irréductible. C’est pourquoi les prévisions ponctuelles échouent à prévenir de manière satisfaisante les ruptures de stocks et le surstockage.
En bref, peu importe qu’un modèle rudimentaire ou sophistiqué soit utilisé lorsque les hypothèses/outils sous-jacents (par exemple, les prévisions ponctuelles de séries temporelles) sont fondamentalement défectueux.
Voir probabilistic forecasting pour les détails sur ce concept.
1.6 Comment gérez-vous la saisonnalité de la demande ?
Executive summary: Lokad gère la saisonnalité de la demande grâce à la programmation différentiable, en utilisant des modèles paramétriques de faible dimension qui codent en dur la structure de diverses cyclicités, telles que les cycles annuels, hebdomadaires et spécifiques à certains événements. Cette approche automatisée garantit la précision et la stabilité des prévisions de demande en prenant simultanément en compte tous les schémas influant sur la demande, sans nécessiter d’intervention manuelle.
La saisonnalité, également appelée cyclicité annuelle, est l’une des nombreuses cyclicités que Lokad gère. Nous pouvons également gérer la cyclicité hebdomadaire (c’est-à-dire l’effet du jour de la semaine), la cyclicité mensuelle (c’est-à-dire l’effet de la paie) et les cyclicités quasi-annuelles (par exemple, Pâques, Ramadan, Nouvel An chinois, Black Friday, etc.).
Notre technique privilégiée pour gérer les cyclicités est la programmation différentiable. Nous utilisons des modèles paramétriques de faible dimension qui reflètent structurellement les cyclicités cibles. En d’autres termes, nous choisissons des modèles dans lesquels la structure de la cyclicité est une donnée, codée en dur par les supply chain scientists de Lokad. Ceci est conçu pour nous aider à quantifier l’ampleur des fluctuations associées aux cyclicités cibles — plutôt que de simplement identifier/découvrir leur existence.
Une fois la recette numérique élaborée par les supply chain scientists de Lokad, le processus global d’optimization est entièrement automatisé. En particulier, l’optimization de la supply chain de Lokad ne nécessite aucune intervention manuelle (c’est-à-dire, la micro-gestion du profil de saisonnalité), ni ne s’appuie sur des exceptions pour les produits récents ou pour ceux qui n’ont pas encore été lancés. Lokad’s approach might seem somewhat novel, but it is critically important for supply chain purposes.
Premièrement, elle fournit des résultats plus précis, car le processus de machine learning ne cherche pas à découvrir la cyclicité, celle-ci étant considérée comme acquise (et déjà largement reconnue par les praticiens de la supply chain). Cela est d’autant plus crucial dans les situations où la quantité de données est limitée.
Deuxièmement, elle offre des résultats plus stables, en contraignant la forme de la fonction de demande à apprendre. Cette approche permet de réduire considérablement les artefacts numériques où la demande future estimée fluctue largement alors que les données d’entrée ne le font pas.
Enfin, la programmation différentiable, utilisée par Lokad pour construire des modèles (machine learning) à partir des données du client, nous permet d’aborder de manière conjointe toutes les cyclicités, ainsi que tous les autres schémas qui influent sur les modèles de demande observés (par exemple, les ruptures de stocks ou les promotions). Les cyclicités ne peuvent être estimées isolément, ni successivement, par rapport aux autres schémas qui impactent la demande. Tous ces schémas, et leurs paramètres respectifs, doivent être estimés conjointement.
Voir Structured Predictive Modeling for Supply Chain pour les détails sur la programmation différentiable et sa place dans l’optimization de la supply chain.
1.7 Disposez-vous de capacités de prévision à long terme (plus de 3 ans à l’avance) pour prédire la demande future et proposer des ajustements en conséquence ? Quel est l’horizon maximal de prévision qui peut être généré ?
Oui. Lokad peut prévoir indéfiniment dans le futur, il n’existe donc pas d’horizon maximal.
Étant donné la nature de l’incertitude future, l’inexactitude des prévisions augmente continuellement avec l’allongement de l’horizon. Bien qu’il soit techniquement simple de produire une prévision à long terme, cela ne signifie pas que cette prévision peut être fiable pour la supply chain. Quelle que soit la sophistication du modèle sous-jacent, la prévision consiste en fin de compte à tenter de deviner à quoi ressemblera la route en se basant sur le rétroviseur.
De plus, la possibilité d’apporter des ajustements manuels à une prévision par ailleurs automatisée tend à aggraver la situation. Une fois les prévisions modifiées manuellement par des « experts », les organisations leur accordent invariablement une confiance excessive. De nombreux tests effectués par Lokad indiquent que les experts surpassent rarement les méthodes de moyenne brute en matière de prévisions à long terme. Ainsi, les prévisions ajustées manuellement bénéficient généralement d’une aura d’expertise indue qui rend les organisations trop dépendantes d’elles. Cette pratique de réglages manuels persiste même après que les chiffres se révèlent inévitablement être de mauvaises estimations.
En guise de commentaire général sur les prévisions à long terme, nous partageons le point de vue d’Ingvar Kamprad (fondateur d’IKEA), qui écrivait dans The Testament of a Furniture Dealer : “exaggerated planning is the most common cause of corporate death”. De manière générale, à moins que l’entreprise cliente ne fasse face à des conditions de marché exceptionnellement stables (par exemple, les services publics), nous ne conseillons pas de piloter sa supply chain à l’aide de prévisions à long terme. L’équipe des supply chain scientists de Lokad est disponible pour fournir des recommandations sur des approches meilleures (et plus sensées) qui reflètent de manière unique les exigences spécifiques de chaque entreprise cliente.
1.8 Pouvez-vous fournir des prévisions par article/magasin sur une période roulante d’au moins 28 jours ?
Oui, Lokad peut prévoir indéfiniment dans le futur, même au niveau SKU pour une grande chaîne de distribution.
Pour nos clients du secteur de la distribution, nous disposons couramment d’horizons de prévision de 200 jours (ou plus), tout en opérant au niveau SKU. Ces horizons à moyen terme sont utiles pour évaluer correctement les risques associés aux stocks dormants pour les produits à faible rotation. De plus, la plateforme de Lokad est hautement évolutive, ainsi gérer des dizaines de millions de SKUs tout en traitant des années de données historiques quotidiennes n’est pas difficile. En fait, la plateforme de Lokad peut évoluer sans effort pour accueillir même de grands réseaux de distribution sans qu’il soit nécessaire de planifier préalablement la capacité.
Voir également Forecasting Algorithms and Models 1.7 dans cette FAQ.
1.9 Pouvez-vous utiliser des sources de données externes et/ou des indicateurs pour améliorer la précision des prévisions de demande ?
Oui. Par exemple, Lokad utilise régulièrement l’intelligence concurrentielle (c’est-à-dire, les prix publiés des concurrents). Dans certaines industries, les indicateurs publics peuvent être d’une grande utilité (par exemple, les tailles prévues des flottes aériennes pour les aviation MROs). La plateforme programmatique de Lokad est particulièrement adaptée pour exploiter des sources de données variées — au-delà des données historiques obtenues à partir des systèmes d’information.
En ce qui concerne les données externes, il y a deux sources qui, contre-intuitivement, ne justifient presque jamais les efforts d’ingénierie : les ensembles de données météorologiques et les ensembles de données issus des réseaux sociaux. Les ensembles de données météorologiques sont très lourds (c’est-à-dire très volumineux et très complexes) et, de manière réaliste, ils ne sont pas vraiment meilleurs que des moyennes saisonnières pour des prévisions au-delà de deux semaines (approximativement). Les ensembles de données issus des réseaux sociaux sont également très lourds (très volumineux, très complexes, et fortement peuplés de données inutiles), et reposent également fortement sur des effets à court terme — généralement sur quelques jours.
Nous ne prétendons pas qu’il n’est pas possible d’extraire de la valeur des données météorologiques ou des données issus des réseaux sociaux, car nous y sommes déjà parvenus pour certains clients. Cependant, toutes les améliorations de la précision des prévisions ne valent pas nécessairement les efforts d’ingénierie pour les obtenir. Nos clients doivent opérer avec des ressources limitées, et généralement, ces ressources sont mieux investies dans l’affinement d’autres aspects de l’optimization de la supply chain de bout en bout. Il s’agit d’une approche plus prudente que de chercher le dernier 1 % (généralement même pas autant) d’exactitude supplémentaire grâce à des ensembles de données externes qui sont 2 ou 3 ordres de grandeur plus volumineux que les ensembles de données historiques gérés par le client.
1.10 Comment gérez-vous différents niveaux de taux de vente, allant de moins d’une vente par semaine à des milliers par jour ?
Pour gérer des taux de vente variables, Lokad utilise des prévisions probabilistes pour une demande rare, en employant des structures de données spécialisées telles que Ranvar pour une efficacité sur tous les volumes de vente, simplifiant ainsi les défis de la supply chain.
En ce qui concerne les magnitudes variables des taux de vente, le principal défi concerne les petits nombres plutôt que les grands — ceux-ci étant comparativement beaucoup plus faciles à traiter. Afin de faire face à une demande rare, Lokad utilise des prévisions probabilistes. Les prévisions probabilistes attribuent une probabilité à chaque événement discret, comme la probabilité de vendre 0 unité, 1 unité, 2 unités, etc. Les probabilités éliminent des catégories entières de problèmes associés aux valeurs décimales de demande, telles qu’obtenues traditionnellement avec les méthodes de supply chain conventionnelles.
En coulisses, les probabilités sur une courte série de possibilités discrètes sont représentées sous forme d’histogrammes (ou de structures de données similaires). Ces structures de données sont très compactes et entraînent ainsi une faible charge de calcul. Cependant, lorsqu’on traite une demande rare, une implémentation naïve de telles structures de données (par exemple, conserver 1 compartiment par unité de demande) deviendrait dramatiquement inefficace lorsqu’elle serait appliquée à des distributions de demande non rares impliquant des milliers d’unités de demande par période.
Ainsi, Lokad a conçu des structures de données spéciales, telles que le Ranvar (voir ci-dessous) qui garantissent des surcharges en temps constant et en mémoire constant pour les opérations algébriques impliquant des distributions de probabilité. Ranvar approxime gracieusement la distribution de probabilité originale lorsque les nombres deviennent grands tout en gardant la perte de précision insignifiante du point de vue de la supply chain. Des structures de données comme Ranvar éliminent en grande partie la nécessité d’isoler et de cibler la demande éparse, tout en préservant tous les schémas désirables pour les petits entiers lorsqu’il s’agit de la demande éparse.
Voir notre conférence vidéo publique Prévision probabiliste pour supply chain et notre documentation publique Ranvars et Zedfuncs pour les détails techniques sur ce point.
1.11 Prévoyez-vous dans différentes unités (unité, prix, caisse, poids, etc.)?
Oui, la plateforme de Lokad est programmatique. Nous pouvons réexprimer nos prévisions dans n’importe quelle unité souhaitée. De plus, nous pouvons prendre en compte des situations impliquant plusieurs unités. Par exemple, les conteneurs sont limités à la fois en termes de poids et de volume. Ainsi, la projection de l’utilisation future des conteneurs peut devoir tenir compte de ces deux contraintes afin d’évaluer correctement combien de conteneurs seront probablement nécessaires.
1.12 Supportez-vous plusieurs algorithmes de prévision (par exemple, régression linéaire, lissage exponentiel, moyenne mobile, ARIMA, etc.)?
Oui. La plateforme de Lokad est programmatique, nous pouvons donc supporter tous les modèles de prévision classiques (tels que ceux mentionnés dans la question).
Il est important de noter que la plupart des modèles de prévision « classiques » (par exemple, la régression linéaire, le lissage exponentiel, la moyenne mobile, ARIMA, etc.) ne sont plus considérés comme étant à la pointe de la technologie et n’apparaissent pas parmi les meilleurs lors de compétitions publiques de prévision. En particulier, la plupart de ces modèles obtiennent de mauvais résultats lorsqu’il s’agit de gérer les complications habituelles que l’on rencontre dans les situations de supply chain (par exemple, les ruptures de stocks, les cannibalizations, des événements quasi-saisonniers comme le Nouvel An chinois, etc.).
Habituellement, les Supply Chain Scientist de Lokad élaborent une recette numérique sur-mesure pour couvrir les besoins en prévision de la société cliente. Nos Supply Chain Scientist prévoient la demande nécessaire ainsi que tous les autres facteurs incertains de la supply chain, tels que les délais de livraison, les retours, les taux de rebut, les prix des concurrents, etc. De plus, l’algorithme de prévision doit être adapté pour capitaliser sur les données disponibles tout en atténuant les distorsions inhérentes aux opérations de supply chain (par exemple, la demande rebondit fréquemment à la fin d’un événement de rupture de stock).
Voir notre conférence vidéo publique No1 au niveau SKU dans la compétition de prévision M5 pour en savoir plus sur les références en prévision de Lokad.
1.13 Quel niveau de granularité est renvoyé pour la prévision?
Lokad peut s’adapter à n’importe quel niveau de granularité dans ses prévisions. Cela signifie que nous pouvons prévoir à des granularités très désagrégées, par exemple jusqu’au niveau SKU ou même prévoir la demande par client et par SKU (si cela a du sens), ainsi que réaliser des prévisions au niveau de l’ensemble de la société.
Comme les prévisions sont des artefacts numériques destinés à servir à la génération de décisions supply chain optimisées, les Supply Chain Scientist de Lokad ajustent la granularité des prévisions pour correspondre exactement aux décisions que ces prévisions sont censées supporter. En particulier, s’il y a plusieurs décisions de supply chain à prendre en charge, il existe généralement plusieurs niveaux de granularité dans les prévisions.
Cependant, Lokad va au-delà de la simple adaptation de la granularité de la prévision (c’est-à-dire choisir un certain niveau au sein d’une hiérarchie donnée). Nous ajustons l’ensemble de la perspective de prévision afin de mieux refléter la tâche à accomplir. Par exemple, pour un détaillant B2B, il pourrait être pertinent de prévoir le churn des clients, car le stock d’un client (desservant une demande constante pour un SKU donné) pourrait, du jour au lendemain, se transformer en stock mort. Cela peut se produire si toute (ou la majeure partie) de la demande provenait d’un gros client qui a soudainement défectionné. Lokad est capable de prévoir les probabilités de churn parallèlement à la demande pour un SKU donné. Par la suite, nous pouvons combiner les deux prévisions selon les besoins pour optimiser les décisions de stocks pertinentes.
