FAQ : Prévision de la demande

Lokad a évolué depuis ses débuts dans la prévision de la demande à la fin des années 2000 pour devenir un leader de l’optimisation prédictive des chaînes d’approvisionnement, en se concentrant sur des évaluations d’événements futurs supérieures tout en naviguant dans les complexités du monde réel.

Public cible : praticiens de la chaîne d’approvisionnement, planificateurs de la demande et de l’approvisionnement, analystes d’affaires.

Dernière modification : 7 mars 2024

Principes de prévision

Comme l’a observé Keynes, il vaut mieux être approximativement correct que totalement faux. Ce principe s’applique à la plupart des situations de la chaîne d’approvisionnement (et à d’autres scénarios non liés à la chaîne d’approvisionnement), mais il est particulièrement valable en ce qui concerne la prévision. En ce qui concerne la prévision, Lokad fait mieux que simplement éviter d’être totalement faux ; nous surpassons régulièrement non seulement nos concurrents, mais aussi les équipes de recherche¹ - redéfinissant parfois l’état de l’art. Cependant, au cours de la dernière décennie, nous avons réalisé que le plus grand facteur limitant de la perspective traditionnelle de la prévision n’était pas la précision, mais plutôt l’expressivité.

Les prévisions classiques - c’est-à-dire les prévisions de séries temporelles ponctuelles - ne disent tout simplement pas assez sur l’avenir. Pourtant, les prévisions de séries temporelles sont devenues si répandues que de nombreux praticiens oublient à quel point elles sont incomplètes - non seulement inexactes. Les prévisions de séries temporelles traitent l’avenir de l’entreprise comme le mouvement de la planète : un phénomène où l’observateur n’a rien à voir avec les objets observés. Cependant, les chaînes d’approvisionnement ne sont pas comme l’astronomie, et les entreprises (contrairement aux planètes) influencent activement la direction de leurs chaînes d’approvisionnement. Fondamentalement, l’avenir n’est pas prédéterminé ; c’est ce que vous en faites.

Étrangement, toute la théorie dominante de la chaîne d’approvisionnement est construite sur la base de prévisions de séries temporelles, ce qui entraîne toutes sortes de tournants bizarres. La tarification - un moyen évident de diriger la demande - est généralement éliminée de l’image, ce qui en fait une préoccupation totalement distincte de la planification. Cela est manifestement incorrect étant donné leur interrelation évidente.

Une autre dimension totalement absente de la perspective traditionnelle des séries temporelles est l’incertitude. Cette incertitude est quelque chose que les traditionalistes pensent pouvoir résoudre en recherchant une plus grande précision isolément - en consacrant souvent d’énormes ressources à cette fin. Cependant, les chaînes d’approvisionnement ne cessent de prouver que l’incertitude associée aux événements futurs est irréductible, et que les problèmes de chaîne d’approvisionnement nécessitent plus que des ajustements isolés - c’est-à-dire une optimisation locale. Non seulement l’incertitude future est irréductible, mais les marchés mondiaux semblent assez doués pour lancer des défis à la fois de manière ancienne (par exemple, les guerres, les tsunamis) et nouvelle (par exemple, les confinements, les réglementations inventives).

Prévisions probabilistes

Le premier grand changement de perspective de Lokad par rapport à la perspective classique de prévision des séries temporelles a été les prévisions probabilistes, initiées en 2012 par le biais des prévisions quantiles, qui peuvent être considérées comme une prévision probabiliste incomplète. Les prévisions probabilistes prennent en compte tous les futurs possibles (c’est-à-dire la demande, le délai de livraison, etc.) en attribuant des probabilités à chaque résultat possible. Ainsi, les prévisions probabilistes intègrent l’incertitude irréductible des événements futurs au lieu de la rejeter complètement. Depuis 2012, les prévisions probabilistes se sont avérées, à maintes reprises, être une approche nettement supérieure en matière de gestion des risques pour la chaîne d’approvisionnement. Cela est vrai pour tout, des petites décisions locales, telles que choisir la bonne quantité pour un SKU, jusqu’aux grandes décisions, telles que la conclusion d’un contrat de service à long terme de plusieurs millions de dollars.

De plus, Lokad ne s’est pas limité (et ne se limite toujours pas) aux prévisions probabilistes de la demande. Toutes les autres sources d’incertitudes sont désormais quantifiées par la plateforme Lokad. Ces incertitudes comprennent les délais de livraison variables, les taux de grattage variables, les retours clients variables, etc. Plus largement, tous les événements futurs incertains doivent être prévus, idéalement par le biais 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 n’essayons pas d’exprimer plusieurs valeurs/unités disparates (par exemple, la demande, le délai de livraison, etc.) à l’aide d’une série temporelle. En fait, la plupart du temps, le problème que nous prévoyons ne correspond même pas au cadre étroit imposé par une série temporelle.

Prévisions programmatiques

Le deuxième changement majeur de perspective de Lokad par rapport à la perspective classique de prévision a été son changement programmatique, d’abord avec le 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 concurrents, faisait même référence à son “moteur de prévision” - un composant logiciel monolithique dédié à cette tâche précise. Cependant, cette perspective présente deux lacunes majeures.

Premièrement, la perspective 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 - au sens relationnel (par exemple, SQL) - dépend beaucoup des spécificités des systèmes d’entreprise en place dans la société. Forcer les données historiques, telles qu’elles se trouvent dans les systèmes d’entreprise, dans un modèle de données préconçu, comme l’exige un moteur de prévision, entraîne toutes sortes de problèmes. Bien que Lokad ait réussi (grâce à une sophistication croissante) à concevoir un moteur de prévision beaucoup plus flexible que ce que nos concurrents proposent encore, nous avons également réalisé que cette approche était une impasse technologique. Le moteur de prévision n’est jamais assez flexible et finit invariablement par négliger des aspects critiques mais nuancés de l’entreprise.

Les approches programmatiques, en revanche, se sont révélées être une solution nettement supérieure. C’est là que les défis de 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 - comme ceux 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 du modèle relationnel une entité de premier plan, contrairement aux frameworks de deep learning qui le traitaient - et le traitent toujours - comme une entité de second plan. Alors que les données relationnelles dominent dans la supply chain, ce n’est pas le type de données qui suscite l’intérêt de la communauté plus large de l’apprentissage automatique (où les images, le langage naturel, la voix, etc. prédominent).

Deuxièmement, la perspective du “moteur de prévision” ne laisse aucune place à l’entreprise pour façonner son propre avenir. Peu importe la sophistication du moteur, le paradigme implique qu’il y ait un processus en deux étapes, avec la phase de prévision/planification suivie d’une étape d’optimisation/exécution. Ce paradigme laisse peu ou pas de place pour aller et venir entre la planification et l’exécution. En théorie, il est possible d’appliquer à plusieurs reprises le moteur de prévision sur des scénarios qui ont été ajustés en fonction des prévisions obtenues lors des itérations précédentes. En pratique, le processus est tellement fastidieux que personne ne le fait vraiment (du moins pas longtemps).

En conclusion: les approches programmatiques sont un véritable changement de paradigme. Cela devient possible de mettre en place des boucles de rétroaction sur mesure - entre la planification et l’exécution - qui reflètent des options subtiles mais rentables que l’entreprise risquerait probablement de manquer autrement. Par exemple, si le client est une entreprise de maintenance, réparation et révision (MRO) de l’aviation, il devient possible de considérer l’achat et la vente de pièces réutilisables en même temps - les ventes de pièces inutilisées finançant l’acquisition de pièces désormais très nécessaires. De telles interactions ne sont pas nécessairement complexes ou même difficiles, mais les découvrir nécessite de prendre en compte les détails spécifiques de l’entreprise. Les approches non programmatiques échouent invariablement à capturer ces détails, ramenant les praticiens de la supply chain à leurs feuilles de calcul². La programmation différentiable se révèle également être un changement de paradigme à cet égard.

Foire aux questions (FAQ)

1. Algorithmes et modèles de prévision

1.1 Pouvez-vous fournir un aperçu du ou des moteurs de prévision que vous utilisez ?

Les capacités prédictives de Lokad sont basées sur les capacités de programmation différentiable d’Envision, le langage de programmation spécifique au domaine développé par Lokad pour l’optimisation prédictive de la supply chain. Ainsi, au lieu d’avoir un “moteur”, Lokad dispose de blocs de construction programmables qui peuvent être facilement assemblés pour créer des modèles prédictifs de pointe.

Nos modèles prédictifs comprennent (mais dépassent également) la fourniture de prévisions de demande de séries temporelles de pointe, comme en témoigne la première place de Lokad (sur environ 1000 concurrents) au niveau SKU lors d’une compétition internationale de prévision basée sur les ensembles de données de Walmart. Les détails de la méthode sont donnés dans un article public. La programmabilité de la plateforme de Lokad offre des capacités flexibles qui ne peuvent pas être reproduites avec un “moteur de prévision” traditionnel. En fait, notre dernier “moteur de prévision” a été abandonné en 2018 au profit d’une approche programmatique, précisément en raison de cette limitation.

De plus, nous parlons généralement de “modélisation prédictive” plutôt que de “prévision”, car il ne s’agit pas seulement d’estimer quantitativement la demande future, mais toutes les sources d’incertitude. Ces classes comprennent les délais de livraison futurs, les retours futurs, les taux de rebut futurs, les prix futurs des sources, les prix futurs des concurrents, etc. Grâce à la programmation différentiable, Lokad fournit des prévisions qui vont bien au-delà de ce qui est traditionnellement attendu d’un moteur de prévision. Ces prévisions étendues sont essentielles pour fournir une optimisation de bout en bout de la supply chain, plutôt qu’un simple plan de demande isolé.

Enfin, Lokad fournit un “modèle prédictif probabiliste”. La prévision probabiliste (ou “modélisation probabiliste”) est essentielle pour prendre des décisions optimisées ajustées au risque. Sans prévisions probabilistes, les décisions de la supply chain sont fragiles face à toute variation, générant des surcoûts constants pour des situations qui auraient pu être largement atténuées par des décisions légèrement plus prudentes.

Consultez La programmation différentiable dans Envision pour en savoir plus sur les détails de cet outil essentiel, ainsi que L’historique du moteur de prévision de Lokad pour revoir notre progression en matière de prévision.

1.2 Pouvez-vous générer une prévision de référence basée sur des modèles statistiques ?

Oui. Lokad peut générer une prévision de la demande de référence basée sur des modèles paramétriques de faible dimension, c’est-à-dire un modèle statistique. Nous le faisons en utilisant Envision, le DSL (langage de programmation spécifique au domaine) de Lokad, spécialement conçu pour l’optimisation prédictive des chaînes d’approvisionnement. Grâce aux capacités de programmation différentiable d’Envision, il est également facile d’apprendre les paramètres en exploitant les données historiques de la demande.

Il existe deux limitations clés à la perspective traditionnelle de prévision qui ont été supplantées par les nouvelles technologies proposées par Lokad. Premièrement, les prévisions de séries temporelles ponctuelles (également appelées “prévisions classiques”) ne capturent pas l’incertitude irréductible de l’avenir. En fait, elles ignorent totalement l’incertitude en exprimant l’incertitude future comme une seule valeur (par exemple, la demande) au lieu d’une distribution de probabilité de valeurs.

Par conséquent, avec les prévisions traditionnelles de séries temporelles, il n’est pas possible pour le client de prendre des décisions ajustées au risque, par exemple des décisions qui reflètent l’impact financier de la commande de X unités ou de X+1 unités, ou peut-être de ne rien commander du tout. Ce manque de conscience du risque (c’est-à-dire d’un point de vue quantitatif) est invariablement très coûteux pour le client, car il conduit à de mauvaises prises de décision financières (par exemple, les commandes, les allocations, etc.). Lokad résout ce problème grâce à la prévision probabiliste, car elle intègre l’incertitude future au lieu de la rejeter.

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 de livraison, les retours, les taux de rebut et tous les autres domaines d’incertitude future doivent également être prévus. Lokad résout ce problème grâce à la modélisation prédictive programmatique.

1.3 Quel type d’analyse de données et d’algorithmes la solution utilise-t-elle pour générer des prévisions de demande précises ?

Lokad utilise la programmation différentiable en exploitant des données historiques détaillées et, le cas échéant, des données externes sélectives pour générer des prévisions de demande et gérer d’autres complexités de la chaîne d’approvisionnement (par exemple, les ruptures de stock et les promotions).

La programmation différentiable, utilisée pour apprendre des modèles paramétriques, est la technique principale pour générer des prévisions de demande précises. Comme le montre la compétition de prévision M5, basée sur des données de vente au détail de Walmart, Lokad a utilisé cette approche et s’est classé premier au niveau du SKU (en concurrence avec environ 1000 équipes du monde entier). Cette réalisation qualifie l’approche comme étant à la pointe de la technologie.

Cependant, la compétition M5 n’a effleuré que la surface en ce qui concerne les prévisions de demande, car l’approche de Lokad se prête à d’innombrables “complications”, telles que la gestion des ruptures de stock, des promotions, des retours, de la périssabilité, etc. La modélisation prédictive structurée pour la chaîne d’approvisionnement fournit les détails sur la manière dont Lokad aborde ces complications.

En ce qui concerne les données, Lokad exploite toutes les données de vente historiques pertinentes, jusqu’aux transactions individuelles (si ces données sont disponibles). Nous exploitons également d’autres données historiques qui complètent le signal de demande, telles que les niveaux de stock historiques, les prix historiques, les prix concurrentiels historiques, les classements d’affichage historiques (commerce électronique), 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 ne sont malheureusement pas disponibles.

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 apportent rarement une amélioration de précision qui justifie 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 ces ensembles de données devrait être réservée aux entreprises matures qui ont déjà épuisé toutes les voies plus faciles pour améliorer la précision des prévisions.

1.4 Réduisez-vous l’erreur de prévision grâce à des techniques d’apprentissage automatique ?

Oui. Lokad utilise la programmation différentiable et le deep learning pour réduire l’erreur de prévision. Nous utilisons parfois des techniques alternatives, telles que les forêts aléatoires ou les arbres boostés par gradient. De plus, nous utilisons des techniques d’apprentissage automatique (ML) pour revisiter les méthodes statistiques “classiques” (par exemple, les modèles autorégressifs), mais avec des méthodes beaucoup plus améliorées en ce qui concerne l’apprentissage des paramètres pertinents des 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. Étant donné que l’apprentissage automatique, en tant que domaine de recherche, existe depuis plus de trois décennies, le terme couvre en fait un large éventail de techniques ; certaines considérées comme “state-of-the-art” et d’autres qui sont assez “obsolètes”.

De notre point de vue, le changement de paradigme le plus important en ML, en particulier à des fins de chaîne d’approvisionnement, est le passage de l’ingénierie des caractéristiques à l’ingénierie de l’architecture. En termes simples, les techniques d’apprentissage automatique sont devenues elles-mêmes programmables. Le deep learning et la programmation différentiable reflètent cette perspective plus récente qui privilégie l’ingénierie de l’architecture par rapport à l’ingénierie des caractéristiques, et c’est pourquoi Lokad utilise cette approche.

À des fins de chaîne d’approvisionnement, l’ingénierie architecturale est essentielle pour refléter, dans le 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 embrasse vraiment la situation.

1.5 Comment identifiez-vous et prévoyez-vous les tendances de la demande pour éviter les ruptures de stock et les surstocks ?

Lokad réduit les ruptures de stock et les surstocks grâce à des prévisions probabilistes, qui tiennent compte de l’incertitude de la demande future en fournissant des probabilités de grandes variations de la demande. Cette approche permet à Lokad de fournir des décisions ajustées au risque aux clients, ce qui permet de faire de meilleurs choix (par exemple, les commandes d’achat) et de réduire les ruptures de stock et les surstocks. Cette approche contraste avec les prévisions traditionnelles de séries temporelles ponctuelles, qui ignorent les risques financiers et reposent sur la réduction des erreurs de prévision “isolées”.

En mettant de côté d’autres causes possibles, telles que les délais de livraison variables, les ruptures de stock et les surstocks reflètent généralement une demande (future) inattendue. Lokad aborde directement ce problème grâce à des prévisions probabilistes. Contrairement aux méthodes de chaîne d’approvisionnement courantes qui ignorent l’incertitude irréductible de l’avenir, Lokad embrasse l’incertitude d’un point de vue quantitatif strict. Les prévisions probabilistes fournissent les probabilités d’observer de grandes variations de la demande, ce qui est essentiel si l’on souhaite calculer des décisions ajustées au risque.

Les décisions ajustées au risque ne tiennent pas seulement compte de la probabilité de faire face à des événements inhabituels (par exemple, une demande très faible ou très élevée), mais aussi des risques financiers associés à ces résultats. En règle générale, il existe des coûts très asymétriques lorsqu’il s’agit d’avoir trop peu ou trop d’unités. Une décision ajustée au risque minimise les pertes attendues en orientant le client dans la direction la plus “prudente” ou “récompensante”.

En revanche, et malgré leur popularité, les prévisions périodiques de séries temporelles ponctuelles (également appelées “prévisions classiques”) sont totalement négligentes en ce qui concerne ces risques. Cette perspective vise à réduire l’erreur de prévision isolément au point où l’erreur devient insignifiante. Cependant, cela relève de la pensée magique car l’incertitude future est irréductible. C’est pourquoi les prévisions ponctuelles échouent à prévenir les ruptures de stock et les surstocks de manière satisfaisante.

En bref, il n’importe pas que l’on utilise un modèle rudimentaire ou sophistiqué lorsque les hypothèses/outils sous-jacents (par exemple, les prévisions ponctuelles de séries temporelles) sont fondamentalement erronés.

Voir les prévisions probabilistes pour plus de détails sur ce concept.

1.6 Comment gérez-vous la saisonnalité de la demande ?

Résumé exécutif : 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 différentes cyclicités, telles que les modèles annuels, hebdomadaires et spécifiques à des événements. Cette approche automatisée garantit l’exactitude et la stabilité des prévisions de demande en tenant compte de tous les modèles ayant un impact sur la demande simultanément, 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 traiter les cyclicités est la programmation différentiable. Nous exploitons des modèles paramétriques de faible dimension qui reflètent structurellement les cyclicités cibles. En d’autres termes, nous choisissons des modèles où la structure de la cyclicité est donnée, codée en dur par les scientifiques de la supply chain de Lokad. Cela 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 que la recette numérique a été élaborée par les scientifiques de la supply chain de Lokad, le processus d’optimisation global est entièrement automatisé. En particulier, l’optimisation de la supply chain de Lokad ne nécessite aucune intervention manuelle (c’est-à-dire une micro-gestion du profil de saisonnalité), et ne repose pas non plus sur des exceptions pour les produits récents ou pour les produits qui n’ont pas encore été lancés. L’approche de Lokad peut sembler quelque peu nouvelle, mais elle est d’une importance capitale pour la supply chain.

Premièrement, elle offre des résultats plus précis, car le processus d’apprentissage automatique ne cherche pas à découvrir la cyclicité, mais la cyclicité est considérée comme donnée (et déjà largement reconnue par les praticiens de la supply chain). Cela est d’autant plus critique 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 limiter 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 (d’apprentissage automatique) à partir des données du client, nous permet de prendre en compte conjointement toutes les cyclicités, ainsi que tous les autres motifs qui façonnent les modèles de demande observés (par exemple, les ruptures de stock ou les promotions). Les cyclicités ne peuvent pas être estimées isolément, ni séquentiellement, des autres motifs qui impactent la demande. Tous ces motifs, et leurs paramètres respectifs, doivent être estimés conjointement.

Consultez Modélisation prédictive structurée pour la supply chain pour plus de détails sur la programmation différentiable et sa place dans l’optimisation de la supply chain.

1.7 Avez-vous des capacités de prévision à long terme (plus de 3 ans à l’avance) pour prédire la demande future et faire une proposition d’ajustements en conséquence ? Quelle est la durée maximale de prévision pouvant être générée ?

Oui. Lokad peut prévoir indéfiniment loin dans le futur, il n’y a donc pas de durée maximale.

Étant donné la nature de l’incertitude future, l’erreur de prévision augmente régulièrement à mesure que l’horizon de prévision s’allonge. 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. Peu importe à quel point le modèle sous-jacent peut être sophistiqué, la prévision tente finalement de deviner à quoi ressemblera la route en regardant dans le rétroviseur.

De plus, la capacité à apporter des ajustements manuels à une prévision automatisée tend à aggraver la situation. Une fois que les prévisions ont été modifiées manuellement par des “experts”, les organisations ont invariablement une confiance excessive en elles. De nombreux benchmarks réalisés par Lokad indiquent que les experts ne surpassent que rarement les méthodes de moyenne brute en ce qui concerne les prévisions à long terme. Ainsi, les prévisions ajustées manuellement bénéficient généralement d’une aura d’expertise injustifiée qui rend les organisations trop dépendantes d’elles. Cette pratique de modification manuelle survit même après que les chiffres se révèlent inévitablement être de mauvaises suppositions.

En ce qui concerne les prévisions à long terme, nous sommes d’accord avec la perspective d’Ingvar Kamprad (fondateur d’IKEA), qui a écrit dans Le Testament d’un Marchand de Meubles : “la planification exagérée est la cause la plus courante de la mort des entreprises”. En règle générale, à moins que l’entreprise cliente ne soit confrontée à des conditions de marché exceptionnellement stables (par exemple, les services publics), nous ne conseillons pas de piloter sa supply chain à travers des prévisions à long terme. L’équipe de scientifiques de la supply chain de Lokad est disponible pour fournir des conseils sur des approches meilleures (et plus saines) qui reflètent de manière unique les exigences spécifiques de chaque entreprise cliente.

1.8 Pouvez-vous fournir un minimum de 28 jours de prévisions roulantes par article/magasin ?

Oui, Lokad peut prévoir indéfiniment loin dans le futur, même au niveau du SKU pour une grande chaîne de vente au détail.

Pour nos clients de vente au détail, nous avons régulièrement des horizons de prévision de 200 (ou plus) jours, tout en opérant au niveau du SKU. Ces horizons à moyen terme sont utiles pour évaluer correctement les risques associés aux stocks morts pour les produits à faible rotation. De plus, la plateforme de Lokad est hautement évolutive, ce qui permet de traiter des dizaines de millions de SKUs tout en traitant des années de données historiques quotidiennes sans difficulté. En fait, la plateforme de Lokad peut facilement s’adapter même aux grands réseaux de vente au détail sans nécessiter de planification de capacité préalable.

Voir également Algorithmes et modèles de prévision 1.7 dans cette FAQ.

1.9 Pouvez-vous utiliser des sources de données externes et/ou des indicateurs pour améliorer la précision de la prévision de la demande ?

Oui. Par exemple, Lokad utilise régulièrement des informations concurrentielles (c’est-à-dire les prix publiés par les concurrents). Dans certaines industries, les indicateurs publics peuvent être très utiles (par exemple, les tailles de flotte d’avions projetées pour les MRO de l’aviation). La plateforme programmatique de Lokad est particulièrement adaptée à l’exploitation de sources de données variées, au-delà des données historiques obtenues à partir des systèmes d’entreprise.

En ce qui concerne les données externes, il existe deux sources qui sont contre-intuitivement presque jamais intéressantes en termes d’efforts d’ingénierie : les ensembles de données météorologiques et les ensembles de données de réseaux sociaux. Les ensembles de données météorologiques sont très difficiles à manipuler (c’est-à-dire très volumineux et très complexes) et, en réalité, ils ne sont pas vraiment meilleurs que les moyennes saisonnières au-delà de deux semaines à l’avance (plus ou moins). Les ensembles de données de réseaux sociaux sont également très difficiles à manipuler (c’est-à-dire très volumineux, très complexes et fortement peuplés de données inutiles), et ils reposent également fortement sur des effets à court terme, généralement sur quelques jours.

Nous ne prétendons pas que aucune valeur ne peut être extraite des données météorologiques ou des données de réseaux sociaux, car nous avons déjà réussi à le faire pour certains clients. Cependant, toutes les améliorations de la précision des prévisions ne valent pas les efforts d’ingénierie nécessaires pour les obtenir. Nos clients doivent fonctionner avec des ressources limitées, et ces ressources sont généralement mieux investies dans l’amélioration d’autres aspects de l’optimisation de la supply chain de bout en bout. Il s’agit d’une approche plus prudente que de rechercher le dernier 1% (généralement même pas autant) de précision supplémentaire grâce à des ensembles de données externes qui sont de 2 à 3 ordres de grandeur plus volumineux que les propres ensembles de données historiques gérés par le client.

1.10 Comment gérez-vous les différents niveaux de taux de vente, de moins de 1 par semaine à des milliers par jour ?

Pour gérer les taux de vente variables, Lokad utilise des prévisions probabilistes pour la demande sporadique, en utilisant 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.

Lorsqu’il s’agit de magnitudes variables de taux de vente, le principal défi réside dans les petits nombres par opposition aux grands nombres - les grands nombres étant comparativement beaucoup plus faciles à traiter. Afin de faire face à la demande sporadique, Lokad utilise des prévisions probabilistes. Les prévisions probabilistes attribuent une probabilité à chaque événement discret, telle que la probabilité de vendre 0 unité, 1 unité, 2 unités, etc. Les probabilités éliminent toute une série de problèmes associés aux valeurs de demande fractionnaires obtenues traditionnellement avec les méthodes de la supply chain grand public.

Sous le capot, 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 donc une faible surcharge de calcul. Cependant, lorsqu’il s’agit de demande sporadique, une implémentation naïve de telles structures de données (par exemple, en conservant 1 compartiment par unité de demande) deviendrait dramatiquement inefficace lorsqu’elle est confrontée à une ou plusieurs distributions de demande non sporadiques impliquant des milliers d’unités de demande par période.

Ainsi, Lokad a conçu des structures de données spéciales, comme le Ranvar (voir ci-dessous), qui garantissent des surcharges de temps constant et de mémoire constante pour les opérations algébriques mettant en jeu des distributions de probabilité. Ranvar approxime de manière élégante la distribution de probabilité d’origine lorsque les nombres deviennent grands tout en conservant la perte de précision sans conséquence du point de vue de la supply chain. Des structures de données comme Ranvar éliminent largement la nécessité d’isoler et de cibler la demande sporadique, tout en préservant tous les motifs souhaitables de petits entiers lorsqu’il s’agit de demande sporadique.

Consultez notre conférence vidéo publique Prévision probabiliste pour la supply chain et notre documentation publique Ranvars et Zedfuncs pour plus de détails sur ce point.

1.11 Faites-vous des prévisions dans différentes unités (unité, prix, caisse, poids, etc.) ?

Oui, la plateforme de Lokad est programmable. Nous pouvons réexprimer nos prévisions dans n’importe quelle unité souhaitée. De plus, nous pouvons prendre en compte des situations où plusieurs unités sont impliquées. 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 pour évaluer correctement le nombre de conteneurs susceptibles d’être nécessaires.

1.12 Prenez-vous en charge plusieurs algorithmes de prévision (par exemple, régression linéaire, lissage exponentiel, moyenne mobile, ARIMA, etc.) ?

Oui. La plateforme de Lokad est programmable, nous pouvons donc prendre en charge tous les modèles de prévision classiques (tels que ceux énumérés 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 ne figurent pas parmi les meilleurs performeurs dans les compétitions de prévision publiques. En particulier, la plupart de ces modèles se comportent mal lorsqu’il s’agit de prendre en compte les complications habituelles rencontrées dans les situations de la supply chain (par exemple, les ruptures de stock, les cannibalisations, les événements quasi-saisonniers comme le Nouvel An chinois, etc.).