1.14 Pouvez-vous générer des prévisions quantitatives en utilisant des données de ventes hebdomadaires?
Oui. Nos capacités de prévision sont très flexibles. Nous pouvons, par exemple, prendre en compte des données de ventes hebdomadaires au lieu des données transactionnelles brutes (notre préférence).
Il convient de noter que la transformation des données transactionnelles en une série temporelle hebdomadaire est un processus qui entraîne une perte d’information, c’est-à-dire que des renseignements critiques peuvent être perdus dans ce processus. Une fois perdue, cette information ne peut pas être récupérée, peu importe la sophistication du modèle de prévision utilisé.
Par exemple, imaginez un détaillant de bricolage vendant des interrupteurs. Ce détaillant observe, en moyenne, 1 unité de demande par jour pour un SKU donné dans un magasin réapprovisionné chaque jour de la semaine. Si la majeure partie de la demande provient de clients achetant 1 unité à la fois, alors 4 unités en stock offriront probablement un taux de service décent. Cependant, si la majeure partie de la demande provient de clients achetant généralement une demi-douzaine d’unités en une seule fois (avec 1 client se présentant en moyenne par semaine), alors 4 unités en stocks correspondent à un taux de service médiocre.
Cela démontre le problème de l’agrégation arbitraire. Une fois les données de ventes agrégées de manière hebdomadaire, par exemple, la différence entre les deux situations décrites ci-dessus est perdue. C’est précisément pourquoi Lokad préfère traiter les données transactionnelles brutes chaque fois que cela est possible.
1.15 Génèrez-vous une prévision quotidienne (ou intrajournalière) à partir de l’historique quotidien, ou appliquez-vous des schémas journaliers à une prévision statistique hebdomadaire?
Lorsque des données historiques journalières sont disponibles (ou, mieux encore, des données au niveau transactionnel), nous apprenons généralement conjointement toutes les cyclicités pertinentes—jour de la semaine, semaine du mois, semaine de l’année—afin d’améliorer la précision des prévisions. Grâce à la plateforme de Lokad, il est très simple d’inclure (ou d’exclure) une cyclicité ou quasi-cyclicité donnée (par exemple, Pâques, Nouvel An chinois, Ramadan, etc.).
La décomposition hiérarchique qui sépare la cyclicité du jour de la semaine de celle de la semaine de l’année peut être utilisée ou non par Lokad. Notre plateforme peut, cependant, supporter les deux options. Cette problématique (décomposer ou ne pas décomposer) n’est pas exclusive aux cyclicités, et des préoccupations similaires doivent être abordées pour tous les autres schémas.
Le choix du modèle le plus adapté est laissé aux Supply Chain Scientist de Lokad. Leur choix se base sur un examen attentif des schémas spécifiques observés dans la supply chain concernée.
1.16 Ajustez-vous automatiquement la prévision au cours de la journée (ou de la semaine) en fonction des ventes réelles par rapport aux ventes attendues?
Lokad rafraîchit ses modèles prédictifs quotidiennement pour corriger toute erreur due à des saisies de données incorrectes, garantissant ainsi que les prévisions sont précises et à jour. Cette approche contrecarre les instabilités numériques des technologies plus anciennes, en utilisant des modèles stables et précis pour éviter des changements erratiques dans les prévisions et améliorer les décisions supply chain.
En règle générale, Lokad rafraîchit tous ses modèles prédictifs chaque fois que nous recevons un nouveau lot de données historiques. Pour la majorité de nos clients, cela se produit une fois par jour. La raison principale est de s’assurer que les saisies de données incorrectes—déjà corrigées—ne persistent pas en raison de prévisions « défaillantes » générées dans le passé (basées sur ces erreurs). La fonctionnalité de Lokad rend le rafraîchissement quotidien des modèles prédictifs sans problème, même pour des supply chains très importantes.
D’autre part, certaines technologies de prévision obsolètes souffrent d’instabilités numériques. En conséquence, les praticiens de la supply chain peuvent craindre qu’un système actualisé trop fréquemment ne produise des prévisions erratiques. Du point de vue de Lokad, un modèle prédictif qui « saute » de manière erratique en raison de l’arrivée quotidienne de nouveaux incréments de données est, en fait, un modèle défectueux qui doit être corrigé. Retarder les rafraîchissements pour atténuer le problème ne peut être considéré comme une solution raisonnable, car la précision des prévisions en pâtit inutilement en ne tenant pas compte des événements les plus récents.
Lokad résout ce problème en adoptant des classes de modèles prédictifs qui présentent, par conception, des propriétés de stabilité numérique adéquates. La programmation différentiable est particulièrement efficace pour concevoir des modèles à la fois très stables et très précis.
Voir Refresh Everything Every Day pour plus d’informations sur ce point.
1.17 Comment établissez-vous un niveau de confiance que le niveau de ventes réel se poursuivra dans le futur?
Nous utilisons la prévision probabiliste et l’optimisation stochastique pour évaluer toutes les issues potentielles et leurs probabilités, permettant ainsi de prendre des décisions supply chain ajustées en fonction du risque. Chaque issue potentielle dispose d’un intervalle de confiance, qui peut être utilisé pour exprimer des niveaux de confiance.
Lorsque des prévisions probabilistes sont utilisées, comme le recommande Lokad, tous les futurs possibles se voient attribuer une probabilité estimée. En conséquence, les intervalles de confiance sont faciles à obtenir à partir d’une prévision probabiliste. Ces intervalles peuvent être utilisés pour établir un « niveau de confiance » en fonction d’un certain degré de risque (par exemple, scénario du pire 5 % contre pire 1 %).
Cependant, l’hypothèse implicite derrière les « niveaux de confiance » est que la décision supply chain dépend des prévisions initiales. La perspective de la prévision probabiliste modifie entièrement notre approche de la question de la précision des prévisions. Lorsque des prévisions probabilistes sont disponibles, les décisions supply chain (par exemple, un bon de commande donné) peuvent soudainement bénéficier d’une optimisation ajustée au risque. En d’autres termes, la décision peut être optimisée pour l’ensemble des futurs possibles et leurs probabilités respectives, et chaque décision peut être classée en fonction de leur ou de ses impacts financiers.
Le terme technique pour cette « optimisation sous incertitude » est l’optimisation stochastique. Lokad propose à la fois la prévision probabiliste et l’optimisation stochastique.
1.18 Pouvez-vous combiner plusieurs algorithmes de prévision?
Oui, bien que nous ayons cessé de recommander cette pratique il y a environ une décennie. Combiner plusieurs algorithmes de prévision (alias « meta-modèles ») dans un environnement de production génère généralement des décisions supply chain sous-optimales—précisément pourquoi nous ne recommandons pas cette approche.
Combiner plusieurs modèles de prévision est l’une des options les plus simples pour améliorer des résultats synthétiques, généralement obtenus par backtesting. Cependant, ce « meta-modèle » (le produit de la combinaison de plusieurs modèles de prévision sous-jacents) est généralement instable, dans la mesure où il « saute » constamment d’un modèle à l’autre. En conséquence, les praticiens de la supply chain sont régulièrement déconcertés par des écarts soudains ou des « changements d’avis » du meta-modèle. Pire encore, les meta-modèles sont, par conception, assez opaques puisqu’ils constituent un mélange de plusieurs modèles. Même lorsque les modèles sous-jacents sont simples, le meta-modèle issu de leur combinaison ne l’est pas.
Ainsi, toute « précision supplémentaire » obtenue grâce à l’utilisation de meta-modèles, dans le cadre de benchmarks (c’est-à-dire les « résultats synthétiques »), se perd invariablement en production (c’est-à-dire dans des scénarios réels) en raison d’effets de second ordre tels que l’instabilité accrue et l’opacité augmentée des prévisions.
1.19 Sélectionnez-vous automatiquement le modèle le plus adapté pour les prévisions?
Oui, Lokad fournit un modèle prédictif unique et efficace pour la prévision supply chain. Nous évitons les « meta-modèles » en raison de leurs performances médiocres en conditions réelles et de leur opacité.
Les Supply Chain Scientists de Lokad fournissent à chaque client un modèle prédictif unique plutôt qu’une amalgamation de différents algorithmes en compétition pour la sélection, conformément à l’approche des « meta-modèles ». Cette approche des meta-modèles est une pratique que Lokad a cessé d’utiliser il y a environ une décennie.
Il convient de noter qu’au niveau technique, Lokad n’a aucun problème à faire fonctionner une « compétition interne » de modèles de prévision — c’est-à-dire une collection de modèles où le meilleur est automatiquement sélectionné en fonction des besoins. Une telle approche est techniquement simple. La raison pour laquelle Lokad évite cette pratique est que les avantages associés aux meta-modèles sont synthétiques (c’est-à-dire visibles dans les benchmarks) et ne se traduisent pas dans des scénarios réels de supply chain. Notre expérience indique que les meta-modèles obtiennent invariablement des performances inférieures à celles de leurs homologues non composites.
Les meta-modèles reflètent principalement des technologies de prévision obsolètes dans lesquelles une collection de modèles défectueux est assemblée : le premier modèle est mauvais en matière de saisonnalité ; le deuxième modèle est mauvais avec des séries temporelles courtes ; le troisième modèle est mauvais avec des séries temporelles erratiques ; etc. Construire un meta-modèle donne l’illusion que le modèle a atténué ses défauts constitutifs, toutefois, les défauts de chaque modèle refont régulièrement surface car la logique du sélecteur de modèles a elle-même ses propres limitations. Pire encore, les meta-modèles sapent généralement la confiance des praticiens de la supply chain car cette conception se révèle « opaque par conception ».
C’est pourquoi l’approche de Lokad consiste à élaborer un modèle prédictif qui est exactement aussi simple qu’il peut l’être, mais pas plus. Conçu avec des technologies de support appropriées, comme la programmation différentiable, ce modèle unique traite l’ensemble du périmètre de la supply chain pour la société cliente, sans avoir besoin de recourir à un mélange de modèles.
Voir également Forecasting Algorithms and Models 1.18 dans cette FAQ.
1.20 Pouvez-vous organiser des tournois de prévision, en sélectionnant automatiquement le meilleur modèle avec la meilleure paramétrisation ? Faites-vous cela avec le machine learning?
Oui. Lokad peut le faire, bien que nous ne recommandions pas cette approche. Combiner des modèles via le machine learning (pour créer des « meta-modèles ») n’apporte pas de bénéfices en production. Nous préconisons plutôt une approche à modèle unique.
Il y a environ une décennie, nous avions l’habitude de recourir aux meta-modèles pour la prévision. Les meta-modèles sont des modèles qui représentent une combinaison d’autres modèles, et/ou un modèle qui est une sélection d’autres modèles. Le mélange et/ou la sélection des modèles sous-jacents était également réalisé à l’aide de techniques de machine learning — typiquement les forêts aléatoires et les arbres de gradient boosting.
Cependant, malgré l’amélioration des résultats synthétiques grâce au benchmarking (généralement réalisé par backtesting), l’approche méta-modèle dégrade invariablement les résultats réels pour le client. La sélection automatique du modèle conduit à des « sauts » de prévision erratiques lorsque le méta-modèle passe d’un modèle à un autre. L’utilisation de techniques de machine learning pour la sélection du modèle tend également à aggraver ce comportement en rendant les transitions encore plus erratiques.
Ainsi, bien que la plateforme Lokad prenne en charge les tournois de prévision, nous ne recommandons pas l’utilisation de telles approches à des fins de production. En particulier, de récentes compétitions de prévision montrent qu’un modèle unique et unifié surpasse des méta-modèles plus complexes, comme en témoigne la première place de Lokad au niveau SKU dans une compétition mondiale impliquant un ensemble de données de Walmart (voir ci-dessous).
Voir aussi Algorithmes et Modèles de Prévision 1.18 dans cette FAQ.
1.21 Comment faire en sorte que des informations plus granulaires pour chaque article/magasin soient utilisées tout en évitant le bruit et le surapprentissage du modèle ?
Lokad utilise la programmation différentiable pour améliorer la précision des prévisions, une approche qui nous permet d’adapter les modèles à des structures de données spécifiques et de gérer le surapprentissage en contrôlant l’expressivité du modèle. Cette approche répond efficacement à la “loi des petits nombres” en intégrant une guidance experte minimale (mais cruciale) pour optimiser l’efficacité des données.
Les problèmes de bruit et de surapprentissage sont les principales raisons pour lesquelles Lokad utilise la programmation différentiable dans ses prévisions. Grâce à la programmation différentiable, les Supply Chain Scientist de Lokad ont un contrôle total sur la structure même du modèle. La programmation différentiable leur permet de concevoir un modèle qui intègre les données d’entrée (y compris sa structure relationnelle). De plus, la programmation différentiable leur permet de restreindre l’expressivité du modèle afin de maîtriser le surapprentissage.
La programmation différentiable a constitué une percée pour Lokad afin de faire face à la “loi des petits nombres” qui régit les supply chain — c’est-à-dire que les prévisions doivent toujours être effectuées au niveau/de la granularité qui reflète les décisions de la supply chain d’intérêt, telles que “par SKU par jour”. Cependant, en procédant ainsi, les modèles de prévision se retrouvent confrontés à des situations où le nombre de points de données pertinents se compte en chiffre unique.
L’innovation de la programmation différentiable réside dans le fait qu’elle permet à un Supply Chain Scientist (généralement employé par Lokad, mais éventuellement employé par l’entreprise cliente) d’injecter des connaissances a priori de haut niveau dans le modèle prédictif (par exemple, une sélection des cyclicités pertinentes) afin de tirer le meilleur parti du très faible nombre de points de données disponibles. Contrairement aux “systèmes experts” des années 1980, la programmation différentiable nécessite une guidance très limitée de la part d’un expert humain — pourtant, cette guidance limitée peut faire toute la différence en termes d’efficacité des données.
2. Gestion des prévisions et ajustements
2.1 Les utilisateurs peuvent-ils visualiser les prévisions ? Peuvent-ils agréger les prévisions à différents niveaux (par exemple, entrepôt, magasin, boutique) ?