Généralement, les scientifiques de la supply chain de Lokad élaborent une recette numérique sur mesure pour répondre aux besoins de prévision de l’entreprise cliente. Nos scientifiques de la supply chain 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 (ou les algorithmes) de prévision doit être adapté pour tirer parti des données disponibles tout en atténuant les distorsions des données inhérentes aux opérations de la supply chain (par exemple, la demande rebondit fréquemment à la fin d’un événement de rupture de stock).

Consultez notre conférence vidéo publique No1 au niveau SKU dans la compétition de prévision M5 pour plus de détails sur les compétences de prévision de Lokad.

1.13 À quel niveau de granularité le forecast est-il renvoyé ?

Lokad peut prendre en charge n’importe quelle granularité dans ses prévisions. Cela signifie que nous pouvons prévoir avec les granularités les plus détaillées, par exemple jusqu’au niveau SKU, voire prévoir la demande par client par SKU (si cela a du sens), ainsi que prévoir des prévisions à l’échelle de l’entreprise.

Comme les prévisions sont des artefacts numériques destinés à servir à la génération de décisions optimisées de la supply chain, les scientifiques de la supply chain de Lokad ajustent la granularité des prévisions pour correspondre exactement aux décisions que les prévisions sont censées soutenir. En particulier, s’il y a plusieurs décisions de la supply chain à soutenir, il y a généralement plusieurs granularités de prévision également.

Cependant, Lokad va au-delà de l’adaptation de la granularité de la prévision (c’est-à-dire le choix d’un certain niveau au sein d’une hiérarchie donnée). Nous ajustons toute la perspective de prévision pour mieux refléter la tâche à accomplir. Par exemple, pour un détaillant B2B, il peut être judicieux de prévoir la rotation des clients, car le stock du client (servant une demande régulière pour un SKU donné) peut se transformer du jour au lendemain en stock mort. Cela peut se produire si toute (ou la plupart) de la demande provenait d’un seul grand client qui a soudainement résilié son contrat. Lokad est capable de prévoir les probabilités de résiliation de contrat ainsi que la demande pour un SKU donné. Ensuite, nous pouvons combiner les deux prévisions selon les besoins pour optimiser les décisions d’inventaire pertinentes.

1.14 Pouvez-vous générer des prévisions quantitatives à partir de 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 de données transactionnelles brutes (notre préférence).

Il convient de noter que la conversion des données transactionnelles en une série temporelle hebdomadaire est un processus qui entraîne une perte d’informations, ce qui signifie que des informations critiques peuvent être perdues dans le processus. Une fois perdues, ces informations ne peuvent pas être récupérées, quelle que soit la sophistication du modèle de prévision.

Par exemple, imaginez un détaillant de bricolage vendant des interrupteurs. Ce détaillant observe une unité de demande par jour (en moyenne) pour un SKU donné dans un magasin réapprovisionné chaque jour de la semaine. Si la majeure partie de la demande provient de clients achetant une unité à la fois, alors 4 unités en stock fourniront probablement un niveau de service correct. Cependant, si la majeure partie de la demande provient de clients achetant généralement une demi-douzaine d’unités à la fois (avec en moyenne 1 client par semaine), alors 4 unités en stock équivaudront à un niveau de service médiocre.

Cela démontre le problème de l’agrégation arbitraire. Une fois que les données de vente ont été 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 Générez-vous une prévision quotidienne (ou intrajournalière) à partir de l’historique quotidien, ou appliquez-vous des modèles statistiques quotidiens à une prévision hebdomadaire ?

Lorsque des données historiques quotidiennes sont disponibles (ou, encore mieux, des données au niveau des transactions), 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 facile d’inclure (ou d’exclure) toute cyclicité donnée ou quasi-cyclicité (par exemple, Pâques, le Nouvel An chinois, le Ramadan, etc.).

La décomposition hiérarchique qui sépare la cyclicité du jour de la semaine de la cyclicité de la semaine de l’année peut être utilisée ou non par Lokad. Notre plateforme, cependant, peut prendre en charge les deux options. Cette préoccupation (décomposer ou ne pas décomposer) n’est pas exclusive aux cyclicités, et des préoccupations similaires doivent être abordées pour tous les autres modèles.

Le choix du modèle le plus adapté est laissé aux Supply Chain Scientists de Lokad. Leur choix est basé sur un examen attentif des modèles spécifiques observés dans la supply chain concernée.

1.16 Ajustez-vous automatiquement les prévisions pendant la journée (ou la semaine) en fonction des ventes réelles par rapport aux ventes prévues ?

Lokad actualise ses modèles prédictifs quotidiennement pour corriger les erreurs liées à des saisies de données incorrectes, garantissant ainsi des prévisions précises et à jour. Cette approche permet de contrer les instabilités numériques des technologies plus anciennes, en utilisant des modèles stables et précis pour éviter les changements de prévisions erratiques et améliorer les décisions de la supply chain.

En règle générale, Lokad actualise (re-entraîne) tous ses modèles prédictifs chaque fois que nous obtenons un nouvel ensemble de données historiques. Pour la majorité de nos clients, cela se produit une fois par jour. La raison la plus importante à cela est de s’assurer que les saisies de données incorrectes - qui ont déjà été corrigées - ne persistent pas en raison de la persistance de prévisions “cassées” qui ont été générées dans le passé (sur la base de ces saisies incorrectes). La fonctionnalité de Lokad permet de rafraîchir quotidiennement les modèles prédictifs sans problème, même pour des supply chains très importantes.

D’autre part, certaines technologies de prévision obsolètes souffrent d’instabilités numériques. Par conséquent, les praticiens de la supply chain peuvent craindre un système qui est actualisé trop fréquemment, car, selon leur expérience, cela signifie que les prévisions seront erratiques. Du point de vue de Lokad, un modèle prédictif qui “saute” de manière erratique en raison de l’arrivée d’incréments de données quotidiens est en réalité un modèle défectueux qui doit être corrigé. Retarder les actualisations pour atténuer le problème ne peut pas être considéré comme une solution raisonnable, car la précision des prévisions souffre inutilement en ne tenant pas compte des événements les plus récents.

Lokad résout ce problème en adoptant des classes de modèles prédictifs qui ont des propriétés correctes par conception en ce qui concerne la stabilité numérique. La programmation différentiable est particulièrement efficace pour concevoir des modèles à la fois très stables et très précis.

Voir Tout rafraîchir chaque jour pour en savoir plus à ce sujet.

1.17 Comment établissez-vous un niveau de confiance selon lequel le niveau de ventes réel se poursuivra à l’avenir ?

Nous utilisons des prévisions probabilistes et une optimisation stochastique pour évaluer tous les résultats potentiels et leurs probabilités, permettant ainsi des décisions de la supply chain ajustées au risque. Chaque résultat potentiel a 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 reçoivent une probabilité estimée. À leur tour, les intervalles de confiance sont faciles à obtenir à partir d’une prévision probabiliste. Les intervalles de confiance peuvent être utilisés pour établir un “niveau de confiance” selon un certain degré de risque (par exemple, le pire scénario à 5 % par rapport au pire scénario à 1 %).

Cependant, l’hypothèse implicite derrière les “niveaux de confiance” est que la décision de la supply chain dépend des prévisions d’origine. La perspective des prévisions probabilistes change complètement notre approche de la question de l’(in)exactitude des prévisions. Lorsque des prévisions probabilistes sont disponibles, les décisions de la supply chain (par exemple, une commande d’achat donnée) peuvent soudainement bénéficier d’une optimisation ajustée au risque. En d’autres termes, la décision peut être optimisée pour tous les futurs possibles et leurs probabilités respectives, et chaque décision classée en fonction de leur impact financier.

Le terme technique pour cette “optimisation sous incertitude” est l’optimisation stochastique. Lokad propose à la fois des prévisions probabilistes et une optimisation stochastique.

1.18 Pouvez-vous combiner plusieurs algorithmes de prévision ?

Oui, bien que nous ayons cessé de recommander cette pratique il y a une dizaine d’années. La combinaison de plusieurs algorithmes de prévision (également appelée “méta-modèles”) dans un environnement de production génère généralement des décisions de la supply chain sous-optimales, c’est précisément pourquoi nous ne recommandons pas cette approche.

La combinaison de plusieurs modèles de prévision est l’une des options les plus simples pour améliorer les résultats synthétiques, généralement obtenus par rétrotest. Cependant, ce “méta-modèle” (le produit de la combinaison de plusieurs modèles de prévision sous-jacents) est généralement instable, car il passe 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 méta-modèle. Pire encore, les méta-modèles sont, par nature, assez opaques car ils sont un mélange de plusieurs modèles. Même lorsque les modèles sous-jacents sont simples, le méta-modèle qui résulte de leur mélange ne l’est pas.

Ainsi, toute “précision supplémentaire” obtenue grâce à l’utilisation de méta-modèles, dans le cadre de la référence (c’est-à-dire les résultats synthétiques), est invariablement perdue en production (c’est-à-dire dans des scénarios du monde réel) en raison d’effets de second ordre tels que l’instabilité accrue et l’opacité accrue des prévisions.

1.19 Sélectionnez-vous automatiquement le modèle le mieux adapté aux prévisions ?

Oui, Lokad propose un modèle prédictif unique et efficace pour la prévision de la supply chain. Nous évitons les “méta-modèles” en raison de leurs performances inférieures dans le monde réel et de leur opacité.

Les Supply Chain Scientists de Lokad fournissent à chaque client un modèle prédictif unique plutôt qu’une amalgame de différents algorithmes qui se disputent la sélection, selon l’approche du “méta-modèle”. Cette approche du méta-modèle est quelque chose que Lokad a cessé d’utiliser il y a une dizaine d’années.

Il convient de noter qu’au niveau technique, Lokad n’a aucun problème à utiliser une “compétition interne” de modèles de prévision, c’est-à-dire un ensemble de modèles où le meilleur est automatiquement sélectionné selon les besoins. Une telle approche est techniquement simple. La raison pour laquelle Lokad évite cette pratique est que les avantages associés aux méta-modèles sont synthétiques (c’est-à-dire visibles dans les références) et ne se traduisent pas par des scénarios de supply chain du monde réel. Notre expérience indique que les méta-modèles ont systématiquement de moins bonnes performances que leurs homologues non composites.

Les méta-modèles reflètent principalement des technologies de prévision obsolètes où une collection de modèles défectueux est assemblée : le premier modèle est mauvais pour la saisonnalité ; le deuxième modèle est mauvais pour les séries temporelles courtes ; le troisième modèle est mauvais pour les séries temporelles erratiques ; etc. La construction d’un méta-modèle donne l’illusion que le modèle a atténué ses défauts constitutifs, cependant, les défauts de chaque modèle réapparaîtront régulièrement car la logique de sélection du modèle lui-même a ses propres limites. Pire encore, les méta-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 concevoir un modèle prédictif aussi simple que possible, mais pas plus simple. Lorsqu’il est conçu avec des technologies de soutien appropriées, comme la programmation différentiable, ce modèle unique traite de l’ensemble de la portée de la supply chain pour l’entreprise cliente, sans avoir besoin de recourir à un mélange de modèles.

Voir aussi Algorithmes et modèles de prévision 1.18 dans cette FAQ.

1.20 Pouvez-vous organiser des tournois de prévision, en sélectionnant automatiquement le meilleur modèle avec la meilleure paramétrisation ? Le faites-vous avec l’apprentissage automatique ?

Oui. Lokad peut le faire, bien que nous ne recommandions pas cette approche. La combinaison de modèles via l’apprentissage automatique (pour créer des “méta-modèles”) ne présente pas d’avantages dans un environnement de production. Nous préconisons plutôt une approche à modèle unique.

Il y a une dizaine d’années, nous utilisions des méta-modèles pour la prévision. Les méta-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 étaient également réalisés à l’aide de techniques d’apprentissage automatique, généralement des forêts aléatoires et des arbres boostés par gradient.

Cependant, malgré l’amélioration des résultats synthétiques par le biais de tests de référence (généralement réalisés avec des tests rétrospectifs), l’approche des méta-modèles dégrade invariablement le(s) résultat(s) réel(s) pour le client. La sélection automatique du modèle entraîne des “sauts” de prévision erratiques lorsque le méta-modèle passe d’un modèle à un autre. L’utilisation de techniques d’apprentissage automatique 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 d’utiliser de telles approches à des fins de production. En particulier, les récentes compétitions de prévision montrent qu’un modèle unique et unifié surpasse les méta-modèles plus complexes, comme le montre la première place de Lokad au niveau SKU dans une compétition mondiale impliquant un ensemble de données Walmart (voir ci-dessous).

Voir aussi Algorithmes et modèles de prévision 1.18 dans cette FAQ.

1.21 Comment vous assurez-vous que des informations plus granulaires pour chaque article/magasin sont utilisées tout en évitant le bruit et le surajustement du modèle ?

Lokad utilise la programmation différentiable pour améliorer la précision des prévisions, une approche qui nous permet d’adapter les modèles aux structures de données spécifiques et de gérer le surajustement en contrôlant l’expressivité du modèle. Cette approche permet de résoudre efficacement le “problème des petits nombres” en incorporant des orientations d’experts minimales (mais cruciales) pour optimiser l’efficacité des données.

Les problèmes de bruit et de surajustement sont les principales motivations pour lesquelles Lokad utilise la programmation différentiable dans ses prévisions. Grâce à la programmation différentiable, les scientifiques de la supply chain de Lokad ont un contrôle total sur la structure même du modèle. La programmation différentiable leur permet de concevoir un modèle qui épouse les données d’entrée (y compris leur structure relationnelle). De plus, la programmation différentiable leur permet de restreindre l’expressivité du modèle afin de maîtriser le surajustement.

La programmation différentiable a été une percée pour Lokad afin de faire face à la “loi des petits nombres” qui régit les supply chains, c’est-à-dire que les prévisions doivent toujours être effectuées au niveau/granularité qui reflète les décisions d’intérêt de la supply chain, telles que “par SKU par jour”. Cependant, ce faisant, les modèles de prévision sont confrontés à des situations où le nombre de points de données pertinents est compté en chiffres simples.

La percée de la programmation différentiable réside dans le fait qu’elle permet à un scientifique de la supply chain (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 des très peu de points de données disponibles. Contrairement aux “systèmes experts” des années 1980, la programmation différentiable nécessite très peu de guidance de la part d’un expert humain, mais cette guidance limitée peut faire toute la différence en termes d’efficacité des données.

2. Gestion et ajustements des prévisions

2.1 Les utilisateurs peuvent-ils visualiser les prévisions ? Peuvent-ils agréger les prévisions à différents niveaux (par exemple, entrepôt, magasin, boutique) ?

Résumé exécutif : Oui, la plateforme de Lokad offre une visualisation robuste des données (en temps constant) pour inspecter et agréger les prévisions à tous les niveaux souhaités.

La plateforme de Lokad offre des capacités étendues de visualisation des données qui peuvent être utilisées pour inspecter les prévisions de séries temporelles. En particulier, il est facile d’agréger les prévisions selon n’importe quelle hiérarchie (par exemple, les emplacements, les régions, les catégories de produits, etc.) et selon n’importe quelle granularité (par exemple, jour, semaine, mois, etc.). De plus, la plateforme de 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 d’une bande passante suffisante pour charger le rapport dans ce délai.

Cependant, cette question suppose implicitement que nous parlons de prévisions de séries temporelles ponctuelles (également appelées prévisions de demande classiques). Bien que la plateforme de Lokad prenne en charge les prévisions de séries temporelles ponctuelles, ces prévisions sont désormais obsolètes pour deux raisons.

Premièrement, les prévisions ponctuelles présentent une seule valeur future comme si c’était LA future (c’est-à-dire exactement ce qui va se passer). À cet égard, elle traite le futur comme le symétrique du passé. Cependant, l’incertitude du futur est irréductible, et le futur, tel qu’il est perçu d’un point de vue de la supply chain et non d’un point de vue de physicien, n’est pas le symétrique du passé. Pour cette raison, il convient de privilégier les prévisions probabilistes, une approche qui considère TOUTES les futures possibles (par exemple, les valeurs de demande) et leur attribue des probabilités. En termes de gestion des risques, cela offre une défense beaucoup plus robuste contre l’incertitude irréductible du futur.

Cependant, bien que les prévisions probabilistes puissent être exprimées à tous les niveaux (par exemple, entrepôt, magasin, produit, etc.), elles ne sont pas additives, du moins pas dans le sens habituel. Ainsi, bien que la plateforme de Lokad offre toutes les capacités de visualisation des données pertinentes pour nos prévisions, ces capacités ne sont généralement pas celles auxquelles les praticiens de la supply chain s’attendent (du moins ceux qui n’ont aucune expérience préalable de la prévision probabiliste).

Deuxièmement, les modèles de prévision des séries temporelles sont souvent inadaptés car la perspective des séries temporelles elles-mêmes est simpliste et ne capture pas l’essence de l’activité. Par exemple, un détaillant B2B peut avoir un mélange de deux types de commandes : des petites commandes que les clients s’attendent à ce qu’elles soient rapidement servies à partir des stocks du détaillant ; et des grandes commandes passées plusieurs mois à l’avance que les clients s’attendent à ce qu’elles soient livrées à temps - précisément parce que la commande a été passée avec autant de marge de manœuvre en premier lieu. Ce schéma, aussi basique soit-il, ne peut pas être traité avec une prévision des séries temporelles. De plus, les schémas qui ne correspondent pas aux prévisions des séries temporelles incluent les expirations de durée de conservation, les cannibalisations, les substitutions, les changements de prix des concurrents, etc.

Plus généralement, les prévisions des séries temporelles sont utiles à des fins de visualisation. Cependant, le modèle de prévision sous-jacent chez Lokad ne sera le plus souvent 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 de prévision doit être géré par les experts par rapport au système/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 principales hypothèses structurelles qui peuvent être faites sur ces données, etc.). Il n’est pas attendu que les experts aient à gérer de manière micro (par exemple, à remplacer manuellement) les prévisions elles-mêmes.

Étant donné que Lokad exploite une technologie prédictive moderne - la programmation différentiable - nos Supply Chain Scientists se concentrent presque exclusivement sur la “structure de haut niveau” du modèle prédictif. Cela va à l’encontre des anciennes technologies (aujourd’hui obsolètes) qui s’attendaient généralement à ce que l’expert les utilisant gère de manière micro les prévisions, en fournissant des informations correctives pour tous les cas particuliers présentés par les modèles. Malheureusement, de telles approches datées se sont toujours révélées trop fastidieuses pour les experts à maintenir sur le long terme. En conséquence, les entreprises qui les utilisaient perdaient généralement leurs experts et devaient ensuite 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 moins de 100 lignes de code. Cette concision est vraie même lorsqu’il s’agit de chaînes d’approvisionnement très complexes. La structure de haut niveau représente le cœur de la compréhension humaine du défi prédictif. Pendant ce temps, le(s) processus chargé(s) d’apprendre les paramètres du modèle restent entièrement automatisés. Cela se fait en exploitant les données d’entrée (généralement les données historiques) ainsi que d’autres sources de données (par exemple, les campagnes marketing à venir).

2.3 Les prévisions peuvent-elles être ajustées/modifiées manuellement ?

Résumé exécutif : Oui. Bien que la plateforme de Lokad prenne en charge les ajustements manuels des prévisions, cela est inutile étant donné que les prévisions probabilistes elles-mêmes sont conçues pour tenir compte du risque et de l’incertitude - généralement les principes fondamentaux derrière les remplacements manuels en premier lieu.

La plateforme de Lokad offre des capacités de programmation étendues, il est donc facile de prendre en charge des capacités 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 de la prévision probabiliste avancée de Lokad élimine largement le besoin de micro-gestion des prévisions. En fait, chez Lokad, le besoin d’une telle micro-gestion a disparu il y a une décennie.

Les corrections manuelles des prévisions sont généralement destinées à atténuer les risques de manière indirecte. 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 il s’attend 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 est inutile de tenter de diriger la prévision probabiliste pour réduire les risques, car les décisions sont intrinsèquement conçues pour être ajustées en fonction du risque.

De plus, les corrections manuelles des prévisions sont souvent destinées à atténuer les situations de forte incertitude. Cependant, les prévisions probabilistes sont conçues pour embrasser et quantifier l’incertitude. Ainsi, les prévisions probabilistes reflètent déjà la ou les zones d’incertitude élevée, et les décisions ajustées en fonction du risque sont prises en conséquence.

Fondamentalement, il est inutile de chercher à corriger manuellement des prévisions “incorrectes”. Si les prévisions sont prouvées moins précises qu’elles ne devraient l’être, alors la recette numérique générant les prévisions doit être corrigée. Si les prévisions sont modifiées pour des raisons qui ne concernent pas la précision, alors ce sont les calculs en aval qui doivent être ajustés. De toute façon, l’ajustement manuel des 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 des algorithmes et des techniques de prévision courants et avancés, selon les besoins.

La plateforme de Lokad est programmatique, ce qui est un citoyen de première classe dans notre technologie et est livré via Envision - le DSL (langage de programmation spécifique au domaine) développé par Lokad pour l’optimisation prédictive des supply chains. Grâce à Envision, tous les algorithmes de prévision courants (et leurs variantes) peuvent être réimplémentés. De plus, Envision prend également en charge quelques algorithmes de prévision encore peu courants, y compris des techniques basées 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 fournit un environnement d’exécution sûr, fiable et évolutif pour prendre en charge de tels algorithmes. La mise en œuvre des algorithmes (généralement appelés “recettes numériques”) est généralement réalisée par les Supply Chain Scientists de Lokad. Cependant, si l’entreprise cliente dispose de talents internes en science des données, ces employés peuvent également utiliser la plateforme Lokad à cette fin.

De plus, la plateforme Lokad offre un environnement de développement intégré (IDE) complet pour créer de tels algorithmes développés par l’utilisateur. Cette fonctionnalité est essentielle 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 sujet, la plateforme Lokad offre des garanties “par conception” étendues pour éliminer complètement certaines classes de problèmes lors de la promotion des algorithmes du statut de 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 fait la solution pour arriver à une prévision ou à une commande d’achat afin que l’utilisateur puisse comprendre, interroger et l’expliquer à d’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 principaux indicateurs et décisions pour le client. Ces tableaux de bord sont élaborés en collaboration avec les clients de manière à ce qu’ils puissent rapidement et facilement les comprendre. Pour des points plus complexes, les Supply Chain Scientists de Lokad sont chargés à la fois de concevoir et d’expliquer les algorithmes (“recettes numériques” - les éléments qui génèrent les prévisions et les décisions de la supply chain) et leurs résultats aux clients. Ces experts sont formés pour fournir des informations pertinentes sur le business, l’économie et la science des données aux clients afin de les aider à comprendre ce qui se passe “en coulisses”.

Le Supply Chain Scientist, employé par Lokad, est la personne qui rédige la recette numérique (algorithme) qui soutient le modèle prédictif (et donc son processus de prise de décision). Le Supply Chain Scientist est personnellement responsable de la défense et de l’explication de l’adéquation 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 a un copilote humain (le Supply Chain Scientist). Ce n’est pas un “système” impersonnel qui est responsable d’une prévision ou d’une décision ; il s’agit d’un ensemble de recettes numériques qui sont sous le contrôle direct d’un Supply Chain Scientist nommé. Cette responsabilité comprend la “mise en boîte blanche” 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 tels que le backtesting pour soutenir et démontrer leur analyse. Cependant, et surtout, ils prennent des décisions éclairées sur les hypothèses qui entrent dans leurs recettes numériques (telles que les contraintes et les facteurs pertinents). En fin de compte, l’“adéquation” d’une recette numérique dépend de la mesure dans laquelle elle reflète l’intention de l’entreprise, et c’est quelque chose que le Supply Chain Scientist établit grâce à une inspection minutieuse de la situation de la supply chain du client (ainsi qu’à une consultation avec le client).

Consultez notre Vidéo de compte de démonstration public 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 divisée en articles définis et en nomenclatures (Bills of Materials - BOM) ?

Oui, Lokad peut fournir des prévisions à n’importe quel niveau. Cela est dû aux capacités programmatiques étendues de notre modélisation probabiliste. Nous pouvons diviser la prévision entre les articles définis et les nomenclatures, ainsi que faire face aux situations où les articles peuvent être consommés soit dans le cadre des nomenclatures, soit vendus indépendamment.

De plus, lorsque des nomenclatures (Bills of Materials - BOM) sont présentes, nous prévoyons non seulement la demande pour les articles internes, mais nous optimisons également les décisions de la supply chain pour refléter le fait que des assemblages distincts entrent en concurrence pour les mêmes pièces internes. Autrement dit, des situations où les nomenclatures respectives se chevauchent. Cette optimisation peut conduire à refuser de vendre une pièce “isolée” si cette pièce met en danger la disponibilité de nomenclatures plus grandes et plus 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 la recette numérique comprend une étape d’ajustement dédiée à l’identification d’une valeur de méta-paramètre adéquate. Dans les deux cas, l’algorithme (alias “recette numérique”) peut être exécuté sans surveillance.

Lokad utilise beaucoup moins de méta-paramètres par rapport à la plupart des autres solutions concurrentes. Cela est dû au fait que la programmation différentiable, la préférence de Lokad à cet égard, est un paradigme général de réglage des paramètres. Ainsi, lorsque la programmation différentiable est disponible, la plupart des paramètres sont appris. La technologie est extrêmement puissante lorsqu’il s’agit d’apprendre toutes sortes de paramètres, pas seulement les paramètres “traditionnels” (par exemple, les coefficients de saisonnalité).

En conséquence, du point de vue de Lokad, la plupart des valeurs qui seraient considérées comme des “méta-paramètres” par nos pairs sont simplement des “paramètres réguliers” qui ne nécessitent pas une attention spécifique. En règle générale, la plupart des modèles prédictifs utilisés en production par Lokad ont très peu de méta-paramètres (moins de 10). Nos clients ne sont généralement jamais tenus d’affiner ces chiffres, 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 points forts de la programmation différentiable, l’approche technologique privilégiée par Lokad pour la modélisation prédictive. La programmation différentiable est un paradigme programmatique, donc l’inclusion d’une variable explicative est une évidence. Mieux encore, le mécanisme de causalité est réifié dans le modèle ; il est accompagné de ses propres paramètres “nommés”. Ainsi, les prévisions non seulement tirent parti de la variable causale, mais elles le font de manière à ce qu’elles puissent être auditées et étudiées par les 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 des prix peut être tracée et étudiée. Ce résultat peut, à lui seul, être d’un intérêt primordial pour l’entreprise. Si l’entreprise est un réseau de magasins de détail, cela peut être utilisé pour orienter les événements de liquidation dans les magasins qui réagissent le plus fortement aux remises. Cela peut minimiser le volume total de remises nécessaires pour liquider complètement les stocks vieillissants.

2.9 Le produit est-il capable d’expérimentation de prévisions et de développement et/ou de personnalisation d’algorithmes ?