Executive summary: Oui, la plateforme Lokad offre une visualisation robuste des données (en temps constant) pour inspecter et agréger les prévisions à tout(s) niveau(x) souhaité(s).
La plateforme Lokad offre des capacités étendues de visualisation des données qui peuvent être utilisées pour inspecter les prévisions de séries temporelles. En particulier, il est simple d’agréger les prévisions selon n’importe quelle hiérarchie (par exemple, lieux, régions, catégories de produits, etc.) et selon n’importe quelle granularité (par exemple, jour, semaine, mois, etc.). De plus, la plateforme Lokad garantit un affichage en temps constant pour ces rapports, ce qui signifie qu’ils sont rendus en moins de 500 millisecondes — à condition que l’utilisateur final dispose de suffisamment de bande passante pour charger le rapport dans ce délai.
Cependant, cette question suppose implicitement que nous parlons de prévisions ponctuelles de séries temporelles (alias prévisions de demande classiques). Bien que la plateforme Lokad supporte les prévisions ponctuelles de séries temporelles, ces prévisions sont désormais obsolètes pour deux raisons.
Premièrement, les prévisions ponctuelles présentent une unique valeur future comme si c’était LE futur (c’est-à-dire exactement ce qui se produira). À cet égard, elles traitent le futur comme le symétrique du passé. Cependant, l’incertitude du futur est irréductible, et le futur, tel qu’il est perçu du point de vue de la supply chain et non d’un physicien, n’est pas le symétrique du passé. Pour cette raison, les prévisions probabilistes devraient être privilégiées — une approche qui prend en compte TOUS les résultats futurs possibles (par exemple, les valeurs de demande) et attribue une probabilité à chacun d’eux. En termes de gestion des risques, cela offre une défense bien plus robuste contre l’incertitude irréductible du futur.
Cependant, bien que les prévisions probabilistes puissent être exprimées à n’importe quel niveau (par exemple, entrepôt, magasin, produit, etc.), elles ne sont pas additives, du moins pas dans le sens habituel. Ainsi, bien que la plateforme Lokad offre toutes les capacités de visualisation des données pertinentes pour nos prévisions, ces capacités ne sont généralement pas celles auxquelles les professionnels de la supply chain s’attendent (du moins ceux qui n’ont aucune expérience préalable de la prévision probabiliste).
Deuxièmement, les modèles de prévision de séries temporelles sont fréquemment inadaptés car la perspective des séries temporelles elle-même est simpliste et ne parvient pas à capturer l’essence de l’entreprise. Par exemple, un détaillant B2B peut avoir un mélange de deux types de commandes : de petites commandes que les clients s’attendent à voir traitées rapidement à partir des stocks du détaillant ; et de grosses commandes passées des mois à l’avance, que les clients s’attendent à voir traitées à temps — précisément parce que la commande a été passée avec autant de marge au départ. Ce schéma, aussi basique soit-il, ne peut être traité par une prévision de séries temporelles. De plus, des schémas qui ne correspondent pas aux prévisions de séries temporelles incluent les expirations de dates de péremption, les cannibalisations, les substitutions, les variations de prix des concurrents, etc.
De manière générale, les prévisions de séries temporelles sont agréables pour la visualisation. Cependant, plus souvent qu’autrement, chez Lokad, le modèle de prévision sous-jacent ne sera pas un modèle de séries temporelles — même si les données finales sont visualisées sous forme de séries temporelles pour des raisons de commodité.
2.2 Quel type d’informations issues des prévisions doivent être gérées par les experts par rapport au système/la machine ?
Les experts devraient se concentrer sur la structure de haut niveau du modèle prédictif (par exemple, la structure relationnelle des données d’entrée, les hypothèses structurelles clés pouvant être faites à propos de ces données, etc.). Il n’est pas attendu que les experts aient à micro-gérer (par exemple, à modifier manuellement) les prévisions elles-mêmes.
Étant donné que Lokad exploite une technologie prédictive moderne — la programmation différentiable — nos Supply Chain Scientist se concentrent presque exclusivement sur la “structure de haut niveau” du modèle prédictif. Cela contraste avec les technologies anciennes (désormais obsolètes) qui s’attendaient typiquement à ce que l’expert qui les utilisait micro-gère les prévisions, en fournissant des insights correctifs pour tous les cas limites présentés par les modèles. Malheureusement, de telles approches dépassées se sont toujours révélées trop fastidieuses à maintenir pour les experts au fil du temps. En conséquence, les entreprises qui les utilisaient finissaient généralement par perdre leurs experts et devaient alors revenir à l’utilisation de feuilles de calcul.
En revanche, la structure de haut niveau du modèle prédictif peut être exprimée de manière concise, généralement en pas plus de 100 lignes de code. Cette brièveté est valable même lorsqu’on considère des supply chain très complexes. La structure de haut niveau représente le cœur de la compréhension humaine du défi prédictif. Pendant ce temps, le ou les processus chargés d’« apprendre » les paramètres du modèle restent entièrement automatisés. Cela se fait en exploitant les données d’entrée (typiquement les données historiques) ainsi que d’autres sources de données (par exemple, les prochaines campagnes marketing).
2.3 Les prévisions peuvent-elles être ajustées ou modifiées manuellement ?
Executive summary: Oui. Bien que la plateforme Lokad prenne en charge les ajustements manuels des prévisions, cela est superflu étant donné que les prévisions probabilistes sont conçues pour tenir compte du risque et de l’incertitude — des principes directeurs à l’origine de la modification manuelle dès le départ.
La plateforme Lokad offre des capacités programmatiques étendues, rendant ainsi facile la prise en charge des fonctionnalités d’édition pour tout processus de prévision. Cependant, le besoin d’ajustement manuel des prévisions reflète principalement les limites des technologies de prévision obsolètes. L’utilisation par Lokad de prévisions probabilistes avancées élimine en grande partie le besoin d’une micro-gestion des prévisions. En fait, chez Lokad, le besoin d’une telle micro-gestion a pratiquement disparu il y a une décennie.
Les corrections manuelles des prévisions sont généralement destinées à atténuer indirectement les risques. Le praticien de la supply chain ne s’attend pas à ce que la prévision devienne plus précise d’un point de vue statistique, mais plutôt à ce que les décisions résultant de la prévision ajustée soient moins risquées (c’est-à-dire moins coûteuses pour l’entreprise). Cependant, avec les prévisions probabilistes, les décisions de la supply chain (générées par Lokad) sont déjà ajustées en fonction du risque. Ainsi, il n’est pas utile de tenter d’orienter la prévision probabiliste pour dé-risquer les décisions, car ces décisions sont intrinsèquement conçues pour être ajustées en fonction du risque.
De plus, les corrections manuelles des prévisions ont souvent pour but d’atténuer des situations de forte incertitude. Cependant, les prévisions probabilistes sont conçues pour intégrer et quantifier l’incertitude. Ainsi, les prévisions probabilistes reflètent déjà les zones de forte incertitude, et des décisions ajustées en fonction du risque sont prises en conséquence.
Fondamentalement, il n’y a aucun intérêt à essayer de corriger manuellement des prévisions “incorrectes”. Si les prévisions se révèlent manifestement moins précises qu’attendu, alors la recette numérique générant les prévisions devrait être corrigée. Si les prévisions sont modifiées pour des raisons qui ne concernent pas la précision, ce sont alors les calculs en aval qui doivent être ajustés. Quoi qu’il en soit, ajuster manuellement les prévisions est une pratique obsolète qui n’a pas sa place dans une supply chain moderne.
2.4 Pouvez-vous intégrer des algorithmes de prévision développés par l’utilisateur ?
Oui. Lokad permet l’intégration d’algorithmes de prévision développés par l’utilisateur via Envision—notre langage de programmation spécifique au domaine (DSL). Ce DSL flexible, personnalisable et évolutif peut prendre en charge les algorithmes et techniques de prévision grand public et avancés, selon les besoins.
La plateforme de Lokad est programmatique, ce qui constitue un pilier de notre technologie et est mis en œuvre via Envision—le DSL (langage de programmation spécifique au domaine) conçu par Lokad pour l’optimisation prédictive des supply chain. Grâce à Envision, tous les algorithmes de prévision grand public (et leurs variantes) peuvent être réimplémentés. De plus, Envision prend également en charge pas mal d’algorithmes de prévision encore non grand public, y compris des techniques primées en compétition reposant sur la programmation différentiable et la prévision probabiliste (voir ci-dessous).
L’intégration de ces algorithmes développés par l’utilisateur dans Lokad ne doit pas être confondue avec une “personnalisation” du produit Lokad. Du point de vue de Lokad, s’appuyer sur des algorithmes sur-mesure est la manière normale d’utiliser notre service. La plateforme Lokad offre un environnement d’exécution sûr, fiable et évolutif pour prendre en charge ces algorithmes. L’implémentation des algorithmes (généralement appelés “recettes numériques”) est normalement réalisée par les Supply Chain Scientist de Lokad. Cependant, si l’entreprise cliente dispose de talents en data science en interne, ces employés peuvent aussi utiliser la plateforme Lokad à cet effet.
De plus, la plateforme Lokad fournit un IDE complet (environnement de développement intégré) pour concevoir ces algorithmes développés par l’utilisateur. Cette capacité est cruciale pour s’assurer que les algorithmes sont développés dans un environnement qui reflète strictement l’environnement de production — tant en termes de données d’entrée que de capacités d’exécution. Avec Lokad, une fois qu’un algorithme de prévision révisé est jugé satisfaisant (et généralement supérieur à l’itération précédente), il peut être promu en production en quelques minutes. À ce propos, la plateforme Lokad offre des garanties étendues “by design” pour éliminer entièrement certaines classes de problèmes lors du passage d’un algorithme du prototype au statut de production.
Voir No1 au niveau SKU dans la compétition de prévision M5 pour en savoir plus sur les techniques de prévision de Lokad.
2.5 Comment expliquez-vous ce que la solution fait pour arriver à une prévision ou à une commande d’achat afin que l’utilisateur puisse la comprendre, l’interroger et l’expliquer aux autres parties prenantes de l’entreprise ?
La plateforme Lokad exploite un langage de programmation spécifique au domaine flexible (Envision) qui nous permet de créer des tableaux de bord intuitifs pour démontrer les indicateurs clés et les décisions pour le client. Ces tableaux de bord sont construits en collaboration avec les clients de manière à ce qu’ils puissent les comprendre rapidement et facilement. Pour les points plus compliqués, les Supply Chain Scientist de Lokad sont chargés à la fois de concevoir et d’expliquer les algorithmes (“recettes numériques” — ce qui génère les prévisions et les décisions de la supply chain) ainsi que leurs résultats aux clients. Ces experts sont formés pour fournir des analyses pertinentes en matière d’affaires, d’économie et de data science afin d’aider les clients à comprendre ce qui se passe “en coulisses”.
Le Supply Chain Scientist, employé par Lokad, est la personne qui rédige la recette numérique (algorithme) supportant le modèle prédictif (et donc son processus de prise de décision). Le Supply Chain Scientist est personnellement responsable de défendre et d’expliquer la pertinence des prévisions et de toutes les décisions générées par la recette numérique.
Ainsi, bien que les situations varient d’une entreprise cliente à l’autre, chaque situation dispose d’un copilote humain (le Supply Chain Scientist). Ce n’est pas un “système” impersonnel qui est responsable d’une prévision ou d’une décision ; c’est un ensemble de recettes numériques sous le contrôle direct d’un Supply Chain Scientist identifié. Cette responsabilité inclut le “white-boxing” des recettes numériques, c’est-à-dire rendre ses résultats accessibles et compréhensibles par les actionnaires.
Pour soutenir ce processus, nos Supply Chain Scientists utilisent des outils comme le backtesting pour étayer et démontrer leur analyse. Cependant, et plus important encore, ils prennent des décisions éclairées quant aux hypothèses qui entrent dans leurs numerical recipes (telles que des contraintes et des drivers pertinents). En définitive, « l’adéquation » d’un numerical recipe dépend de sa capacité à refléter l’intention de l’entreprise, et c’est quelque chose que le Supply Chain Scientist établit à travers une inspection minutieuse de la situation de supply chain du client (ainsi qu’une consultation avec le client).
Consultez notre Public Demo Account Video pour un aperçu de la façon dont Lokad prépare les données et visualise les résultats pour les clients.
2.6 La prévision peut-elle être répartie entre des articles d’ensemble et des BOMs (Bills of Materials)?
Oui. Lokad peut fournir des prévisions à n’importe quel niveau. Cela est dû aux vastes capacités programmatiques de notre modélisation probabiliste. Nous pouvons répartir la prévision entre des articles d’ensemble et des BOMs, ainsi que gérer des situations où des articles peuvent être consommés dans le cadre de BOMs ou vendus indépendamment.
De plus, lorsque des BOMs (Bills of Materials) sont présents, nous ne prévoyons pas seulement la demande pour les articles internes, mais nous optimisons les décisions de supply chain pour refléter le fait que différentes assemblées se font concurrence en interne pour les mêmes pièces internes. Autrement dit, des situations où les BOMs respectifs se chevauchent. Cette optimisation peut conduire à refuser de vendre une pièce « isolée » si celle-ci risquait de compromettre la disponibilité de BOM(s) plus importantes et critiques.
2.7 Recommandez-vous automatiquement des méta-paramètres pour vos algorithmes de prévision?
Oui. La pratique standard chez Lokad est que les modèles prédictifs doivent fonctionner entièrement sans surveillance. Les Supply Chain Scientists de Lokad sont responsables de la définition des méta-paramètres appropriés. Soit les méta-paramètres sont suffisamment stables pour être codés en dur, soit le numerical recipe inclut une étape d’ajustement dédiée à identifier une valeur de méta-paramètre adéquate. Dans tous les cas, l’algorithme (alias « numerical recipe ») peut être exécuté sans surveillance.
Lokad utilise bien moins de méta-paramètres comparé à la plupart des autres solutions concurrentes. Cela s’explique par le fait que la differentiable programming, la préférence de Lokad à cet égard, est un paradigme général d’ajustement de paramètres. Ainsi, lorsque la differentiable programming est disponible, la plupart des paramètres sont appris. La technologie est extrêmement puissante pour apprendre toutes sortes de paramètres, pas seulement les « traditionnels » (par exemple, les coefficients de saisonnalité).