Oui. Nos Supply Chain Scientists expérimentent régulièrement avec des modèles de prévision, ce qui permet de développer de nouveaux algorithmes et d’adapter davantage les anciens algorithmes. Cela est possible car la plateforme de Lokad est programmatique et dispose d’un DSL (langage de programmation spécifique au domaine) flexible appelé Envision, qui a été spécialement conçu 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 une solution de contournement pour faire face aux limites de la technologie de prévision. Au contraire, c’est la façon prévue d’utiliser la solution de Lokad en premier lieu. Cette approche permet d’obtenir non seulement des résultats supérieurs en termes de précision des prévisions, mais aussi des résultats beaucoup plus adaptés à la production que les approches “packagées” alternatives.

Nous ne nous plaignons pas des “mauvaises données” ; les données sont simplement ce qu’elles sont. Nos Supply Chain Scientists tirent le meilleur parti de ce qui est disponible. Ils quantifient également, en euros ou en dollars (ou toute autre devise souhaitée), les avantages de l’amélioration des données afin que l’entreprise puisse identifier les améliorations des données qui génèrent les plus grands rendements. L’amélioration des données est un moyen, pas une fin en soi. Nos Supply Chain Scientists fournissent des conseils lorsque l’investissement supplémentaire n’en vaut tout simplement pas les avantages attendus de la supply chain.

2.10 Est-il possible d’itérer et de peaufiner l’ingénierie des caractéristiques sous-jacentes à la prévision ?

Oui.

Les Supply Chain Scientists de Lokad ajustent régulièrement les caractéristiques qui entrent 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 appelé Envision, qui a été spécialement conçu pour l’optimisation prédictive de la supply chain.

Il convient cependant de noter que, au cours de la dernière décennie, l’ingénierie des caractéristiques (en tant que technique de modélisation) est en baisse. En fait, elle est progressivement remplacée par l’ingénierie de l’architecture du modèle. En bref, au lieu de modifier la caractéristique pour mieux s’adapter au modèle, le modèle est modifié pour mieux s’adapter à la caractéristique. La programmation différentiable, l’approche privilégiée de Lokad pour la modélisation prédictive, prend en charge à la fois l’ingénierie des caractéristiques et l’ingénierie de l’architecture. Cependant, cette dernière est généralement plus adaptée dans la plupart des situations.

Voir aussi Gestion et ajustement des prévisions 2.9 dans cette FAQ.

3. Précision des prévisions et mesure des performances

3.1 Quelle est l’opinion de votre organisation sur la performance des prévisions et comment mesurer la performance des prévisions ?

La précision des prévisions doit être mesurée en dollars ou en euros (ou dans la devise souhaitée par le client) de l’impact. Cela fait référence au retour sur investissement (ROI) des décisions prises sur la base des prévisions. Mesurer les points de pourcentage d’erreur 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 de livraison, les retours, les prix des matières premières, etc. Ce sont tous des facteurs qui varient et doivent être prévus, tout comme la demande future.

Les métriques traditionnelles telles que le MAPE (erreur de pourcentage absolue moyenne), le MAE (erreur absolue moyenne), le MSE (erreur quadratique moyenne), etc., sont des métriques techniques qui peuvent être intéressantes pour un Supply Chain Scientist, mais, d’un point de vue de la supply chain, elles sont fondamentalement à la fois aveugles et trompeuses. Les détails de cet argument peuvent être trouvés dans la conférence publique de Lokad sur l’optimisation expérimentale.

Ainsi, ces métriques ne doivent pas être communiquées à l’ensemble de l’organisation, car cela ne ferait qu’engendrer confusion et frustration. Au contraire, il est généralement facile de rendre les prévisions plus précises - au sens statistique - tout en dégradant la qualité de service perçue par les clients et en augmentant les coûts opérationnels pour les fournisseurs (qui se vengent en augmentant leurs prix).

Les métriques de prévision ne sont importantes que lorsqu’elles soutiennent la prise de meilleures décisions en matière de supply chain. En ce qui concerne Lokad, générer les quantités de réapprovisionnement, de production, d’expédition, les prix, etc. les plus financièrement sensées sont les détails sur lesquels il convient de se concentrer. Tout le reste, y compris l’erreur de prévision isolée, est accessoire par rapport à la préoccupation principale de maximiser le retour sur investissement.

Voir aussi Prévision du délai de livraison.

3.2 Comment mesurez-vous la performance des prévisions par rapport aux ventes réelles ?

Si le modèle prévoit des “ventes”, alors mesurer la précision de la “prévision des ventes” est simple : l’une des indicateurs habituels, comme le MAE (erreur absolue moyenne), fonctionnera. Cependant, le problème est que la plupart des entreprises veulent prévoir la “demande”, pas les ventes. Cependant, les données de ventes historiques sont un proxy imparfait de la demande historique. Les ruptures de stock et les promotions (et éventuellement les actions des concurrents) faussent les ventes historiques.

Ainsi, le défi consiste à établir la “demande” d’origine alors que les données historiques ne reflètent que les ventes historiques. À cette fin, Lokad utilise diverses techniques. En effet, la nature de la distorsion entre les ventes (observées) et la demande (cachée) varie considérablement en fonction du type d’entreprise considéré. Les cannibalisations et les substitutions compliquent encore davantage la situation.

La plupart des techniques de Lokad abandonnent les modèles de séries temporelles qui, par conception, ne peuvent appréhender les informations nécessaires. En fait, la plupart du temps, les données de ventes sont “enrichies” avec des informations supplémentaires (comme les événements de rupture de stock) qui peuvent être exploitées pour obtenir un meilleur modèle de la demande cachée. Cependant, ces informations supplémentaires ne s’intègrent généralement pas dans le paradigme (simpliste) des séries temporelles. La prétendue sophistication des modèles de séries temporelles est sans importance si les données requises existent en dehors de leur paradigme de fonctionnement (c’est-à-dire ne peuvent pas être capturées ou exprimées par eux).

Voir Modélisation prédictive structurée pour la supply chain pour en savoir plus à ce sujet.

3.3 Fournissez-vous des rapports sur la précision des prévisions ? Fournissez-vous une perspective sur l’erreur de prévision projetée ?

Résumé exécutif : Oui. Pour simplifier, la plateforme de Lokad peut exprimer ses prévisions probabilistes (et donc l’erreur) sous forme de graphique intuitif. Il s’agit d’un graphique de séries temporelles traditionnel où l’erreur de prévision (“incertitude”) augmente avec l’horizon temporel. Ce graphique de l’effet fusil de chasse permet de visualiser comment la plage de valeurs potentielles (par exemple, la demande) s’élargit à mesure que l’on regarde plus loin dans le futur. Ces rapports sont disponibles pour les clients à tout moment dans leur compte Lokad.

La moitié du défi pour améliorer la précision d’un modèle prédictif consiste à créer des instruments de reporting adéquats. Cette tâche est réalisée par les Supply Chain Scientists de Lokad. Comme Lokad utilise des prévisions probabilistes, l’erreur projetée présente généralement un “effet fusil de chasse” où l’erreur de prévision attendue augmente régulièrement avec l’horizon de prévision. Ces rapports sont accessibles par l’entreprise cliente dans la plateforme Lokad.

Cependant, dans le cadre des prévisions probabilistes, la “précision des prévisions” est largement reléguée à une technicité de second ordre. Dans cette approche, l’objectif principal est de produire des décisions financières ajustées au risque qui tiennent compte de l’ensemble des moteurs économiques et des contraintes des clients, tout en reflétant la grande incertitude des valeurs futures (comme la demande ou les délais de livraison). Par exemple, si l’incertitude est particulièrement élevée, les décisions correspondantes sont généralement plus conservatrices. Il est donc déconseillé de mesurer la précision des prévisions probabilistes de manière isolée ; il convient plutôt d’examiner le retour sur investissement associé aux décisions ajustées au risque générées à l’aide des prévisions probabilistes.

Avec les prévisions classiques (également appelées prévisions déterministes, par opposition aux prévisions probabilistes), presque chaque inexactitude de prévision se transforme en décisions coûteuses et mauvaises pour le client. C’est pourquoi les entreprises sont si déterminées à “corriger” leurs prévisions. Pourtant, cinq décennies après la création des techniques modernes de prévision statistique des séries temporelles, les entreprises sont encore loin d’avoir des prévisions “précises”. Chez Lokad, nous ne croyons pas qu’une technique de prévision “super précise” soit imminente. Nous pensons que l’incertitude de l’avenir est en grande partie irréductible. Cependant, en combinant des prévisions probabilistes avec des décisions ajustées au risque, les conséquences négatives de la grande incertitude sont largement atténuées.

En conséquence, la précision des prévisions cesse de susciter l’intérêt de quiconque, sauf des experts techniques qui traitent du modèle prédictif lui-même. Les enjeux ne sont tout simplement plus assez élevés pour le reste de l’organisation.

3.4 Quel est le pourcentage attendu de prévisions automatisées et précises ?

100 %, si l’on définit “précis” comme suffisamment bon pour orienter des décisions logistiques pertinentes. Cela ne signifie pas que chaque prévision est précise. Au contraire, grâce à la prévision probabiliste, Lokad intègre l’incertitude irréductible de l’avenir. Fréquemment, l’incertitude est élevée, et par conséquent, les prévisions probabilistes sont très dispersées. En conséquence, les décisions ajustées au risque qui sont générées sur la base de ces prévisions sont très prudentes.

Contrairement à de nombreuses solutions technologiques obsolètes, Lokad considère chaque prévision (probabiliste) qui ne peut pas être utilisée à des fins de production comme un défaut logiciel qui doit être corrigé. Nos Supply Chain Scientists sont là pour s’assurer que tous ces défauts sont corrigés bien avant d’aller en production. Notre délai de résolution de cette classe de problème est généralement à mi-chemin de la phase d’intégration.

D’autre part, les prévisions classiques (également appelées prévisions “déterministes”) causent invariablement des ravages lorsqu’elles sont inexactes, car des décisions logistiques aberrantes sont prises sur la base de ces prévisions. En revanche, les prévisions probabilistes intègrent leur propre quantification de l’incertitude attendue. Lorsque les volumes de demande sont faibles et erratiques, les prévisions probabilistes reflètent la grande incertitude intrinsèque de la situation. Le calcul des décisions ajustées au risque de Lokad dépend beaucoup de la capacité à évaluer les risques en premier lieu. C’est précisément pour cela que les prévisions probabilistes sont entièrement 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 programmable et il est facile de suivre toutes les métriques habituelles telles que le MAPE, le MEP, le 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 le MAPE pondéré, le MAE pondéré, etc., où les schémas de pondération dépendent de règles commerciales spécifiques.

Lokad peut collecter et consolider les métriques pertinentes/préférées au fil du temps à mesure que de nouvelles prévisions sont générées. Nous pouvons également régénérer les métriques en “rejouant” les données historiques (c’est-à-dire en effectuant des tests rétrospectifs), si l’entreprise cliente souhaite évaluer les performances statistiques attendues d’un modèle de prévision révisé.

Cependant, les métriques mentionnées ci-dessus sont toutes liées à des prévisions classiques (également appelées prévisions déterministes). Les prévisions déterministes doivent être considérées comme obsolètes à des fins de supply chain car elles ne sont pas conçues (ou capables) de faire face à l’incertitude associée aux valeurs futures (telles que la demande ou les délais de livraison). Elles visent à identifier une seule 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 de séries temporelles ignorent.

3.6 Pouvez-vous comparer plusieurs scénarios en utilisant des métriques définies par l’utilisateur (telles que le chiffre d’affaires, le profit, le coût, le risque, etc.) ?

Oui.

La plateforme de Lokad est programmable, ce qui lui permet d’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 de la supply chain sont modifiées (au-delà de l’inflation/déflation de la demande et des délais de livraison, par exemple). Cela permet à Lokad d’améliorer la gestion des risques, la planification stratégique et la prise de décision en se préparant à diverses situations et résultats potentiels de la supply chain.

Il convient de noter que les capacités de gestion typiques des “scénarios” sont obsolètes du point de vue de Lokad. Étant donné que Lokad utilise des modèles prédictifs probabilistes, en un sens, chaque décision de la 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 au-delà des variations, généralement plus alignés sur ce que les praticiens appelleraient “la conception de la supply chain”, tels que la modification de la topologie du réseau, de la capacité du réseau, de l’emplacement des fournisseurs, etc.

3.7 Suivez-vous et surveillez-vous l’exactitude des prévisions et les erreurs 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 l’exactitude prédictive pour toutes les prévisions, y compris les prévisions de demande, de délai de livraison, de retours, etc.

La qualité de tous les modèles prédictifs dépend de l’horizon. En général, plus la prévision est éloignée, plus l’incertitude est grande. La plateforme de Lokad a été conçue pour faciliter le suivi d’une grande variété de métriques en tenant compte de l’horizon/retard applicable. Ce principe s’applique non seulement aux prévisions de demande, mais à toutes les prévisions, y compris les prévisions de délai de livraison, les prévisions de retours, etc.

Il convient également de noter que les prévisions probabilistes fournissent une évaluation quantitative directe de l’incertitude qui augmente avec l’horizon. Ainsi, l’erreur croissante dépendante de l’horizon n’est pas seulement mesurée, mais également prédite. Comme les décisions d’optimisation de la supply chain effectuées par Lokad sont ajustées en fonction des risques, nos décisions reflètent automatiquement le risque supplémentaire associé aux décisions qui dépendent de prévisions à plus long terme (par rapport aux prévisions à plus court terme).

3.8 Pouvez-vous agréger les données au niveau du produit/succursale pour valider la prévision statistique ?

Oui, Lokad suit les erreurs prédictives et les biais à de nombreux niveaux, y compris les niveaux hiérarchiques pertinents (par exemple, par produit, par succursale, 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.

Plus généralement, du côté de la validation, comme 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 la métrique 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 méticuleusement des tableaux de bord de “santé des données” pour chaque projet client. Ces tableaux de bord de santé des données sont conçus pour identifier automatiquement tout problème de données. De plus, ces tableaux de bord identifient la criticité du problème et le responsable du problème.

La criticité du problème détermine s’il est acceptable ou non de générer des décisions de supply chain basées sur les données où le problème est présent. Parfois, cela signifie restreindre les décisions acceptables à un sous-ensemble au sein de l’entreprise cliente qui est considéré comme “sûr” par rapport au problème. En réalité, s’attendre à un ensemble de données exempt de problèmes à 100 % n’est généralement pas réaliste lorsqu’il s’agit d’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 l’imperfection ne compromet pas la cohérence des décisions de la supply chain.

Le responsable du problème définit qui est responsable de la résolution du problème. Selon le type de problème, le problème peut provenir de différents endroits au sein de l’entreprise cliente. Par exemple, des données historiques tronquées sont très probablement un problème pour le service informatique, tandis que des marges brutes négatives (c’est-à-dire que le prix de vente est inférieur au prix d’achat) relèvent de la responsabilité des services d’approvisionnement ou des ventes.

Identifier des 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 les technologies logicielles peuvent offrir. Cependant, une fois qu’un problème donné est identifié, un Supply Chain Scientist peut automatiser les détections futures. En pratique, nos Supply Chain Scientists mettent en œuvre de manière proactive le type d’erreurs le plus fréquent dans le cadre de la première version des tableaux de bord de “santé des données”.

Voir Santé des données dans Le pipeline d’extraction de données pour en savoir plus sur la santé des données.

4.2 Nettoyez-vous automatiquement les données historiques ?

Résumé exécutif : Oui, dans le sens où Lokad ne s’attend pas à ce que notre(s) client(s) 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 sans surveillance avec tous les processus entièrement automatisés.

Lokad nettoie rarement les données historiques ; du moins, pas dans le sens habituel. Il existe plusieurs 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 pour maintenir les prévisions cohérentes.

Cela reflète les limites de l’approche des 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 réside dans les données historiques, alors que la cause profonde est 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 des séries temporelles. Grâce à la programmation différentiable, nous pouvons traiter tout type de données relationnelles, au lieu d’être limités à une “série temporelle”. Cela signifie que tous les facteurs causaux (par exemple, les prix, les stocks, les événements, etc.) qui sous-tendent la demande ou le délai de livraison 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 sont irréelles (personne ne saura jamais avec certitude quelle aurait été la valeur de la demande si la rupture de stock ne s’était pas produite).

De temps en temps, les données commerciales (historiques ou non) nécessitent des corrections. Lokad tente de fournir ces corrections automatiquement chaque fois que possible, en utilisant éventuellement l’apprentissage automatique en fonction du scénario. Par exemple, la matrice de compatibilité mécanique entre les voitures et les pièces peut être automatiquement améliorée avec une méthode d’apprentissage semi-supervisé (voir Optimisation des prix pour l’après-marché automobile).

4.3 Autorisez-vous les utilisateurs à nettoyer manuellement les données historiques ?

Oui, si le client le souhaite, Lokad peut fournir un flux de travail à cette fin. 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 (“recettes numériques”) qui fonctionnent avec les données telles qu’elles existent. Pour nous, le nettoyage manuel des données par le client est l’exception, pas la norme.

Voir également Gestion et nettoyage des données 4.2 dans cette FAQ.

4.4 Comment les données seront-elles nettoyées, gérées et entretenues pour éviter les erreurs de modèle inutiles ?

Les Supply Chain Scientists de Lokad sont responsables de la configuration 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 met en place les instruments (par exemple, des tableaux de bord dédiés) pour surveiller les données brutes d’entrée et les données préparées afin de s’assurer que les décisions de la supply chain générées par Lokad sont fiables.

De nombreuses solutions alternatives ne considèrent que le problème à travers le prisme de la préparation des données, où toute sortie incorrecte doit être corrigée en ajustant l’entrée. De telles solutions ne sont pas programmables, donc les modèles de base ne peuvent pas être modifiés, seules leurs entrées peuvent l’être. Cependant, Lokad adopte une approche technologique différente. Nous soutenons une technologie prédictive programmable (via la programmation différentiable). Ainsi, lorsque nous sommes confrontés à des sorties inappropriées (c’est-à-dire de mauvaises décisions de la supply chain), nous pouvons soit corriger 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 décevants.

Voir également Gestion et nettoyage des données 4.2 dans cette FAQ.

Voir également Le pipeline d’extraction de données pour plus d’informations sur le transfert automatisé des données entre les clients et Lokad.

4.5 Gérez-vous et maintenez-vous les données de référence (pour soutenir les efforts de prévision) ?

Oui, si cela est demandé par l’entreprise cliente.

Cependant, nous recommandons vivement de ne pas utiliser la plateforme de Lokad à cette fin. À notre avis, les outils analytiques (comme Lokad) doivent être strictement dissociés des outils de saisie de données, tels qu’un système de gestion des données de référence.

En règle générale, pour éviter de s’enfermer chez un fournisseur, nous suggérons d’éviter les outils logiciels d’entreprise tout-en-un. Les exigences de conception pour la gestion des données de référence sont totalement différentes de celles de l’analyse prédictive. La plateforme de Lokad pourrait être un bon gestionnaire de données de référence, mais elle ne sera jamais excellente (notre conception repose trop sur l’analyse prédictive), et inversement, la plupart des gestionnaires de données de référence sont absolument terribles pour l’analyse.

4.6 Les utilisateurs peuvent-ils télécharger des données de ventes et de marketing (y compris des plans/analyses futurs) ?

Oui.

La plateforme de Lokad est capable de recevoir et de traiter plusieurs sources de données, dans de nombreux formats, y compris des feuilles de calcul Excel. Notre plateforme est également capable de traiter les données telles qu’elles sont stockées dans les divisions des ventes et du marketing (c’est-à-dire à la granularité à laquelle elles sont stockées).

Les équipes de vente et de marketing fournissent rarement des données organisées au niveau du SKU, voire même du SKU x Emplacement, notre niveau de granularité préféré. Compte tenu de cette limitation, la plateforme de Lokad est conçue pour exploiter les données d’entrée (par exemple, des ventes et du marketing) qui sont à des niveaux de granularité différents des prévisions de sortie prévues (par exemple, SKU x Emplacement).

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 délai de livraison, 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 les performances quotidiennes de la plateforme (par exemple, les calculs et les affichages du tableau de bord ne ralentissent pas en raison de l’archivage des données).

L’ingénierie de la plateforme Lokad diffère considérablement des solutions alternatives qui sont sévèrement pénalisées, soit en termes de coûts, soit en termes de performances (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 fonctionnement de la solution. Ce n’est pas le cas avec Lokad. Même en tenant compte des entreprises clientes à grande échelle, conserver des archives de plusieurs années n’est généralement pas un problème.

4.8 Archivez-vous les saisies/manipulations manuelles afin d’analyser l’impact des ajustements sur les mesures de demande ?

Oui. Lokad archive toutes les saisies manuelles, y compris les téléchargements de fichiers Excel. Lorsque des saisies 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 généralement effectué par les Supply Chain Scientists de Lokad.

La plateforme de Lokad dispose de fonctionnalités de versioning complètes pour les données et le code/scripts. Cela est essentiel car nous devons nous assurer, lors des tests rétrospectifs, que les données commerciales “normales” (généralement les données historiques obtenues à partir des systèmes commerciaux) utilisées conjointement avec les saisies manuelles sont exactement les mêmes qu’au moment où les saisies manuelles ont été fournies initialement.

Les données commerciales sont généralement actualisées automatiquement. Cependant, l’utilisation de la dernière version des données commerciales 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 peut-être évolué depuis le moment où la saisie manuelle a été effectuée. En fait, la saisie manuelle peut avoir été effectuée pour pallier un défaut dans le code prédictif qui a depuis été résolu.

La plateforme de Lokad couvre également ces situations, évitant ainsi des conclusions incorrectes. Considérez des situations où les saisies manuelles sont ultérieurement évaluées comme “incorrectes” alors qu’en réalité, elles étaient pertinentes lorsqu’on considère les conditions exactes au moment où les saisies manuelles ont été fournies initialement.

5. Classification et regroupement des produits

5.1 Identifiez-vous les produits à faible rotation et les modèles de demande irréguliers ?

Résumé exécutif: Oui, la technologie prédictive de Lokad fournit une caractérisation quantitative très approfondie de tous les SKUs d’intérêt.

En particulier, l’approche de prévision probabiliste de Lokad est bien adaptée pour traiter les modèles de demande intermittente et erratique. En évaluant les probabilités d’événements rares, Lokad peut identifier la “lumpiness” de la demande, ce qui reflète généralement des consommateurs individuels achetant de nombreuses unités à la fois. Par exemple, un client achète l’intégralité du stock disponible d’interrupteurs (identiques) dans un magasin de bricolage, ce qui entraîne une rupture de stock au niveau du SKU.

La programmation différentiable, le paradigme d’apprentissage automatique de Lokad, est idéale pour faire face à la “loi des petits nombres” qui caractérise la plupart des situations de la supply chain. Les produits à faible rotation, par conception, sont accompagnés de très peu de points de données. De même, les pics de demande irrégulière sont également, par conception, rares. Ainsi, l’efficacité des données du modèle prédictif est primordiale. À cet égard, la programmation différentiable est supérieure aux alternatives en ce qu’elle permet de refléter des idées de haut niveau fournies par la structure même du modèle.

Les solutions alternatives échouent généralement en présence de produits à faible rotation et de modèles de demande irréguliers. Les prévisions classiques (c’est-à-dire les prévisions non probabilistes) ne peuvent pas prendre en compte les produits à faible rotation sans recourir à une demande fractionnaire qui n’est pas “réelle”. Cette demande fractionnaire (par exemple, 0,5 unités), bien que “mathématiquement” correcte, n’est pas une manière viable de prendre des décisions sensées en matière de supply chain, car il est naturel de commander des nombres entiers d’unités.

De même, les prévisions classiques ne peuvent pas refléter mathématiquement la “lumpiness” de la demande.

Par exemple, une prévision probabiliste peut indiquer qu’une librairie vend 1 unité par jour (en moyenne), composée d’un mélange de 1 professeur achetant en moyenne 20 livres par mois, plus 1 étudiant achetant 1 livre tous les 2 jours (en moyenne).

Ces informations seront reflétées dans la distribution de probabilité de la demande du modèle. Cependant, pour une prévision classique basée sur des séries temporelles, il n’est pas possible de transmettre la réalité nuancée de la demande, telle que les achats en vrac sporadiques. Elle ne prédirait qu’une demande moyenne de 1 livre par jour, ne parvenant pas à capturer le véritable modèle de demande et donc à déformer la véritable nature des ventes. Cela limite considérablement la possibilité de prendre des décisions financièrement sensées en matière de stocks.

5.2 Identifiez-vous les stocks à rotation lente ou obsolètes et fournissez-vous des recommandations pour “conserver ou vendre” ?

Oui. Lokad identifie les stocks à rotation lente en utilisant des prévisions probabilistes, permettant de prendre des décisions précoces et ajustées au risque pour atténuer les risques de surstock et de stocks morts. Les recommandations vont au-delà de “conserver ou vendre”, y compris des remises, des relocalisations et des ajustements pour éviter la cannibalisation.

L’identification des références à rotation lente ou obsolètes (en termes de demande) est réalisée à l’aide de prévisions de demande probabilistes. 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 prendre des décisions ajustées au risque en les combinant avec nos capacités d’optimisation stochastique. Ainsi, les risques de stocks sont quantifiés pour toutes les références à toutes les étapes de leur cycle de vie. Cette conception est essentielle car elle nous permet d’identifier le plus tôt possible (et de résoudre) la plupart des situations de stocks avant qu’elles ne deviennent problématiques.

Enfin, Lokad ne se limite pas à de simples recommandations de “conserver ou vendre”. Nous pouvons fournir à nos clients des recommandations reflétant tout le spectre des options disponibles. Par exemple, Lokad peut recommander des remises ou des promotions pour aider à liquider le stock. Nous pouvons également recommander de déplacer le stock ailleurs si d’autres canaux présentent une forte demande. Nous pouvons recommander de mettre temporairement en pause ou de rétrograder un autre produit qui cannibalise accidentellement la demande d’une autre référence.

En résumé, les Supply Chain Scientists de Lokad sont là pour s’assurer que rien n’est laissé au hasard avant de déclarer qu’un stock est “mort”.

Voir aussi Classification et regroupement des produits 5.1 dans cette FAQ.

5.3 Permettez-vous aux utilisateurs de gérer des flux de travail de données produits hiérarchiques (du haut vers le bas, du milieu vers l’extérieur et du bas vers le haut) ?

Oui. Étant donné que la plateforme Lokad est programmable, nous pouvons répondre à tout flux de travail raisonnablement bien spécifié pour nos clients. Les exemples incluent tout flux de travail opérant le long des hiérarchies de produits existantes du client.

À notre avis, le retour sur investissement (ROI) du client pour permettre à ses employés 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 la supply chain qui doivent être corrigés de l’intérieur vers l’extérieur, en exploitant autant d’automatisation que possible.

La plateforme de Lokad offre des capacités étendues pour visualiser les données le long de 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 supplémentaires. Cependant, l’utilisation de ces capacités pour un “flux de travail” est généralement malavisée (bien que simple pour Lokad). Nous recommandons plutôt de modifier directement les recettes numériques sous-jacentes (code) utilisées par Lokad afin d’éliminer la nécessité pour les praticiens de la supply chain de gérer les flux de travail.

De nombreuses solutions alternatives ne disposent pas de capacités programmables. Par conséquent, lorsqu’un défaut est identifié, il n’y a généralement pas d’autre option que d’attendre la prochaine version du logiciel (éventuellement dans plusieurs années) ou d’opter pour la personnalisation - une voie qui pose généralement problème, car l’entreprise cliente se retrouve avec un produit logiciel non maintenu.