Par conséquent, du point de vue de Lokad, la plupart des valeurs qui seraient considérées comme un « méta-paramètre » par nos pairs ne sont que de « simples paramètres » qui ne nécessitent pas une attention particulière. En règle générale, la plupart des modèles prédictifs exploités en production par Lokad comportent très peu de méta-paramètres (moins de 10). Nos clients ne sont généralement pas censés ajuster ces nombres, car cela relève de la responsabilité de nos Supply Chain Scientists.
2.8 Le produit peut-il ajuster les prévisions grâce à des variables causales?
Oui.
C’est l’un des atouts majeurs de la differentiable programming — l’approche technologique privilégiée par Lokad pour la modélisation prédictive. La differentiable programming est un paradigme programmatique, ainsi l’inclusion d’une variable explicative va de soi. Mieux encore, le mécanisme de causalité se concrétise dans le modèle ; il est accompagné de ses propres paramètres « nommés ». Ainsi, non seulement les prévisions tirent parti de la variable causale, mais cela est fait de manière à pouvoir être audité et examiné par des praticiens de la supply chain.
Par exemple, lorsque l’étiquette de prix de détail est utilisée comme variable causale, la réponse exacte de la demande liée aux variations de prix peut être tracée et étudiée. Ce résultat peut, en soi, présenter un intérêt primordial pour l’entreprise. Si l’entreprise se trouve être un réseau de magasins de détail, cela peut être utilisé pour orienter les opérations de liquidation dans les magasins qui réagissent le plus fortement aux réductions. Cela peut minimiser le volume total de remises nécessaires pour liquider entièrement les stocks vieillissants.
2.9 Le produit est-il capable d’expérimenter les prévisions et de développer et/ou personnaliser des algorithmes?
Oui. Nos Supply Chain Scientists expérimentent régulièrement avec des modèles de prévision, permettant de développer de nouveaux algorithmes et d’adapter davantage les anciens. Cela est possible car la plateforme de Lokad est programmatique et dispose d’un DSL (langage de programmation spécifique au domaine) flexible nommé Envision, qui a été conçu explicitement pour l’optimisation prédictive de la supply chain.
La perspective de Lokad affirme que l’expérimentation et la personnalisation des modèles prédictifs ne sont pas des solutions de contournement pour pallier les limites de la technologie de prévision. Au contraire, c’est la manière prévue d’utiliser la solution de Lokad dès le départ. Cette approche offre non seulement des résultats supérieurs en termes de précision des prévisions, mais aussi des résultats qui s’avèrent être beaucoup plus « adaptés à la production » que des approches « packagées » alternatives.
Nous ne nous plaignons pas des « mauvaises données » ; les données sont ce qu’elles sont. Nos Supply Chain Scientists tirent le meilleur parti de ce qui est disponible. Ils quantifient également, en Euros ou Dollars (ou dans la devise souhaitée) les avantages d’une amélioration des données afin que l’entreprise puisse identifier les améliorations de données qui génèrent les meilleurs retours. Améliorer les données est un moyen, et non une fin en soi. Nos Supply Chain Scientists fournissent des conseils lorsque l’investissement supplémentaire n’en vaut tout simplement pas les bénéfices attendus pour la supply chain.
2.10 Est-il possible d’itérer et d’affiner l’ingénierie des features sous-jacente à la prévision?
Oui.
Les Supply Chain Scientists de Lokad ajustent régulièrement les caractéristiques intégrées dans un modèle prédictif. Cela est possible car la plateforme de Lokad est programmatique et dispose d’un DSL (langage de programmation spécifique au domaine) flexible nommé Envision, qui a été conçu explicitement pour l’optimisation prédictive de la supply chain.
Il convient toutefois de noter que, durant la dernière décennie, l’ingénierie des features (en tant que technique de modélisation) a connu une tendance à la baisse. En fait, elle est progressivement remplacée par l’ingénierie de l’architecture du modèle. En bref, au lieu de modifier la feature pour mieux adapter le modèle, c’est le modèle qui est modifié pour mieux s’adapter à la feature. La differentiable programming, l’approche privilégiée par Lokad pour la modélisation prédictive, supporte à la fois l’ingénierie des features et l’ingénierie d’architecture. Cependant, cette dernière est généralement plus appropriée dans la plupart des situations.
Voir également Forecast Management and Adjustment 2.9 dans cette FAQ.
3. Précision des prévisions et mesure des performances
3.1 Quelle est la vision de votre organisation sur la performance des prévisions et comment celle-ci devrait-elle être mesurée?
La précision des prévisions doit être mesurée en Dollars ou en Euros (ou dans la devise souhaitée par le client) d’impact. Cela se réfère au retour sur investissement (ROI) des décisions prises sur la base de la prévision. Mesurer l’erreur en points de pourcentage n’est tout simplement pas suffisant. La précision des prévisions doit également englober tous les domaines d’incertitude, et pas seulement la demande future, par exemple, les délais, les retours, les prix des matières premières, etc. Ce sont tous des facteurs qui varient et qui doivent être prévus, tout comme la demande future.
Les métriques traditionnelles comme le MAPE (mean absolute percentage error), le MAE (mean absolute error), le MSE (mean square error), etc., sont des indicateurs techniques qui peuvent intéresser un Supply Chain Scientist, mais, d’un point de vue supply chain, ils sont fondamentalement à la fois aveugles et trompeurs. Les détails de cet argument se trouvent dans la public lecture de Lokad sur Experimental Optimization.
Ainsi, ces métriques ne devraient pas être communiquées à l’ensemble de l’organisation, car cela ne ferait qu’engendrer confusion et frustration. Au contraire, il est généralement aisé de rendre la prévision plus précise — dans un sens statistique — tout en dégradant la qualité de service perçue par les clients, et en augmentant les coûts d’exploitation pour les fournisseurs (qui riposteront en augmentant leurs prix).
Les métriques de prévision ne comptent que dans la mesure où elles soutiennent la prise de meilleures décisions supply chain. Pour Lokad, générer les quantités de réapprovisionnement, les quantités de production, les quantités expédiées, les prix, etc. les plus sensés financièrement est le détail sur lequel se concentrer. Tout le reste, y compris l’erreur de prévision à elle seule, est secondaire par rapport à l’objectif principal de maximiser le retour sur investissement.
Voir également Lead time forecasting.
3.2 Comment mesurez-vous la performance des prévisions par rapport aux ventes réelles?
Si le modèle prédit les ‘sales’, alors mesurer la précision de la ‘sales forecast’ est simple : n’importe quel indicateur habituel, comme le MAE (mean absolute error), fonctionnera. Cependant, le hic est que la plupart des entreprises veulent prévoir la ‘demand’, et non les sales. Or, les données historiques de ventes sont un proxy imparfait de la demande historique. Les ruptures de stock et les promotions (et éventuellement les mouvements des concurrents) faussent les ventes historiques.
Ainsi, le défi consiste à établir la ‘demand’ d’origine alors que les données historiques ne reflètent que les sales historiques. Pour ce faire, Lokad emploie une variété de techniques. En effet, la nature de la distorsion entre les sales (observées) et la demand (cachée) varie considérablement selon le type d’entreprise concerné. Les cannibalisations et substitutions compliquent davantage la situation.
La plupart des techniques de Lokad abandonnent les modèles de time-series qui ne peuvent, par conception, appréhender l’information nécessaire. En effet, la plupart du temps, les données de sales sont « enrichies » avec des informations supplémentaires (telles que des événements de stockout) qui peuvent être exploitées pour obtenir un meilleur modèle de la demand cachée. Cependant, ces informations supplémentaires ne s’intègrent que rarement dans le paradigme (simpliste) des time-series. La sophistication présumée des modèles de time-series est sans pertinence si les données requises existent en dehors de leur paradigme opérationnel (c’est-à-dire, ne peuvent être capturées ou exprimées par eux).
Voir Structured Predictive Modeling for Supply Chain pour plus d’informations à ce sujet.
3.3 Fournissez-vous des rapports sur la précision des prévisions? Proposez-vous une perspective sur l’erreur de prévision projetée?
Executive Summary: Oui. Pour simplifier, la plateforme de Lokad peut exprimer ses prévisions probabilistes (et donc l’erreur) sous forme de graphique intuitif. Cela prend la forme d’un graphique de time-series traditionnel où l’erreur de prévision (« uncertainty ») augmente avec l’horizon temporel. Ce shotgun effect graph aide à visualiser comment l’étendue des valeurs potentielles (par exemple, la demande) s’élargit à mesure que l’on se projette dans le futur. Ces rapports sont disponibles aux clients en permanence dans leur(s) compte(s) Lokad.
La moitié du défi pour améliorer la précision d’un modèle prédictif réside dans la conception d’instruments de reporting adéquats. Cette tâche est assurée par les Supply Chain Scientists de Lokad. Comme Lokad utilise des prévisions probabilistes, l’erreur de prévision projetée présente typiquement un « shotgun effect » où l’erreur attendue augmente régulièrement avec l’horizon de prévision. Ces rapports sont accessibles par l’entreprise cliente au sein de la plateforme de Lokad.
Cependant, dans le cadre des prévisions probabilistes, la « forecast accuracy » est largement reléguée à une technicalité de second ordre. Dans cette approche, l’objectif principal est de produire des décisions financières ajustées au risque qui prennent en compte la totalité des moteurs économiques et des contraintes du client, tout en reflétant la grande incertitude des valeurs futures (telles que la demand ou les lead times). Par exemple, si l’incertitude est particulièrement élevée, les décisions correspondantes sont généralement plus prudentes. Ainsi, il n’est pas judicieux de mesurer la precision des prévisions probabilistes isolément ; il convient plutôt d’examiner le ROI associé aux décisions ajustées au risque générées à partir des prévisions probabilistes.
Avec les prévisions classiques (également appelées prévisions déterministes, par opposition aux prévisions probabilistes), presque chaque instance d’inexactitude se traduit par des décisions coûteuses et mauvaises pour le client. C’est pourquoi les entreprises tiennent tant à « corriger » leurs prévisions. Pourtant, cinq décennies après l’apparition des techniques statistiques modernes de prévision par time-series, les entreprises sont toujours loin d’avoir des prévisions « précises ». Chez Lokad, nous ne croyons pas qu’une technique de prévision « super-accurate » soit imminente. Nous pensons que l’incertitude de l’avenir est en grande partie irréductible. Cependant, en combinant les prévisions probabilistes avec des décisions ajustées au risque, les conséquences négatives de l’incertitude élevée sont largement atténuées.
En conséquence, la précision des prévisions ne captive plus l’intérêt de personne d’autre que les experts techniques chargés du modèle prédictif. Les enjeux ne sont tout simplement plus suffisamment importants pour que le reste de l’organisation s’en soucie.
3.4 Quel est le pourcentage attendu de prévisions automatisées et précises?
100%, si nous définissons « précises » comme étant suffisantes pour orienter de bonnes décisions supply chain. Cela ne signifie pas que chaque prévision est précise. Au contraire, par le biais des prévisions probabilistes, Lokad embrasse l’incertitude irréductible de l’avenir. Souvent, l’incertitude est grande et, par conséquent, les prévisions probabilistes sont très dispersées. En conséquence, les décisions ajustées au risque générées à partir de ces prévisions sont très prudentes.
Contrairement à de nombreuses solutions technologiques obsolètes, Lokad traite chaque prévision (probabiliste) qui ne peut pas être utilisée à des fins de production comme un défaut logiciel devant être corrigé. Nos Supply Chain Scientists veillent à ce que tous ces défauts soient corrigés bien avant la mise en production. Notre délai pour la résolution de ce type de problème se situe généralement vers le milieu de la phase d’intégration.
En revanche, les prévisions classiques (également appelées prévisions « déterministes ») provoquent invariablement des ravages lorsqu’elles sont inexactes, car des décisions en aval insensées sont prises sur la base de ces prévisions. En contraste, les prévisions probabilistes intègrent leur propre quantification de l’incertitude attendue. Lorsque les volumes de demand sont faibles et erratiques, les prévisions probabilistes reflètent la forte incertitude intrinsèque de la situation. Le calcul des décisions ajustées au risque de Lokad dépend grandement de la capacité à évaluer les risques dès le départ. C’est précisément pour cela que les prévisions probabilistes ont été conçues.
3.5 Pouvez-vous suivre des métriques telles que le MAPE (Mean Absolute Percentage Error), le MPE (Mean Percentage Error), le MAE (Mean Absolute Error) au fil du temps?
Oui.
La plateforme de Lokad est programmatique et il est simple de suivre toutes les métriques habituelles telles que MAPE, MEP, MAE, etc. Nous pouvons également suivre toutes les métriques légèrement moins courantes, telles que des itérations personnalisées de ces métriques préférées par l’entreprise cliente. Par exemple, des variantes « pondérées », telles que MAPE pondéré, MAE pondéré, etc., où les schémas de pondération dépendent de règles commerciales spécifiques.
Lokad peut collecter et consolider des métriques pertinentes/préférées au fil du temps à mesure que de nouvelles prévisions sont générées. Nous pouvons également régénérer des métriques en « rejouant » les données historiques (c’est-à-dire le backtesting), si l’entreprise cliente souhaite évaluer la performance statistique attendue d’un modèle de prévision révisé.
Cependant, les métriques mentionnées ci-dessus se rapportent toutes aux prévisions classiques (également appelées prévisions déterministes). Les prévisions déterministes doivent être considérées comme obsolètes pour la supply chain, car elles ne sont pas conçues (ou capables) de traiter l’incertitude associée aux valeurs futures (comme la demande ou les délais). Elles visent à identifier une unique valeur future possible, plutôt que toutes les valeurs futures probables et leurs probabilités. Pour cette raison, Lokad utilise des prévisions probabilistes, une approche qui quantifie l’incertitude que les prévisions des séries temporelles ignorent.
3.6 Pouvez-vous comparer plusieurs scénarios en utilisant des métriques définies par l’utilisateur (par exemple, chiffre d’affaires, profit, coût, risque, etc.)?
Oui.
La plateforme de Lokad est programmatique, elle peut donc introduire des métriques complexes guidées par de nombreuses règles commerciales (par exemple, des métriques définies par l’utilisateur). Elle peut également introduire des scénarios alternatifs complexes où la structure et/ou les capacités du réseau supply chain sont modifiées (au-delà de la simple augmentation/diminution de la demande et des délais, par exemple). Cela aide Lokad à améliorer la gestion des risques, la planification stratégique et la prise de décision en se préparant à diverses situations et issues potentielles de la supply chain.
Il convient de noter que les capacités typiques de gestion des « scénarios » sont obsolètes — du point de vue de Lokad. Comme Lokad utilise des modèles prédictifs probabilistes, en un sens, chaque décision supply chain que nous générons est déjà ajustée au risque. Autrement dit, déjà optimisée par rapport à toutes les valeurs futures possibles (par exemple, la demande) en tenant compte de leurs probabilités respectives.
Ainsi, les « scénarios » chez Lokad ne sont pas utilisés pour évaluer les « variations futures » car ces variations sont déjà entièrement intégrées dans le mode de fonctionnement de base de Lokad. Les scénarios sont utilisés pour faire face à des changements drastiques qui vont au-delà des variations, généralement plus en phase avec ce que les praticiens appelleraient la « conception de la supply chain », comme la modification de la topologie du réseau, la capacité du réseau, l’emplacement des fournisseurs, etc.
3.7 Suivez-vous et surveillez-vous la précision des prévisions et l’erreur de prévision (et éventuellement d’autres métriques de demande) avec différents retards définis?
Oui. Lokad suit les erreurs prédictives avec de nombreuses métriques, y compris la dimension horizon/retard. Lokad suit la précision prédictive pour toutes les prévisions, y compris la demande, les délais, les retours, etc.
La qualité de tous les modèles prédictifs dépend de l’horizon. En général, plus la prévision est éloignée dans le temps, plus l’incertitude est grande. La plateforme de Lokad a été conçue pour permettre de suivre facilement une grande variété de métriques en tenant compte de l’horizon/retard applicable. Ce principe ne s’applique pas uniquement aux prévisions de demande, mais à toutes les prévisions, y compris les prévisions de lead time, les prévisions de retours, etc.
Il convient également de noter que les prévisions probabilistes fournissent une évaluation quantitative directe de l’incertitude qui croît avec l’horizon. Ainsi, l’erreur croissante dépendante de l’horizon n’est pas seulement mesurée, mais aussi prédite. Comme les décisions supply chain optimisées par Lokad sont ajustées au risque, nos décisions reflètent automatiquement le risque supplémentaire associé aux décisions qui dépendent des prévisions à plus long terme (par rapport à celles à plus court terme).
3.8 Pouvez-vous agréger les données au niveau produit/branche pour valider la prévision statistique?
Oui, Lokad suit les erreurs et biais prédictifs à de nombreux niveaux, y compris les niveaux hiérarchiques pertinents (par exemple, par produit, par branche, par catégorie, par région, par marque, etc.) lorsque des hiérarchies sont présentes. La technologie de programmation différentiable de Lokad nous permet même d’affiner les prévisions à une granularité donnée afin de minimiser une erreur ou un biais qui se produit à une autre granularité.
De façon plus générale, du côté de la validation, puisque la plateforme de Lokad est programmatique, les prévisions historiques peuvent être réagrégées de la manière jugée appropriée par l’entreprise cliente. De même, la métrique utilisée pour valider les prévisions agrégées peut différer de celle utilisée pour valider les prévisions désagrégées, si l’utilisation d’une métrique alternative est jugée préférable par l’entreprise cliente.
4. Gestion et nettoyage des données
4.1 Identifiez-vous automatiquement les erreurs de données?
Oui. Les Supply Chain Scientists de Lokad créent minutieusement des tableaux de bord « data health » pour chaque projet client. Ces tableaux de bord data health sont conçus pour identifier automatiquement toute anomalie de données. De plus, ces tableaux de bord identifient la criticité des problèmes ainsi que leur responsabilité.
La criticité du problème détermine s’il est acceptable ou non de générer des décisions supply chain basées sur les données comportant le problème. Parfois, cela signifie limiter les décisions acceptables à un sous-ensemble de l’entreprise cliente considéré comme « sûr » face au problème. En réalité, attendre un jeu de données exempt de tout problème à 100 % n’est généralement pas réaliste pour une grande entreprise. Ainsi, l’optimisation de la supply chain doit être capable de fonctionner (dans une certaine mesure) avec des données imparfaites, tant que cette imperfection ne compromet pas la pertinence des décisions supply chain.
La responsabilité du problème définit qui est chargé de le résoudre. Selon le type de problème, celui-ci peut provenir d’endroits entièrement différents au sein de l’entreprise cliente. Par exemple, des données historiques tronquées relèvent très probablement du département informatique, tandis que des marges brutes négatives (c’est-à-dire que le prix de vente est inférieur au prix d’achat) relèvent soit des achats, soit des ventes.
L’identification d’erreurs de données non triviales est un problème d’intelligence générale qui nécessite une compréhension approfondie de la supply chain concernée. Ainsi, ce processus ne peut pas être automatisé (pour le moment) ; il dépasse actuellement ce que peuvent offrir les technologies logicielles. Cependant, une fois qu’un problème donné est identifié, un Supply Chain Scientist peut automatiser les détections futures. En pratique, nos Supply Chain Scientists implémentent de manière proactive les types d’erreurs les plus fréquents dans le cadre du brouillon initial des tableaux de bord « data health ».
Voir Data Health dans The Data Extraction Pipeline pour en savoir plus sur la santé des données.
4.2 Nettoyez-vous automatiquement les données historiques?
Executive Summary: Oui, dans le sens où Lokad n’attend pas de ses client(s) qu’ils prétraitent manuellement les données commerciales avant de nous les fournir. De plus, l’ensemble du pipeline de données (construit entre Lokad et chaque client) fonctionne de manière automatisée sans intervention.
Lokad « nettoie » rarement les données historiques ; en tout cas, pas dans le sens habituel. Il existe bon nombre de technologies obsolètes qui nécessitent une préparation approfondie (« nettoyage ») des données historiques pour fonctionner. Par exemple, les anciens systèmes de séries temporelles s’attendaient généralement à ce que les baisses de demande (ruptures de stock) et les pics de demande (promotions) soient corrigés afin de maintenir la cohérence des prévisions.
Ceci reflète les limites de l’approche par séries temporelles. En conséquence, les données historiques doivent être préparées de manière approfondie pour les rendre plus adaptées (d’une certaine manière) à un système défectueux (séries temporelles). Qualifier ce processus de « nettoyage des données » est trompeur car cela donne l’impression que le problème vient des données historiques, alors que la cause principale réside dans la conception défectueuse du système traitant les données historiques.
En revanche, la technologie de modélisation prédictive de Lokad va bien au-delà de l’approche par séries temporelles. Grâce à la programmation différentiable, nous pouvons traiter tout type de données relationnelles, au lieu d’être limité à une « série temporelle ». Cela signifie que tous les facteurs causals (par exemple, la tarification, les stocks, les événements, etc.) qui sous-tendent à la fois la demande et le lead time sont explicitement pris en compte dans le modèle. L’intégration causale est bien supérieure au nettoyage des données — lorsque cela est applicable — car les données nettoyées ne sont pas réelles (personne ne saura jamais avec certitude quelle aurait été la valeur de la demande si la rupture de stock n’était pas survenue).
Parfois, les données commerciales (historiques ou non) nécessitent des corrections. Lokad tente d’apporter ces corrections automatiquement chaque fois que cela est possible, en tirant possiblement parti de l’apprentissage automatique selon le scénario. Par exemple, la matrice de compatibilité mécanique entre voitures et pièces peut être améliorée automatiquement avec une méthode d’apprentissage semi-supervisé (voir Pricing Optimization for the Automotive Aftermarket).
4.3 Laissez-vous les utilisateurs nettoyer manuellement les données historiques?
Oui, si le client souhaite cette fonctionnalité, Lokad peut fournir un flux de travail à cet effet. Cependant, nous ne recommandons généralement pas aux utilisateurs finaux de nettoyer manuellement les données.
D’autres logiciels/solutions imposent de nombreuses tâches manuelles à leurs utilisateurs finaux. En revanche, les Supply Chain Scientists de Lokad conçoivent des algorithmes de bout en bout (« numerical recipes ») qui se contentent des données telles qu’elles existent. Pour nous, le nettoyage manuel des données par le client est l’exception, pas la norme.
Voir également Data Management and Cleansing 4.2 dans cette FAQ.
4.4 Comment les données seront-elles nettoyées, gérées et maintenues afin d’éviter des erreurs de modèle inutiles?
Les Supply Chain Scientists de Lokad sont chargés de la mise en place du pipeline de données. Les données doivent être préparées, mais surtout, les modèles prédictifs doivent être conçus pour s’adapter aux données telles qu’elles existent actuellement. Le Supply Chain Scientist introduit les instruments (par exemple, des tableaux de bord dédiés) pour surveiller les données d’entrée brutes et les données préparées afin de s’assurer que les décisions supply chain générées par Lokad sont fiables.
De nombreuses solutions alternatives n’abordent le problème qu’à travers le prisme de la préparation des données, où toute sortie incorrecte doit être corrigée en ajustant l’entrée. Ces solutions ne sont pas programmatiques, ainsi les modèles de base ne peuvent pas être modifiés — seuls leurs entrées peuvent l’être. Cependant, Lokad adopte une approche technologique différente. Nous soutenons une technologie prédictive programmatique (via la programmation différentiable). Ainsi, face à des sorties inappropriées (c’est-à-dire de mauvaises décisions supply chain), nous pouvons corriger soit les entrées, soit les modèles (ou les deux).
Presque invariablement, c’est la combinaison des deux ajustements — une meilleure préparation des données et un meilleur traitement des données — qui conduit à des résultats satisfaisants, et omettre l’un des deux est une recette pour des résultats médiocres.
Voir également Data Management and Cleansing 4.2 dans cette FAQ.
Voir également The Data Extraction Pipeline pour plus d’informations sur le transfert automatisé des données entre les clients et Lokad.
4.5 Gérez-vous et maintenez-vous les master data (supportant les efforts de prévision)?
Oui, si cela est demandé par l’entreprise cliente.
Cependant, nous recommandons fortement de ne pas utiliser la plateforme de Lokad à cet effet. À notre avis, les outils analytiques (comme Lokad) devraient être strictement découplés des outils de saisie de données, tels qu’un système de gestion des master data.
En règle générale, pour éviter l’enfermement par un fournisseur, nous suggérons d’éviter les logiciels d’entreprise tout-en-un. Les exigences de conception pour la gestion des master data sont complètement différentes de celles de l’analytique prédictive. La plateforme de Lokad pourrait être un gestionnaire de master data décent, mais elle ne sera jamais excellente (notre conception repose trop sur l’analytique prédictive pour cela), et inversement, la plupart des gestionnaires de master data sont absolument terribles pour l’analyse.
4.6 Les utilisateurs peuvent-ils téléverser des données de ventes et de marketing (y compris les plans/aperçus futurs)?
Oui.
La plateforme de Lokad est capable de recevoir et de traiter plusieurs sources de données, dans de nombreux formats, y compris des tableurs Excel. Notre plateforme est également capable de traiter les données telles qu’elles se trouvent dans les divisions ventes et marketing (c’est-à-dire, quelle que soit la granularité à laquelle elles sont stockées).
Les équipes de ventes et de marketing fournissent rarement des données organisées au niveau SKU — ou même SKU x Location, notre niveau de granularité privilégié. Compte tenu de cette limitation, la plateforme de Lokad est conçue pour exploiter les données d’entrée (par exemple, provenant des ventes et du marketing) qui sont à des niveaux de granularité différents des prévisions de sortie prévues (par exemple, SKU x Location).
4.7 Archivez-vous la demande historique et les prévisions afin d’analyser la prévision en cascade?
Oui, nous archivons généralement toutes les prévisions passées, y compris la demande, le lead time, les retours, etc.
Nous avons mis au point des techniques de compression avancées pour limiter les surcoûts de stockage de données associés aux stratégies d’archivage à grande échelle. Nous avons également adopté une conception globale qui garantit que les données archivées, même en grande quantité, n’interfèrent pas avec la performance quotidienne de la plateforme (par exemple, les calculs et l’affichage des tableaux de bord ne ralentissent pas à cause des données archivées).
L’ingénierie de la plateforme de Lokad diffère significativement des solutions alternatives qui sont sévèrement pénalisées, soit en termes de coûts, soit en termes de performance (ou les deux) lorsque des stratégies d’archivage étendues sont mises en œuvre. Bien que ces solutions alternatives offrent nominalement des capacités d’archivage étendues, en pratique, de tels archives sont sévèrement tronquées afin de maintenir le bon fonctionnement de la solution. Ce n’est pas le cas avec Lokad. Même en considérant des entreprises clientes de grande envergure, conserver des années d’archives n’est généralement pas un problème.
4.8 Archivez-vous les entrées manuelles/ajustements afin d’analyser l’impact des modifications sur les métriques de demande?
Oui. Lokad archive toutes les entrées manuelles, y compris les téléversements manuels de fichiers Excel. Lorsque des entrées manuelles sont utilisées pour modifier les modèles prédictifs (« overrides », généralement dans le but d’affiner les modèles/prévisions), nous utilisons ces archives pour quantifier l’amélioration (ou la dégradation) en termes de précision prédictive introduite. Ce travail est normalement réalisé par les Supply Chain Scientists de Lokad.
La platforme de Lokad offre des capacités complètes de versionnement à la fois pour les données et pour le code/scripts. Ceci est critique car nous devons nous assurer, lors du backtesting, que les données « régulières » de l’entreprise (typiquement les données historiques obtenues à partir des systèmes d’entreprise) utilisées parallèlement aux saisies manuelles soient exactement les mêmes que lorsqu’elles ont été initialement fournies.
Les données de l’entreprise sont généralement actualisées automatiquement. Cependant, utiliser la dernière version des données ne reflète pas correctement la situation telle qu’elle était au moment où la correction ou la saisie manuelle a été effectuée. De même, le code prédictif utilisé par Lokad a également pu évoluer depuis le moment où la saisie manuelle a été fournie. En fait, la saisie manuelle a pu être réalisée pour pallier un défaut dans le code prédictif qui a depuis été résolu.