5.4 Permettez-vous aux utilisateurs d’organiser des éléments liés de manière hiérarchique et de les regrouper en fonction de divers facteurs ?

Oui.

La plateforme de Lokad offre des capacités étendues qui permettent aux utilisateurs de regrouper des éléments (par exemple, des SKU, des produits, des clients, des fournisseurs, des emplacements, etc.) selon toute une gamme de facteurs - y compris des saisies manuelles.

Étant donné que la plateforme de Lokad est programmable, tant que le critère de regroupement ou de proximité peut être exprimé numériquement, il est facile de regrouper les éléments du client en conséquence. Cette tâche est effectuée par les Supply Chain Scientists de Lokad.

À ce sujet, la plateforme de Lokad peut également exploiter les relations entre les éléments liés de manière hiérarchique à des fins prédictives ou d’optimisation. En particulier,

La plateforme de Lokad adopte une perspective relationnelle pour tous ses outils numériques. La perspective relationnelle va au-delà des séries temporelles et des graphiques en combinant à la fois des données relationnelles et hiérarchiques. Cette perspective relationnelle imprègne nos outils, y compris nos outils d’apprentissage automatique. Cet aspect est essentiel pour exploiter les relations disponibles au-delà de simples fins d’affichage.

5.5 Quel type de classification de produits proposez-vous (ABC / XYZ…) basée sur les données de ventes historiques ?

Résumé exécutif : Lokad peut proposer des classifications de produits ABC et ABC XYZ flexibles, en s’adaptant aux variations et aux exclusions, si le client le souhaite. Cependant, nous considérons ces classifications (et leurs contemporains) comme dépassées. La position de Lokad est que la gestion moderne de la supply chain devrait se concentrer sur des informations exploitables qui conduisent à des décisions ajustées en fonction des risques, plutôt que de s’appuyer sur des outils de catégorisation simplistes.

La plateforme de Lokad prend en charge tous les schémas de classification courants, y compris ABC et ABC XYZ Analysis, etc. Comme la plateforme de Lokad est programmable, il est également facile de prendre en compte toutes les variations subtiles qui existent tout en définissant soigneusement de telles classes (par exemple, des règles d’exclusion subtiles). Cependant, les classifications de produits (comme celles énumérées ci-dessus) sont une approche technologiquement obsolète des problèmes et de l’optimisation de la supply chain.

Certains fournisseurs de logiciels de supply chain, en particulier ceux qui proposent 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 atténuer les nombreux défauts de la solution logicielle que le client utilise déjà, traitant ainsi les symptômes mais pas la cause du ou des problèmes. Ces outils sont utilisés comme des mécanismes de priorisation de l’attention grossiers. Ce n’est pas une façon appropriée d’aborder les problèmes d’intérêt, tels que la demande intermittente ou volatile.

Premièrement, les défauts fondamentaux doivent être corrigés pour soulager les praticiens de la supply chain de ces examens fastidieux. Deuxièmement, les classifications basées sur le volume sont beaucoup trop grossières pour être d’une quelconque valeur pratique et utilisent très mal le temps des praticiens de la supply chain.

C’est pourquoi les Supply Chain Scientists de Lokad guident les clients vers des décisions qui reflètent l’impact financier d’une décision/action potentielle de la supply chain (généralement mesuré en dollars ou en euros). À moins que les articles et les décisions ne soient priorisés en fonction de leur retour sur investissement net (ROI), toute tentative de “priorisation” ou “d’optimisation” est fondamentalement inutile.

Voir ABC XYZ en 3 minutes et L’analyse ABC ne fonctionne pas pour en savoir plus sur les limites de ces outils de classification.

5.6 Fournissez-vous un regroupement/stratification de produits et/ou de magasins ?

Oui.

La plateforme de Lokad offre des capacités de regroupement/stratification pour tout élément d’intérêt, tels que les magasins, les produits, les clients, les SKUs, les fournisseurs, etc. Cela est possible grâce aux capacités de traitement de notre plateforme 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/ajuster les métriques de similarité utilisées pour regrouper les éléments de manière particulièrement utile pour une tâche donnée, telle que la prévision.

Voir Illustration : Regroupement pour en savoir plus sur les capacités de regroupement de Lokad avec seulement quelques lignes de code Envision.

5.7 Affinez-vous les prévisions avec des hiérarchies de produits/emplacements et/ou un regroupement ?

Oui.

Lokad tire pleinement parti de la structure relationnelle des données d’entrée. Notre approche de programmation différentiable est particulièrement adaptée au traitement des données relationnelles. C’est ainsi que Lokad peut exploiter les hiérarchies, les listes, les options, les graphiques, les 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, les prix des matières premières, etc.

Le regroupement peut être utilisé pour identifier un motif 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, le Nouvel An chinois, le Ramadan, le Black Friday, etc.) peuvent bénéficier de ce type de technique. La plateforme de Lokad offre un soutien étendu pour l’instrumentation du regroupement à des fins prédictives.

Voir Illustration : Cyclicités basées sur le regroupement pour en savoir plus à ce sujet.

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 ?

Résumé exécutif : Oui. Lokad enrichit les données historiques avec des événements exceptionnels connus en utilisant la programmation prédictive, améliorant ainsi la précision par rapport aux prévisions traditionnelles basées sur les séries temporelles. Cette approche gère les données incomplètes et peut reconstruire les événements perdus (comme solution de contournement lorsque l’enregistrement direct des événements historiques n’est pas disponible).

Les données historiques sont accompagnées de nombreux événements qui faussent les mesures (par exemple, la demande, le délai, etc.). Lokad fonctionne grâce à des paradigmes de programmation prédictive, tels que la programmation différentiable, qui nous permettent d’enrichir l’historique de base avec tous ces événements. Cependant, en règle générale, ces événements exceptionnels ne sont pas “identifiés” - ils sont déjà connus. Si des événements remarquables ont été perdus, il est alors possible pour Lokad d’opérer un modèle prédictif pour reconstruire de tels événements.

Les anciennes technologies de prévision, désormais obsolètes, étaient incapables de traiter autre chose que des séries temporelles simples/nues. Par conséquent, chaque distorsion qui s’appliquait à la demande devait être corrigée au préalable, sinon les prévisions seraient gravement dégradées/biaisées. Malheureusement, cette approche est défectueuse par conception car ces prévisions basées sur les séries temporelles finissent par être construites sur d’autres prévisions, accumulant ainsi les inexactitudes.

La technologie prédictive de Lokad ne souffre pas du même problème car elle prend en charge des variables explicatives supplémentaires. Au lieu de prétendre que nous savons avec certitude ce qui se serait passé sans les événements historiques (comme une rupture de stock), le modèle prédictif reflète la variable explicative dans ses résultats (c’est-à-dire ses prévisions). Cette méthodologie ne nécessite pas une approche par phases de prévision. De plus, elle peut exploiter des données incomplètes, telles qu’une rupture de stock survenue à la fin de la journée après une vente record d’unités - une information qui reste très pertinente, même sous sa forme incomplète.

Si des événements remarquables (par exemple, des ruptures de stock) ont été perdus ou simplement jamais enregistrés, Lokad est capable de reconstruire ces événements grâce à une analyse des données historiques. Cependant, quelle que soit la précision statistique de cette reconstruction, elle sera toujours moins précise qu’un enregistrement direct des événements tels qu’ils se déroulent. C’est pourquoi Lokad historise généralement des indicateurs tels que les niveaux de stock lorsque ces indicateurs ne sont pas correctement archivés dans les systèmes métier 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, fournissant aux clients un modèle transparent et des informations 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 motifs quasi-cycliques (par exemple, Pâques, le Nouvel An chinois, le Ramadan, le Black Friday, etc.), l’identification est donnée - nous savons déjà que l’événement existe et a un impact. La seule question qui reste à répondre est la quantification de l’impact de l’événement.

En permettant aux Supply Chain Scientists de faire une évaluation de haut niveau de l’impact (ou de l’absence d’impact) d’un événement bien connu, nous obtenons un modèle prédictif présentant une efficacité de données beaucoup plus grande. Une efficacité de données élevée est essentielle pour maintenir la précision du modèle prédictif lorsque peu de données sont disponibles, ce qui est souvent le cas dans les situations de supply chain.

De plus, lorsque Lokad identifie et nomme explicitement les motifs, le personnel de la supply chain du client bénéficie d’un modèle prédictif en boîte blanche qui est accompagné de facteurs sémantiques. Par exemple, l’impact du Black Friday (s’il y en a un) est accompagné d’un facteur dédié évalué à partir des données historiques. Le praticien de la supply chain peut ensuite utiliser ce facteur pour comprendre quels produits sont les plus sensibles au Black Friday spécifiquement, indépendamment de tous les autres motifs en jeu, tels que la saisonnalité (c’est-à-dire la cyclicité annuelle).

Voir aussi Événements et événements explicatifs 6.1 dans cette FAQ.

6.3 Gérez-vous les situations de rupture de stock en tant que variable explicative ?

Oui. Lokad intègre directement les situations de rupture de stock dans ses modèles prédictifs, en traitant à la fois les ruptures de stock complètes et partielles sans avoir recours à la reconstruction de la demande “factice” pour combler les lacunes dans les données. Nous modélisons directement ce qui est généralement appelé la “demande censurée”. De plus, Lokad est capable de prendre en compte les ruptures de stock partielles (lorsque la rupture de stock se produit pendant la journée de travail) et d’exploiter les informations correspondantes.

Plus généralement, 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 de stock, 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, sont là pour s’assurer que les ruptures de stock sont modélisées de manière appropriée et reflètent véritablement la dynamique de l’activité de l’entreprise cliente.

Consultez les discussions sur “Le masquage des pertes” dans Modélisation prédictive structurée pour la Supply Chain et “Modèle de délai de livraison incomplet” dans Prévision du délai de livraison 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 changements de classement (e-commerce), des changements d’assortiments, des changements de visibilité (par exemple, les gondoles en vente au détail), etc. En bref, Lokad fournit des prévisions probabilistes pour les promotions, tout comme il le fait pour toutes les sources potentielles d’incertitude de la supply chain (demande, délai de livraison, retours, etc.).

Les décisions de la 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 y répondent bien (généralement), cela signifie que l’entreprise cliente peut être un peu plus agressive avec ses stocks. C’est parce que les promotions sont un outil efficace pour atténuer les surstocks. En revanche, si l’entreprise cliente a une clientèle qui réagit peu aux promotions, elle doit être plus attentive aux surstocks. C’est parce qu’elle ne dispose pas de ce mécanisme pour les atténuer.

Lokad génère de telles décisions ajustées en fonction des risques (et des options) en utilisant des prévisions probabilistes. Ces prévisions sont essentielles pour évaluer les risques en premier lieu. Ensuite, nous utilisons une optimisation stochastique - en termes simples, une opération mathématique - pour élaborer des décisions qui maximisent le retour sur investissement du client compte tenu de ses multiples sources d’incertitude (par exemple, la demande, le délai de livraison, les promotions, les 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.

Pour produire des prévisions statistiques dans les conditions mentionnées, Lokad utilise généralement (a) l’ensemble de l’historique 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 base 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 ancien produit, alors la tâche de prévision est beaucoup plus simple. Cependant, nous ne recommandons pas d’adopter cette approche à moins que le personnel de la chaîne d’approvisionnement du client ne soit convaincu que les anciens et les nouveaux produits sont vraiment équivalents pour les consommateurs. En pratique, un lancement de produit est rarement un remplacement un à un entre les nouveaux et les anciens produits. Ainsi, Lokad utilise une technologie supérieure pour exploiter toutes les données historiques, plutôt que de désigner un produit pour fournir l’histoire pseudo du nouveau produit lancé.

De plus, Lokad génère des prévisions probabilistes pour les lancements de produits. Cela est particulièrement important car les prévisions classiques (c’est-à-dire non probabilistes) ignorent complètement les modèles aléatoires qui ont tendance à être prédominants lors du lancement de nouveaux produits. Les prévisions probabilistes, en revanche, quantifient cette incertitude, ce qui nous permet de générer des décisions de supply chain ajustées en fonction des risques.

Dans la plupart des systèmes d’entreprise, la date de lancement du produit est correctement identifiée, et il n’est donc pas nécessaire de l’identifier en soi. Cependant, si la date de lancement n’est pas enregistrée ou enregistrée de manière incorrecte, Lokad peut procéder à une reconstruction réelle de ces informations. Naturellement, les enregistrements de ventes antérieurs représentent une base pour le lancement.

Cependant, parfois en cas de demande intermittente, il peut s’écouler beaucoup de temps avant que le produit ne vende sa première unité. Les Supply Chain Scientists de Lokad disposent de diverses heuristiques pour faire face à ces situations.

Voir aussi 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 des nouveaux articles/emplacements.

Bien qu’un article puisse être “nouveau”, ce n’est généralement pas le premier article “nouveau” à être lancé par l’entreprise cliente. La technologie prédictive de Lokad exploite les lancements précédents d’articles, ainsi que les volumes de ventes actuels, afin de prévoir la demande pour un nouvel article. En particulier, la disponibilité des attributs formels (couleur, taille, forme, prix, etc.) ainsi que des attributs textuels (étiquette, brève description, commentaires, etc.) sont d’une importance cruciale pour placer mathématiquement l’article dans l’offre globale de l’entreprise.

Le processus avec les nouveaux emplacements est similaire, bien que les données soient généralement beaucoup plus limitées. Alors qu’il est courant pour les entreprises de lancer des milliers de nouveaux produits par an (surtout 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 n’a pas d’historique de ventes.

Voir aussi Événements et événements explicatifs 6.5 dans cette FAQ.