La platforme de Lokad couvre également ces situations, empêchant ainsi toute une série de conclusions erronées. Considérez des situations où les saisies manuelles sont ultérieurement jugées « incorrectes » alors qu’en réalité, elles étaient pertinentes compte tenu des conditions exactes au moment où elles ont été initialement fournies.
5. Classification de produits et regroupement
5.1 Identifiez-vous les produits à faible rotation et les schémas de demande irréguliers ?
Executive Summary: Oui, la technologie prédictive de Lokad fournit une caractérisation quantitative très approfondie de tous les SKU d’intérêt.
En particulier, l’approche de prévision probabiliste de Lokad est particulièrement adaptée pour traiter les schémas de demande intermittents et erratiques. En évaluant les probabilités d’événements rares, Lokad peut identifier l’irrégularité de la demande — ce qui reflète généralement des consommateurs individuels achetant plusieurs unités à la fois. Par exemple, un client achète l’intégralité des stocks disponibles d’interrupteurs (identiques) dans une quincaillerie, provoquant ainsi une rupture de stock au niveau du SKU.
La programmation différentiable, paradigme d’apprentissage automatique de Lokad, est idéale pour faire face à la « loi des petits nombres » qui caractérise la plupart des situations de supply chain. Les produits à faible rotation présentent, par définition, très peu de points de données. De même, les pics observés dans une demande irrégulière sont également, par conception, rares. Ainsi, l’efficacité des données du modèle prédictif est primordiale. À cet égard, la programmation différentiable surpasse les alternatives par sa capacité à refléter des insights de haut niveau fournis par la structure même du modèle.
Les solutions alternatives échouent généralement en présence des produits à faible rotation et des schémas de demande irréguliers. Les prévisions classiques (c’est-à-dire, les prévisions non probabilistes) ne peuvent pas traiter les produits à faible rotation sans recourir à une demande fractionnée qui n’est pas « réelle ». Cette demande fractionnée (par exemple, 0,5 unités), bien que « mathématiquement » correcte, n’est pas une méthode viable pour prendre des décisions supply chain sensées, car il faut, naturellement, commander des nombres entiers d’unités.
De même, les prévisions classiques ne peuvent pas refléter mathématiquement l’irrégularité de la demande.
Par exemple, une prévision probabiliste peut refléter qu’une librairie vend 1 unité par jour (en moyenne), composée d’un mélange d’un professeur achetant 20 livres par mois en moyenne, et d’un étudiant achetant 1 livre tous les 2 jours (en moyenne).
Cette information sera reflétée dans la distribution de probabilité de la demande du modèle. Cependant, pour une prévision des séries temporelles classique, rendre compte de la réalité nuancée de la demande, telle que des achats en gros sporadiques, n’est pas faisable. Elle ne prévoirait qu’une demande moyenne de 1 livre par jour, omettant de capturer le véritable schéma de la demande et déformant ainsi la véritable nature des ventes. Cela limite grandement la capacité à prendre des décisions sur les stocks financièrement sensées.
5.2 Identifiez-vous les stocks à faible rotation ou obsolètes et fournissez-vous des recommandations pour « garder ou vendre » ?
Oui. Lokad identifie les stocks à faible rotation grâce aux prévisions probabilistes, permettant ainsi de prendre des décisions ajustées au risque dès le début pour atténuer les risques de surstock et de stocks morts. Les recommandations vont au-delà du simple « garder ou vendre », incluant des remises, des relocalisations et des ajustements pour éviter la cannibalisation.
L’identification des SKU à faible rotation ou obsolètes (en termes de demande) se fait grâce aux prévisions probabilistes de la demande. Les prévisions probabilistes sont excellentes pour identifier et évaluer les risques, y compris les risques de surstock et de stocks morts. Cela nous permet de produire des décisions ajustées au risque lorsqu’elles sont combinées avec nos capacités d’optimisation stochastique. Ainsi, les risques de stocks sont quantifiés pour tous les SKU à chaque étape de leur cycle de vie. Cette conception est cruciale car elle nous permet d’identifier le plus tôt possible (et de traiter) la plupart des situations de stocks avant qu’elles ne deviennent problématiques.
Enfin, Lokad ne se limite pas aux simples recommandations « garder ou vendre ». Nous pouvons fournir aux clients des recommandations reflétant l’ensemble des options disponibles. Par exemple, Lokad peut recommander des remises ou des promotions pour aider à liquider les stocks. Nous pouvons également recommander de déplacer les stocks ailleurs si d’autres canaux présentent une forte demande. Nous pouvons recommander de suspendre temporairement ou de rétrograder un autre produit qui, par inadvertance, cannibalise la demande d’un autre SKU.
En bref, les Supply Chain Scientists de Lokad veillent à ce qu’aucune pierre ne soit laissée de côté avant de déclarer qu’un stock est « mort ».
Voir également Classification de produits et regroupement 5.1 dans cette FAQ.
5.3 Permettez-vous aux utilisateurs de gérer des flux de travail hiérarchiques de données produits (top-down, middle-out et bottom-up)?
Oui. Étant donné que la platforme de Lokad est programmative, nous pouvons répondre à tout flux de travail raisonnablement bien défini pour nos clients. Parmi les exemples, on peut citer tout flux de travail fonctionnant selon les hiérarchies de produits existantes du client.
À notre avis, le ROI (retour sur investissement) pour permettre aux employés du client de naviguer dans de tels flux de travail est très incertain. Le besoin même de tels flux de travail reflète des défauts profonds dans le logiciel de supply chain qui doivent être corrigés de l’intérieur vers l’extérieur — en tirant parti d’autant d’automatisation que possible.
La platforme de Lokad offre des capacités étendues pour visualiser les données selon toutes les dimensions pertinentes : hiérarchies de produits, régions, horizons/lags temporels, fournisseurs, types de clients, etc. Ces capacités sont essentielles pour identifier à la fois les défauts et les domaines d’amélioration. Cependant, utiliser ces capacités pour un « flux de travail » est généralement une approche erronée (bien que cela soit simple pour Lokad). Au contraire, nous recommandons de modifier directement les recettes numériques sous-jacentes (le code) exploitées par Lokad afin d’éliminer le besoin pour les praticiens de supply chain de gérer les flux de travail.
De nombreuses solutions alternatives ne disposent pas de capacités programmatives. Par conséquent, lorsqu’un défaut est identifié, il n’y a généralement d’autre option que d’attendre la prochaine version du logiciel (éventuellement dans plusieurs années) ou d’opter pour une personnalisation — une voie qui conduit typiquement à des problèmes, car l’entreprise cliente se retrouve avec un produit logiciel non maintenu.
5.4 Permettez-vous aux utilisateurs d’organiser des éléments liés hiérarchiquement, et de les regrouper en fonction de divers facteurs ?
Oui.
La platforme de Lokad offre des capacités étendues permettant aux utilisateurs de regrouper des éléments (par exemple, SKU, produits, clients, fournisseurs, emplacements, etc.) selon tout un éventail de facteurs – y compris les saisies manuelles.
Étant donné que la platforme de Lokad est programmative, tant que le critère de regroupement ou de proximité peut être exprimé numériquement, il est simple de regrouper les éléments du client en conséquence. Cette tâche est effectuée par les Supply Chain Scientists de Lokad.
Par ailleurs, la platforme de Lokad peut également exploiter les relations entre éléments liés hiérarchiquement à des fins prédictives ou d’optimisation. En particulier,
La platforme de Lokad adopte une perspective relationnelle pour tous ses outils numériques. Cette perspective relationnelle va au-delà des séries temporelles et des graphiques en combinant à la fois des données relationnelles et hiérarchiques. Cette approche imprègne nos outils, y compris nos outils d’apprentissage automatique. Cet aspect est crucial pour exploiter les relations disponibles au-delà du simple affichage.
5.5 Quel type de classification de produits offrez-vous (ABC /XYZ…) basée sur les données historiques de ventes ?
Executive Summary: Lokad peut offrir des classifications de produits ABC et ABC XYZ flexibles, s’adaptant aux variations et exclusions, si le client le souhaite. Cependant, nous considérons ces classifications (et leurs équivalents contemporains) comme dépassées. La position de Lokad est que la gestion moderne de la supply chain devrait se concentrer sur des insights actionnables qui conduisent à des décisions ajustées au risque, plutôt que de s’appuyer sur des outils de catégorisation simplistes.
La platforme de Lokad prend en charge tous les schémas de classification grand public, y compris ABC et ABC XYZ Analysis, etc. Étant donné que la platforme de Lokad est programmative, il est également simple de prendre en compte toutes les variations subtiles existant lors de la définition soigneuse de telles catégories (par exemple, des règles d’exclusion subtiles). Cependant, les classifications de produits (telles que celles listées ci-dessus) constituent une approche technologiquement obsolète face aux problèmes de supply chain et à l’optimisation.
Certains fournisseurs de logiciels de supply chain, notamment ceux utilisant des technologies obsolètes, mettent fièrement en avant l’analyse ABC ou l’analyse ABC XYZ. Pourtant, invariablement, les classifications fournies par ces outils sont utilisées pour pallier les nombreux défauts de la solution logicielle déjà utilisée par le client, traitant ainsi les symptômes sans s’attaquer à la cause du problème. Ces outils servent de mécanismes rudimentaires de priorisation de l’attention. Ce n’est pas une manière appropriée d’aborder les problèmes d’intérêt, tels que la demande intermittente ou volatile.
Premièrement, les défauts fondamentaux doivent être corrigés afin de soulager les praticiens de supply chain de telles révisions fastidieuses. Deuxièmement, les classifications basées sur le volume sont bien trop grossières pour avoir une valeur pratique et représentent une très mauvaise utilisation du temps des praticiens de supply chain.
C’est pourquoi les Supply Chain Scientists de Lokad orientent les clients vers des décisions qui reflètent l’impact financier d’une décision ou d’un appel à l’action dans la supply chain (généralement mesuré en Dollars ou en Euros). À moins que les éléments et les décisions ne soient priorisés en fonction de leur ROI net (retour sur investissement), toute tentative de « priorisation » ou d’« optimisation » est fondamentalement vaine.
Voir ABC XYZ in 3 Minutes et ABC Analysis Does Not Work pour en savoir plus sur les limites de ces outils de classification.
5.6 Fournissez-vous un clustering/stratification de produits et/ou de magasins ?
Oui.
La platforme de Lokad offre des capacités de clustering/stratification pour tout élément d’intérêt, tel que les magasins, produits, clients, SKU, fournisseurs, etc. Cela grâce aux capacités de traitement de notre platforme en matière de données relationnelles. Cela nous permet de traiter des éléments complexes qui ne peuvent pas être « aplatis » en une série fixe de propriétés. De plus, grâce à la programmation différentiable, Lokad peut apprendre ou ajuster les métriques de similarité utilisées pour regrouper les éléments de manière particulièrement utile pour une tâche donnée, comme la prévision.
Voir Illustration: Clustering pour en savoir plus sur les capacités de clustering de Lokad avec seulement quelques lignes de code Envision.
5.7 Affinez-vous la prévision avec des hiérarchies de produits/lieux et/ou du clustering ?
Oui.
Lokad tire pleinement parti de la structure relationnelle des données d’entrée. Notre approche de programmation différentiable est particulièrement habile à traiter les données relationnelles. C’est ainsi que Lokad peut exploiter les hiérarchies, listes, options, graphes, attributs numériques et catégoriels pour ses modèles prédictifs. De plus, nos modèles prédictifs prévoient toutes les sources d’incertitude de la supply chain, y compris la demande, les délais, les retours, les rendements et les cours des matières premières, etc.
Le clustering peut être utilisé pour identifier un schéma pertinent pour la prévision d’intérêt. Par exemple, toutes les cyclicités typiques (par exemple, le jour de la semaine, la semaine du mois, la semaine de l’année, etc.) et les quasi-cyclicités (par exemple, Pâques, Nouvel An chinois, Ramadan, Black Friday, etc.) peuvent bénéficier de ce type de technique. La platforme de Lokad offre un support étendu pour instrumenter le clustering à des fins prédictives.
Voir Illustration: Cluster-based cyclicities pour en savoir plus sur ce point.
6. Événements et variables explicatives
6.1 Identifiez-vous les événements exceptionnels (par exemple, les ruptures de stock) et les promotions dans les données historiques ?
Executive Summary: Oui. Lokad enrichit les données historiques avec des événements exceptionnels connus en utilisant la programmation prédictive, améliorant ainsi la précision par rapport à la prévision des séries temporelles traditionnelle. Cette approche gère les données incomplètes et peut reconstituer les événements perdus (comme solution de contournement lorsqu’un enregistrement direct des événements historiques n’est pas disponible).
Les données historiques comportent de nombreux événements qui faussent les mesures (par exemple, la demande, le délai, etc.). Lokad opère via des paradigmes de programmation prédictive, tels que la programmation différentiable, qui nous permettent d’enrichir l’historique de base avec tous ces événements. Cependant, généralement, ces événements exceptionnels ne sont pas « identifiés » — ils sont déjà connus. Si des événements notables ont été perdus, il est alors possible pour Lokad de faire fonctionner un modèle prédictif pour reconstituer ces événements.
Les anciennes technologies de prévision désormais obsolètes étaient incapables de traiter autre chose que des séries temporelles brutes. Par conséquent, chaque distorsion affectant la demande devait être corrigée au préalable, sinon les prévisions seraient gravement dégradées ou biaisées. Malheureusement, cette approche est défectueuse par conception car ces prévisions des séries temporelles finissent par être construites sur d’autres prévisions, cumulant ainsi les inexactitudes.
La technologie prédictive de Lokad ne souffre pas du même problème puisqu’elle prend en charge des variables explicatives supplémentaires. Plutôt que de prétendre que nous savons avec certitude ce qui se serait passé sans les événements historiques (tels qu’une rupture de stock), le modèle prédictif intègre la variable explicative dans ses résultats (c’est-à-dire, ses prévisions). Cette méthodologie ne nécessite pas d’approche par phases pour la prévision. De plus, elle peut tirer parti des données incomplètes, telles qu’une rupture de stock rencontrée en fin de journée après une vente record d’unités — une information qui reste très pertinente, même sous sa forme incomplète.
Si des événements notables (par exemple, ruptures de stocks) ont été perdus ou simplement jamais enregistrés, alors Lokad est capable de reconstituer ces événements grâce à une analyse des données historiques. Cependant, quelle que soit la précision statistique de cette reconstitution, elle sera toujours moins précise qu’un enregistrement direct des événements au fur et à mesure de leur déroulement. C’est pourquoi Lokad historise généralement des indicateurs tels que les niveaux de stocks chaque fois que ces indicateurs ne sont pas correctement archivés dans les systèmes d’informations respectifs.
6.2 Identifiez-vous les événements exceptionnels et les jours fériés (mobiles) ?
Oui. Les modèles prédictifs de Lokad s’adaptent aux événements exceptionnels et aux jours fériés. Nos Supply Chain Scientists évaluent les impacts, offrant ainsi aux clients un modèle transparent et des éclairages sur les effets d’un événement spécifique sur la dynamique de la supply chain du client.
Lokad identifie tous les événements exceptionnels et adapte la structure même de ses modèles prédictifs pour les refléter. Cependant, pour tous les schémas quasi-cycliques (par exemple, Pâques, Nouvel An chinois, Ramadan, Black Friday, etc.), l’identification est acquise – nous savons déjà que l’événement existe et qu’il a un impact. La seule question qui reste à répondre est la quantification de l’impact de l’événement.
En laissant les Supply Chain Scientists effectuer une évaluation de haut niveau de l’impact (ou de son absence) d’un événement bien connu, nous obtenons un modèle prédictif doté d’une efficacité des données bien supérieure. Une grande efficacité des données est essentielle pour maintenir la précision du modèle prédictif lorsqu’il y a peu de données disponibles, ce qui est fréquemment le cas dans les situations de supply chain.
De plus, lorsque Lokad identifie et nomme explicitement les schémas, le personnel de la supply chain du client bénéficie d’un modèle prédictif en boîte blanche qui intègre des facteurs sémantiques. Par exemple, l’impact du Black Friday (le cas échéant) est associé à un facteur dédié évalué à partir des données historiques. Le praticien de la supply chain peut alors utiliser ce facteur pour comprendre quels produits sont les plus sensibles spécifiquement au Black Friday, en isolation par rapport à tous les autres schémas en jeu, tels que la saisonnalité (c’est-à-dire la cyclicité annuelle).
Voir également Événements et événements explicatifs 6.1 dans cette FAQ.
6.3 Gérez-vous les situations de rupture de stock comme variable explicative ?
Oui. Lokad intègre directement les situations de rupture de stock dans ses modèles prédictifs, en prenant en compte à la fois les ruptures complètes et partielles sans avoir à recourir à la reconstitution d’une demande “fausse” afin de combler les lacunes des données. Au lieu de cela, nous modélisons directement ce que l’on appelle généralement la demande censurée. De plus, Lokad est capable de prendre en compte les ruptures de stock partielles (lorsque la rupture survient pendant la journée ouvrée) et de tirer parti des informations correspondantes.
De manière plus générale, Lokad est également capable de gérer tous les artefacts induits résultant des ruptures de stock. Selon les spécificités de l’entreprise cliente, ces artefacts peuvent varier considérablement. Par exemple, il peut y avoir une augmentation de la demande à la fin de la période de rupture, si les consommateurs sont suffisamment fidèles pour attendre. Il peut également y avoir des commandes en attente, tout en subissant une attrition partielle, car ces consommateurs peuvent refuser de retarder leur achat. Etc.
Les Supply Chain Scientists, employés par Lokad, veillent à ce que les ruptures de stock soient modélisées de manière adéquate pour refléter véritablement la dynamique de l’activité de l’entreprise cliente.
Consultez les discussions sur “Loss masking” dans Structured predictive modeling for Supply Chain et “Incomplete lead-time model” dans Lead-time forecasting pour plus d’informations sur la manière dont Lokad gère ces situations.
6.4 Prévoyez-vous les promotions ?
Oui. La technologie prédictive de Lokad peut prévoir la variation de la demande impactée par les mécanismes promotionnels. Le mécanisme promotionnel peut inclure des variations de prix, des modifications des classements d’affichage (e-commerce), des changements dans les assortiments, des modifications de visibilité (par exemple, les gondoles en retail), etc. En bref, Lokad fournit des prévisions probabilistes pour les promotions, tout comme elle le fait pour toutes les sources potentielles d’incertitude de la supply chain (par exemple, demande, lead time, retours, etc.).
Les décisions supply chain de Lokad—telles que les réapprovisionnements de stocks—prennent en compte non seulement l’activité promotionnelle future prévue, mais aussi le potentiel de cette activité. Par exemple, si l’entreprise cliente a la possibilité de faire des promotions, et que ses clients (typiquement) y réagissent favorablement, cela signifie que l’entreprise cliente peut être un peu plus agressive avec ses stocks. En effet, les promotions sont un outil efficace pour atténuer les excédents de stocks. Inversement, si l’entreprise cliente dispose d’une clientèle majoritairement insensible aux promotions, elle doit alors être plus attentive aux excédents de stocks, car elle ne dispose pas de ce mécanisme pour les atténuer.
Lokad génère de telles décisions ajustées aux risques (et ajustées aux options) en s’appuyant sur des prévisions probabilistes. Ces prévisions sont essentielles pour évaluer les risques en premier lieu. Par la suite, nous utilisons l’optimisation stochastique—en termes simples, une opération mathématique—pour élaborer des décisions qui maximisent le ROI (return on investment) du client compte tenu de leurs multiples sources d’incertitude (par exemple, demande, lead time, promotions, retours, etc.).
6.5 Identifiez-vous et prévoyez-vous les lancements de nouveaux produits et les substitutions ?
Résumé Exécutif : Oui, Lokad prévoit la demande pour tous les produits, y compris les nouveaux. Nous le faisons indépendamment de la quantité de données historiques disponibles pour les produits — qui sera probablement nulle si le produit n’a pas encore été lancé.
Afin de produire une prévision statistique dans les conditions mentionnées, Lokad se base généralement sur (a) l’historique complet des lancements au sein de l’entreprise cliente, (b) les attributs du produit pour le positionner dans l’offre, (c) les produits alternatifs qui fournissent à la fois une référence et un potentiel de cannibalisation, et (d) les opérations marketing qui soutiennent ce lancement spécifique.
Si un produit est positionné dans l’offre du client comme le remplacement explicite d’un produit plus ancien, alors la tâche de prévision est beaucoup plus simple. Toutefois, nous ne recommandons pas d’adopter cette approche à moins que le personnel de la supply chain du client ne soit convaincu que les anciens et les nouveaux produits sont véritablement équivalents pour les consommateurs. En pratique, le lancement d’un produit est rarement un remplacement un pour un entre un produit nouveau et un produit ancien. Ainsi, Lokad utilise une technologie supérieure pour exploiter toutes les données historiques, plutôt que de désigner un produit pour fournir la pseudo-historique du nouveau produit lancé.
De plus, Lokad génère des prévisions probabilistes pour les lancements de produits. C’est particulièrement important car les prévisions classiques (c’est-à-dire non probabilistes) écartent complètement les schémas aléatoires qui tendent à être prévalents lors du lancement de nouveaux produits. Les prévisions probabilistes, en revanche, quantifient cette incertitude, nous permettant ainsi de générer des décisions supply chain ajustées aux risques.
Dans la plupart des systèmes d’information, la date de lancement du produit est correctement identifiée, et il n’est donc pas nécessaire de l’identifier à proprement parler. Cependant, si la date de lancement n’est pas enregistrée ou est enregistrée de manière incorrecte, alors Lokad peut procéder à une reconstitution effective de cette information. Naturellement, les premiers enregistrements de ventes représentent une référence pour le lancement.
Cependant, parfois, en cas de demande intermittente, il peut s’écouler un long moment avant que le produit ne vende sa première unité. Les Supply Chain Scientists de Lokad disposent de diverses heuristiques pour s’adapter à ces situations.
Voir également Événements et événements explicatifs 6.1 dans cette FAQ.
6.6 Comment prévoyez-vous les nouveaux articles ou les nouveaux emplacements sans historique de ventes ?
Lokad utilise les lancements précédents et les ventes actuelles, en mettant l’accent sur l’importance des attributs (formels et textuels), pour prévoir la demande de nouveaux articles/emplacements.
Bien qu’un article puisse être « nouveau », il n’est généralement pas le premier article « nouveau » lancé par l’entreprise cliente. La technologie prédictive de Lokad exploite les lancements d’articles précédents, ainsi que les volumes de ventes actuels, afin de prévoir la demande pour un nouvel article. En particulier, la disponibilité d’attributs formels (par exemple, couleur, taille, forme, gamme de prix, etc.), ainsi que d’attributs textuels (par exemple, libellé, description courte, commentaires, etc.) est d’une importance cruciale pour positionner mathématiquement l’article dans l’offre globale de l’entreprise.
Le processus pour les nouveaux emplacements est similaire, bien que les données soient généralement beaucoup plus limitées. Alors qu’il est courant que des entreprises lancent des milliers de nouveaux produits par an (notamment dans des secteurs comme la mode), très peu d’entreprises peuvent prétendre lancer même une centaine de nouveaux emplacements par an. Pourtant, en exploitant les attributs et les caractéristiques du nouvel emplacement, Lokad peut produire une prévision même lorsque cet emplacement particulier ne dispose d’aucun historique de ventes.
Voir également Événements et événements explicatifs 6.5 dans cette FAQ.
6.7 Prenez-vous en compte les articles prédécesseurs, éventuellement signalés ou équivalents/similaires ?
Oui, si les articles lancés sont accompagnés d’articles « prédécesseurs » ou « similaires », la technologie prédictive de Lokad est capable d’exploiter cette information pour affiner ses prévisions.
Nous pouvons prendre en compte toute l’échelle de confiance dans les informations fournies, allant de « ce nouveau produit est un quasi-équivalent parfait de cet autre produit » à « ces deux produits se ressemblent vaguement ». Plusieurs prédécesseurs peuvent également être fournis s’il n’existe pas d’article clairement « le plus similaire ».
Alors que les anciennes technologies de prévision (désormais obsolètes) obligeaient les praticiens de la supply chain à associer manuellement les anciens et les nouveaux produits, ce n’est pas le cas avec Lokad. En supposant que certaines informations de base soient disponibles, notre technologie est capable d’exploiter les données historiques — provenant d’autres produits — pour prévoir un nouvel article. Les informations de base pertinentes comprennent les libellés des produits et les gammes de prix.
En règle générale, nous encourageons l’enrichissement des données de référence afin de favoriser de meilleures associations automatisées. Cela est, à notre avis, préférable à obliger le personnel de la supply chain du client à s’engager dans la fastidieuse activité de l’association manuelle. Le ROI (return on investment) lié à l’amélioration des données de référence est généralement bien supérieur à celui des associations, car les données de référence peuvent également impacter directement de nombreuses opérations post-lancement.
Voir également Événements et événements explicatifs 6.5 dans cette FAQ.
6.8 Détectez-vous la cannibalisation ? Évaluez-vous l’impact sur le produit cannibalisant et sur les produits cannibalisés ?
Oui, la technologie prédictive de Lokad intègre la cannibalisation (et les substitutions) dans le cadre de son analyse de la demande.
Bien que les situations varient, le modèle est généralement symétrique, ce qui signifie qu’il quantifie à la fois le produit qui cannibalise et le produit qui est cannibalisé. Notre approche tient compte de la composition de l’offre, qui peut varier d’un magasin à l’autre, ou d’un canal de vente à l’autre.
Si les clients peuvent être identifiés (note: avec des identifiants anonymes, puisque Lokad n’a pas besoin/utilise des données personnelles), alors Lokad peut exploiter le graphe bipartite qui relie les clients et les produits. Ce graphe temporel (reliant produits et clients via leurs transactions) est généralement la meilleure source d’information pour quantifier la cannibalisation. Si cette information n’est pas disponible, Lokad peut toujours fonctionner, quoique avec une précision réduite en ce qui concerne les détails des cannibalisation eux-mêmes.
Les techniques prédictives de Lokad s’écartent de manière assez radicale des modèles classiques de prévision des séries temporelles. Les modèles de séries temporelles ne sont tout simplement pas assez expressifs pour traiter la cannibalisation. En effet, une fois les données historiques transformées en données de séries temporelles, la majeure partie des informations pertinentes pour traiter la cannibalisation a déjà été perdue. Ces informations perdues ne peuvent pas être récupérées ultérieurement, quelle que soit la sophistication des modèles de séries temporelles. En revanche, Lokad utilise la programmation différentiable pour ses modèles prédictifs — une approche bien plus expressive que les modèles de séries temporelles datés (et obsolètes).
6.9 Permettez-vous d’ajouter ou de mettre à jour des variables explicatives ? Ces variables peuvent-elles être mises à jour manuellement ?
Oui. La plateforme de Lokad est programmatique et littéralement aussi flexible qu’une feuille de calcul Excel en ce qui concerne l’intégration des mises à jour des variables explicatives. Il est également possible, si désiré, de faire transiter les variables explicatives via de véritables feuilles de calcul.
La programmation différentiable, approche de Lokad en modélisation prédictive, permet d’apprendre aisément des modèles qui intègrent des variables explicatives arbitraires. Les variables explicatives n’ont pas besoin d’être exprimées en « unités prévisionnelles » ou d’être alignées autrement avec le processus de prévision. Grâce à la programmation différentiable, il est possible d’intégrer des variables explicatives tout en laissant de nombreuses relations « non quantifiées » — laissant ainsi le processus d’apprentissage à la plateforme de Lokad. De plus, la quantification de la ou des relations est mise à la disposition du praticien de la supply chain. De cette manière, le praticien de la supply chain peut obtenir un aperçu de la réelle prise d’ampleur de la variable explicative au sein du modèle prédictif.
Certaines anciennes technologies de prévision (désormais obsolètes) imposaient une relation directe entre les variables explicatives et les prévisions souhaitées. Par exemple, les variables explicatives devaient être linéairement liées au signal de la demande, elles devaient être exprimées avec la même granularité que les prévisions, et/ou elles devaient être homogènes avec les données historiques, etc. La technologie de Lokad ne souffre pas de ces limitations.
De plus, les capacités programmatiques de la plateforme de Lokad permettent d’organiser les variables explicatives afin de simplifier leur maintenance pour le personnel de la supply chain du client. Par exemple, il est possible de commencer par une feuille de calcul Excel pour refléter les variables explicatives, puis de passer ultérieurement à une intégration des données automatisée. Cette transition peut s’effectuer une fois que la précision supplémentaire (acquise grâce à ces variables explicatives) est jugée suffisante pour automatiser le transfert des données.
Voir la discussion sur « Covariable integration » dans Structured Predictive Modeling for Supply Chain pour en savoir plus à ce sujet.
6.10 Autorisez-vous des ajustements manuels de la prévision pour des événements futurs sans données historiques préalables ?
Oui. Lokad permet toujours d’ajuster manuellement les prévisions, que nous examinions des articles avec ou sans données historiques. Nous pouvons également suivre la qualité/précision des ajustements manuels. Cependant, lorsqu’on utilise une technologie prédictive moderne, les ajustements manuels sont généralement inutiles et globalement découragés.
La première raison pour laquelle les praticiens de la supply chain ressentent le besoin d’ajuster manuellement les prévisions est qu’ils veulent modifier les décisions supply chain résultantes qui en découlent (ex: un bon de commande). Dans ces cas, la plupart du temps, le praticien de la supply chain est confronté à un risque qui n’est pas correctement reflété par les prévisions. Ce n’est pas que les prévisions devraient être plus élevées ou plus basses, mais plutôt que la décision résultante doit être orientée à la hausse ou à la baisse pour refléter le risque. Lokad résout ce problème grâce aux prévisions probabilistes et aux décisions supply chain ajustées en fonction du risque. Les prévisions reflètent déjà toutes les valeurs futures possibles (ex: la demande) et leurs probabilités respectives. Ainsi, nos décisions suggérées sont déjà ajustées en fonction du risque. Si les décisions s’avèrent erronées alors que la prévision est correcte, c’est généralement les moteurs économiques associés à la décision qui doivent être ajustés, et non la prévision elle-même.
La deuxième raison d’ajuster manuellement une prévision est que celle-ci est manifestement erronée. Cependant, dans ces situations, le modèle de prévision (sous-jacent) lui-même doit être corrigé. Ne pas le corriger signifie simplement que le personnel de la supply chain continue de traiter les symptômes du problème (prévisions inexactes) plutôt que la cause réelle (un modèle de prévision défectueux). Si l’on ne corrige pas le modèle, les prévisions seront actualisées à mesure que de nouvelles données seront disponibles et soit les mauvaises prévisions ressortiront, soit la correction initiale (si elle persiste) deviendra elle-même une source d’inexactitude.
En bref, si le modèle de prévision manque de précision suffisante (généralement en raison d’informations manquantes), il convient d’enrichir les données d’entrée afin de prendre en compte les informations pertinentes absentes. Quoi qu’il en soit, maintenir en fonctionnement un modèle de prévision défectueux n’est jamais la réponse appropriée.
6.11 Raffinez-vous les prévisions grâce aux campagnes marketing et spéciales?
Oui, Lokad affine ses prévisions grâce à ces informations (si/quand elles nous sont mises à disposition).
La programmation différentiable—la technologie de modélisation prédictive de Lokad—est experte dans le traitement de types/sources de données supplémentaires, même si celles-ci ne correspondent pas structurellement aux données historiques de demande originales (du type que l’on retrouve dans les systèmes d’affaires typiques des clients).
La programmation différentiable peut traiter des sources de données supplémentaires sans présumer que ces données complémentaires soient exhaustives ou même complètement correctes/précises. Certes, si les données sont très incomplètes/inexactes, cela limite la précision globale obtenue par leur traitement dès le départ.
Plus important encore, la technologie prédictive de Lokad change la manière dont les clients abordent leurs campagnes marketing. La perspective classique de prévision considère la demande future comme le mouvement des planètes : quelque chose qui échappe totalement à notre contrôle. Pourtant, les campagnes marketing ne tombent pas du ciel. Elles reflètent plutôt des décisions explicites prises par l’entreprise cliente. Grâce aux analyses et à la technologie de Lokad, les entreprises clientes peuvent réajuster leurs campagnes marketing pour qu’elles correspondent à ce que peut supporter la supply chain.
Par exemple, il est inutile d’accélérer davantage la demande (en lançant une nouvelle campagne) si tous les produits se dirigent déjà vers une rupture de stocks. À l’inverse, si les surstocks sont en hausse, il pourrait être temps de réactiver quelques campagnes qui avaient été précédemment mises en pause.
6.12 Raffinez-vous les prévisions avec l’élasticité des prix ? Les futurs changements de prix prévus peuvent-ils être intégrés de manière proactive dans le modèle de prévision/prédictif?
Oui. Les capacités de modélisation prédictive de Lokad couvrent la tarification, y compris l’élasticité des prix, ainsi que les futurs changements de prix prévus. L’approche de programmation différentiable de Lokad facilite l’inclusion d’une (ou de plusieurs) variable(s) de prix, tant dans le passé que dans le futur. Les instances passées servent à apprendre la relation de causalité entre la variation de la demande et la variation des prix.
La programmation différentiable nous permet d’apprendre conjointement l’impact des variations de prix parallèlement à tous les autres schémas qui influent sur la demande, tels que les multiples cyclicités (ex: la saisonnalité). Le modèle de causalité peut ensuite être appliqué aux prix futurs, lesquels peuvent être augmentés ou diminués pour refléter la stratégie de tarification évolutive de l’entreprise cliente.
Cependant, l’élasticité des prix est souvent une approche assez rudimentaire pour modéliser l’effet des variations de prix. Par exemple, les effets de seuil ne peuvent être modélisés avec l’élasticité. Cela inclut des scénarios dans lesquels les consommateurs réagissent fortement à une variation de prix lorsqu’un produit devient simplement moins cher qu’un autre produit apparemment équivalent. En particulier, lorsque les prix compétitifs sont collectés via un outil d’intelligence économique, l’élasticité des prix s’avère insuffisante pour expliquer les variations de la demande qui seraient mieux attribuables aux mouvements de tarification d’un concurrent.
La plateforme de Lokad dispose de capacités qui vont bien au-delà de la simple modélisation de l’élasticité des prix. Lokad peut, et le fait fréquemment, optimiser conjointement tant les achats que la tarification. Alors que la perspective dominante de la supply chain traite l’optimisation de stocks et l’optimisation des prix comme deux préoccupations séparées, il est évident que les prix influencent la demande—même lorsque l’élasticité des prix s’avère trop rudimentaire pour refléter avec précision cet impact. Ainsi, il est tout à fait logique de coordonner à la fois les politiques de stocks et de tarification pour maximiser la rentabilité de la supply chain.
6.13 Raffinez-vous les prévisions avec l’activité concurrentielle (c’est-à-dire les données d’intelligence économique)?
Résumé exécutif: Oui, la technologie prédictive de Lokad est capable d’exploiter les données d’intelligence économique pour affiner les prévisions de demande (et les prix, si demandé) pour les clients. Ceci n’est réalisé que lorsque ces données d’intelligence économique nous sont mises à disposition, car Lokad ne collecte pas lui-même ce type de données. À notre avis, cette tâche est mieux laissée aux spécialistes du scraping de données web.
Exploiter les données d’intelligence économique est généralement un processus en deux étapes. Premièrement, nous devons associer (d’une certaine manière) les points de données concurrentiels à l’offre de l’entreprise cliente. Si l’entreprise cliente et ses concurrents vendent exactement les mêmes produits, identifiés grâce à leurs codes-barres GTIN, ce processus est alors simple. Cependant, il existe fréquemment de nombreuses complications.
Par exemple, les entreprises peuvent ne pas bénéficier des mêmes conditions d’expédition (ex: frais et délais), ou il peut y avoir une promotion temporaire uniquement accessible aux détenteurs d’une carte de fidélité. De plus, les concurrents ne vendent généralement pas exactement les mêmes produits (du moins, pas dans le sens GTIN), même si, dans l’ensemble, leurs offres sont en concurrence. Dans ces situations, des associations simples en un-à-un entre les produits respectifs des entreprises ne sont plus pertinentes. Néanmoins, la technologie prédictive de Lokad (et les Supply Chain Scientists) peut résoudre toutes ces complications.
Deuxièmement, une fois les associations établies, le modèle prédictif doit être adapté pour refléter l’/les effet(s) de la concurrence sur la demande. Ici, le plus grand défi est souvent que l’effet se manifeste avec un décalage important. Dans la plupart des marchés, les clients ne surveillent pas constamment les prix des concurrents. Ainsi, une forte baisse de prix par un concurrent peut passer inaperçue pendant longtemps auprès de nombreux clients. En réalité, l’effet dominant d’être concurrencé sur le plan des prix se traduit par une érosion progressive de la part de marché de l’entreprise cliente. Il est donc erroné d’évaluer l’impact de la concurrence de manière restreinte, « un produit à la fois ». Les effets au niveau de l’entreprise doivent également être pris en compte.
Une fois de plus, les Supply Chain Scientists de Lokad s’assurent que la stratégie de modélisation reflète une compréhension stratégique de l’entreprise cliente (et de sa place sur le marché). Cette compréhension stratégique inclut des aspects à long terme, tels que la conquête ou la perte de parts de marché.
Voir les discussions sur « Solving the alignment » dans Optimisation des prix pour l’après-marché automobile pour en savoir plus sur ce point.
Voir également Événements et variables explicatives 6.12 dans cette FAQ.
6.14 Raffinez-vous les prévisions avec les données de prévisions météorologiques?
Résumé exécutif: Oui, Lokad est capable d’affiner ses modèles prédictifs grâce aux données de prévisions météorologiques. Nous avons obtenu notre premier succès dans ce domaine en 2010, en collaboration avec un grand producteur européen d’électricité. Notre technologie prédictive actuelle (programmation différentiable) facilite l’intégration des prévisions météorologiques par rapport aux technologies antérieures.
En pratique, bien qu’il soit techniquement possible d’affiner les prévisions avec des données météorologiques, très peu de nos clients utilisent effectivement ces ajustements en production. À notre avis, cela ne vaut généralement pas l’effort. Il existe presque toujours des options plus simples qui offrent un meilleur ROI (retour sur investissement) pour une quantité comparable de ressources en ingénierie.
Globalement, il existe deux problèmes majeurs lorsqu’on tente d’exploiter les données de prévisions météorologiques dans ce contexte. Le premier problème est que ces prévisions sont à court terme. Au-delà de 2 ou 3 semaines, les prévisions météorologiques reviennent à des moyennes saisonnières. Ainsi, une fois que l’on dépasse un horizon court, les prévisions météorologiques n’apportent aucun éclairage supplémentaire par rapport à la saisonnalité habituelle. Cela signifie que toutes les décisions supply chain qui ne sont pas strictement à court terme ne bénéficient pas des données de prévisions météorologiques. Cela restreint sévèrement le champ d’application de cette technique.
Le deuxième problème réside dans les immenses complications technologiques que cette technique implique. Le temps est un phénomène très local, pourtant lorsqu’on considère de vastes supply chains, nous examinons en effet des centaines ou des milliers (voire des dizaines de milliers) d’emplacements pertinents, répartis sur d’énormes espaces géographiques (possiblement plusieurs continents). Ainsi, chaque lieu pourrait avoir son propre « temps » (du point de vue météorologique).
De plus, le « temps » n’est pas un simple chiffre mais un ensemble complet, incluant la température, les précipitations, le vent, etc. Selon le type de produits desservis, la température peut ou non être le facteur dominant nécessaire pour affiner une prévision de demande.
Fondamentalement, tenter d’affiner une prévision de demande avec des données de prévisions météorologiques mobilise des ressources (temps, argent, efforts, etc.) qui pourraient être allouées ailleurs (ou du moins à des efforts d’affinement plus performants). Nous constatons que les prévisions météorologiques ne constituent presque jamais une option « compétitive » à cet égard. Ainsi, bien que Lokad soit capable d’exploiter les prévisions météorologiques, nous recommandons d’épuiser toutes les autres pistes potentiellement plus simples d’affinement avant de recourir aux données de prévisions météorologiques.
6.15 Raffinez-vous les prévisions pour refléter l’ouverture d’un nouveau magasin/la fermeture d’un ancien magasin?
Oui.
La technologie prédictive de Lokad est capable de modéliser avec précision l’impact de l’ouverture d’un nouveau magasin et/ou de la fermeture d’un magasin existant. Notre technologie peut également modéliser des fermetures transitoires, telles que des fermetures temporaires pour travaux de rénovation. En outre, Lokad peut (et prend en compte) également la variabilité des heures d’ouverture (si les données nous sont communiquées). La technologie prédictive de Lokad (programmation différentiable) excelle particulièrement pour gérer toutes ces distorsions des signaux de demande.
De plus, lorsque des magasins se trouvent à proximité (ex: dans la même ville), nous pouvons tenir compte de l’effet de substitution, où les clients qui fréquentaient un magasin (désormais fermé) se rendent dans un autre. Si certaines transactions bénéficient d’un identifiant client (note: simplement l’identifiant brut, car Lokad n’a pas besoin de données personnelles), nous pouvons exploiter cette information pour évaluer plus précisément la part exacte de la clientèle qui suit une marque donnée, malgré les déplacements des magasins.
À l’autre bout du spectre technologique, les modèles de prévision des séries temporelles ne peuvent même pas représenter correctement les informations d’entrée pertinentes. Dans ce cas, nous nous référons aux données transactionnelles brutes décrites ci-dessus, telles que l’on peut en trouver si le client exploite des programmes de cartes de fidélité.
Notes
-
No1 au niveau SKU dans la compétition de prévision M5, une conférence donnée par Joannes Vermorel, janvier 2022 ↩︎
-
Bien que les feuilles de calcul Excel soient souvent remarquablement programmatiques, elles ne sont tout simplement pas adaptées aux exigences à grande échelle d’une véritable supply chain. Par exemple, Excel n’est pas conçu pour traiter de manière stable des centaines de milliers, voire des millions, de lignes de données, comme celles d’un vaste réseau de magasins, chacun ayant sa propre offre. De plus, il n’est pas adapté pour effectuer des calculs avec des variables aléatoires—un ingrédient clé de la prévision probabiliste. Voir Programming Paradigms as Supply Chain Theory pour en savoir plus sur les principes sous-jacents à la perspective de Lokad sur la prévision probabiliste et la programmation différentiable. ↩︎