6.7 Tenez-vous compte des articles prédécesseurs, éventuellement signalés ou des articles équivalents/similaires ?

Oui, si les articles lancés sont accompagnés d’articles “prédécesseurs” ou “similaires”, la technologie prédictive de Lokad est capable d’exploiter ces informations pour affiner ses prévisions.

Nous pouvons prendre en compte tout le spectre de confiance dans les informations fournies, allant de “ce nouveau produit est un équivalent presque parfait de cet autre produit” à “ces deux produits se ressemblent vaguement”. Plusieurs prédécesseurs peuvent également être fournis s’il n’y a pas d’article “le plus similaire” clair.

Alors que les anciennes technologies de prévision (aujourd’hui 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 étiquettes des produits et les gammes de prix.

En règle générale, nous encourageons à enrichir les données maîtres pour favoriser de meilleures associations automatisées. Cela est, selon nous, préférable à contraindre le personnel de la supply chain du client à l’activité fastidieuse de l’association manuelle. Le retour sur investissement (ROI) pour l’amélioration des données maîtres est généralement largement supérieur aux associations, car les données maîtres peuvent également avoir un impact direct sur de nombreuses opérations post-lancement.

Voir aussi 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 prend en compte la cannibalisation (et les substitutions) dans son analyse de la demande.

Bien que les situations varient, le modèle est généralement symétrique, ce qui signifie que le modèle quantifie à la fois le produit qui cannibalise et le produit qui est cannibalisé. Notre approche prend en compte 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, car Lokad n’a pas besoin/utilise pas de données personnelles), alors Lokad peut exploiter le graphe bipartite qui relie les clients et les produits. Ce graphe temporel (qui relie les produits et les clients à travers leurs transactions) est généralement la meilleure source d’information pour quantifier la cannibalisation. Si cette information n’est pas disponible, Lokad peut quand même fonctionner, bien que avec une précision réduite en ce qui concerne les détails de la cannibalisation elle-même.

Les techniques prédictives de Lokad diffèrent radicalement des modèles classiques de séries temporelles. Les modèles de séries temporelles ne sont tout simplement pas assez expressifs pour traiter la cannibalisation. En fait, une fois que les données historiques ont été transformées en données de séries temporelles, la plupart des informations pertinentes pour traiter la cannibalisation ont déjà été perdues. 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 beaucoup plus expressive que les modèles de séries temporelles obsolètes.

6.9 Autorisez-vous l’ajout ou la mise à jour de variables explicatives ? Ces variables peuvent-elles être mises à jour manuellement ?

Oui. La plateforme de Lokad est programmable et aussi flexible qu’une feuille de calcul Excel lorsqu’il s’agit d’inclure des mises à jour de variables explicatives. Il est également possible, si désiré, de transmettre les variables explicatives via des feuilles de calcul réelles.

La programmation différentiable, l’approche de Lokad en matière de modélisation prédictive, permet d’apprendre facilement des modèles qui intègrent des variables explicatives arbitraires. Les variables explicatives n’ont pas besoin d’être exprimées en “unités prévues” ou d’être alignées 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 relation est mise à disposition du praticien de la supply chain. De cette manière, le praticien de la supply chain peut obtenir des informations sur la pertinence réelle de la variable explicative dans le modèle prédictif.

Certaines anciennes technologies de prévision (aujourd’hui 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 demande ; les variables explicatives devaient être exprimées avec la même granularité que les prévisions ; et/ou les variables explicatives 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 peuvent organiser les variables explicatives de manière à rendre leur maintenance aussi simple que possible pour le personnel de la supply chain du client. Par exemple, il est possible de commencer avec une feuille de calcul Excel pour refléter les variables explicatives, puis de passer ultérieurement à une intégration automatisée des données. Cette transition peut avoir lieu une fois que la précision supplémentaire (obtenue grâce à ces variables explicatives) est jugée suffisante pour automatiser le transfert de données.

Voir la discussion sur “l’intégration des covariables” dans Modélisation prédictive structurée pour la supply chain pour en savoir plus à ce sujet.

6.10 Autorisez-vous des ajustements manuels des prévisions pour des événements futurs sans données historiques préalables ?

Oui. Lokad permet toujours d’ajuster manuellement les prévisions, que l’on examine des articles avec ou sans données historiques. Nous pouvons également suivre la qualité/précision des ajustements manuels. Cependant, lors de l’utilisation d’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 de la supply chain qui découlent des prévisions (par exemple, une commande d’achat). 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. Il ne s’agit pas que les prévisions doivent être plus élevées ou plus basses qu’elles ne le sont, 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 à des prévisions probabilistes et des décisions de supply chain ajustées au risque. Les prévisions reflètent déjà toutes les valeurs futures possibles (par exemple, la demande) et leurs probabilités respectives. Ainsi, nos décisions suggérées sont déjà ajustées au risque. Si les décisions sont incorrectes alors que la prévision est correcte, il est généralement nécessaire d’ajuster les facteurs économiques associés à la décision, et non la prévision elle-même.

La deuxième raison pour ajuster manuellement une prévision est que la prévision est manifestement fausse. Cependant, dans ces situations, le modèle de prévision (sous-jacent) lui-même doit être corrigé. Ne pas les corriger signifie simplement que le personnel de la supply chain doit continuer à traiter les symptômes du problème (prévisions inexactes) plutôt que la maladie elle-même (un modèle de prévision défectueux). Si on ne corrige pas le modèle, les prévisions seront actualisées à mesure que de nouvelles données deviennent disponibles et soit les mauvaises prévisions réapparaîtront, soit la correction initiale (si elle reste) deviendra elle-même une source d’inexactitude des prévisions.

En bref, si le modèle de prévision manque de précision suffisante (généralement en raison d’informations manquantes), alors l’entrée du modèle doit être enrichie pour prendre en compte les informations manquantes pertinentes. De toute façon, maintenir un modèle de prévision défectueux en fonctionnement n’est jamais la réponse appropriée.

6.11 Affinez-vous les prévisions grâce au marketing et aux campagnes spéciales ?

Oui, Lokad affine ses prévisions avec ces informations (si/quand elles nous sont fournies).

La programmation différentiable - la technologie de modélisation prédictive de Lokad - est capable de traiter différents types/sources de données supplémentaires, même s’ils ne correspondent pas structurellement aux données historiques de demande d’origine (du type que l’on trouve dans les systèmes d’entreprise clients typiques).

La programmation différentiable peut traiter des sources de données supplémentaires sans aucune attente que ces données supplémentaires soient exhaustives ou même complètement correctes/précises. Certes, si les données sont très incomplètes/inexactes, cela limite l’exactitude globale obtenue en traitant ces données en premier lieu.

Plus important encore, la technologie prédictive de Lokad change la façon dont les clients abordent leurs campagnes marketing. La perspective de prévision classique considère la demande future comme le mouvement des planètes : quelque chose qui est entièrement hors de notre contrôle. Cependant, les campagnes marketing ne tombent pas du ciel. Elles reflètent plutôt des décisions explicites prises par l’entreprise cliente. Grâce aux connaissances et à la technologie de Lokad, les entreprises clientes peuvent réajuster leurs campagnes marketing pour correspondre à ce que la supply chain peut soutenir.

Par exemple, il est inutile d’accélérer davantage la demande (en lançant une nouvelle campagne) si tous les produits sont déjà en rupture de stock. À l’inverse, si les stocks augmentent, il est peut-être temps de réactiver quelques campagnes qui étaient précédemment en pause.

6.12 Affinez-vous les prévisions avec l’élasticité des prix ? Les changements de prix futurs planifiés peuvent-ils être pris en compte de manière proactive dans la prévision/modélisation prédictive ?

Oui. Les capacités de modélisation prédictive de Lokad couvrent les prix, y compris l’élasticité des prix, ainsi que les changements de prix futurs planifiés. L’approche de programmation différentiable de Lokad permet d’inclure facilement une (ou plusieurs) variable(s) de prix, à la fois dans le passé et dans le futur. Les instances passées sont utilisées pour apprendre la causalité entre la variation de la demande et la variation du prix.

La programmation différentiable nous permet d’apprendre conjointement l’impact des prix variables ainsi que tous les autres motifs qui influencent la demande, tels que les multiples cyclicités (par exemple, la saisonnalité). Le modèle de causalité peut ensuite être appliqué aux prix futurs, qui peuvent être augmentés ou réduits pour refléter la stratégie de tarification changeante de l’entreprise cliente.

Cependant, l’élasticité des prix est souvent une approche assez rudimentaire pour modéliser l’effet des prix variables. Par exemple, les effets de seuil ne peuvent pas être modélisés avec l’élasticité. Cela inclut les scénarios où les consommateurs réagissent fortement à une variation de prix lorsque un produit devient juste moins cher qu’un autre produit semblable équivalent. En particulier, lorsque les prix concurrentiels sont collectés grâce à un outil d’intelligence concurrentielle, l’élasticité des prix s’avère insuffisante pour expliquer les variations de demande qui seraient mieux expliquées par les 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 les achats et les prix. Alors que la perspective dominante de la supply chain considère l’optimisation des stocks et l’optimisation des prix comme deux préoccupations distinctes, il est évident que les prix ont un impact sur la demande, même lorsque l’« élasticité » des prix s’avère trop rudimentaire pour refléter précisément cet impact. Ainsi, il est logique de coordonner à la fois les politiques d’inventaire et de tarification pour maximiser la rentabilité de la supply chain.

6.13 Affinez-vous les prévisions avec l’activité de la concurrence (c’est-à-dire les données d’intelligence concurrentielle) ?

Résumé exécutif: Oui, la technologie prédictive de Lokad est capable d’utiliser les données d’intelligence concurrentielle pour affiner les prévisions de demande (et les prix, si demandé) pour les clients. Cela n’est fait que lorsque les données d’intelligence concurrentielle sont mises à notre disposition, car Lokad ne collecte pas lui-même les données d’intelligence concurrentielle. À notre avis, cette tâche est mieux confiée à des spécialistes du web scraping de données.

Exploiter les données d’intelligence concurrentielle est généralement un processus en deux étapes. Premièrement, nous devons associer (d’une manière ou d’une autre) les points de données de la concurrence à l’offre de l’entreprise cliente. Si l’entreprise cliente et ses concurrents vendent exactement les mêmes produits identifiés par leurs codes-barres GTIN, alors ce processus est simple. Cependant, il y a souvent de nombreuses complications.

Par exemple, les entreprises peuvent ne pas avoir les mêmes conditions d’expédition (par exemple, frais et délais), ou il peut y avoir une promotion temporaire réservée uniquement 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), mais leurs offres, dans l’ensemble, sont en concurrence les unes avec les autres. Dans ces situations, les associations simples un à un entre les produits des entreprises respectives 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’effet de la concurrence sur la demande. Ici, le plus grand défi est souvent que l’effet se produit avec un décalage important. Dans la plupart des marchés, les clients ne surveillent pas en permanence les prix des concurrents. Ainsi, une baisse de prix importante d’un concurrent peut passer inaperçue pour de nombreux clients pendant longtemps. En fait, l’effet dominant d’être battu en termes de prix est une érosion lente de la part de marché du client. Il est donc une erreur d’évaluer étroitement l’impact de la concurrence “un produit à la fois”. Les effets à l’échelle de l’entreprise doivent également être évalués.

Une fois de plus, les Supply Chain Scientists de Lokad veillent à ce 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 la “résolution de l’alignement” 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 Affinez-vous les prévisions avec les données de prévisions météorologiques ?

Résumé exécutif: Oui, Lokad est capable d’affiner ses modèles prédictifs avec les données de prévisions météorologiques. Nous avons obtenu notre premier succès dans ce domaine en 2010 en travaillant avec un grand producteur d’électricité européen. Notre technologie prédictive actuelle (programmation différentiable) facilite l’intégration des prévisions météorologiques par rapport aux technologies précédentes.

En pratique, bien qu’il soit techniquement possible d’affiner les prévisions avec des données météorologiques, très peu de nos clients utilisent effectivement de tels affinements dans des environnements de production. Selon nous, cela n’en vaut généralement pas la peine. Il existe presque toujours des options plus simples qui offrent un retour sur investissement supérieur pour une quantité comparable de ressources d’ingénierie.

Dans l’ensemble, il y a deux problèmes majeurs liés à l’utilisation des 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 pas d’informations supplémentaires au-delà de la saisonnalité habituelle. Cela signifie que toutes les décisions de la supply chain qui ne sont pas strictement à court terme ne bénéficient pas des données de prévisions météorologiques. Cela limite considérablement le champ d’application de cette technique.

Le deuxième problème concerne les complications technologiques considérables que cette technique implique. La météo est un phénomène très local, mais lorsque l’on considère de grandes chaînes d’approvisionnement, nous examinons en réalité des centaines ou des milliers (voire des dizaines de milliers) de sites pertinents, répartis sur d’énormes espaces géographiques (éventuellement plusieurs continents). Ainsi, chaque emplacement pourrait avoir sa propre “météo” (au sens météorologique).

De plus, la “météo” n’est pas un seul chiffre, mais toute une collection, comprenant la température, les précipitations, le vent, etc. Selon le type de marchandises desservies, la température peut être ou non le facteur dominant nécessaire pour affiner une prévision de la demande.

Fondamentalement, essayer d’affiner une prévision de la demande avec des données de prévisions météorologiques alloue des ressources (temps, argent, effort, etc.) qui pourraient être dirigées ailleurs (ou du moins vers de meilleurs efforts d’affinements). Nous constatons que les prévisions météorologiques sont presque jamais une option “compétitive” à cet égard. Ainsi, bien que Lokad soit capable d’utiliser les prévisions météorologiques, nous recommandons d’épuiser toutes les autres avenues potentiellement plus faciles d’affinements avant de se tourner vers les données de prévisions météorologiques.

6.15 Affinez-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 précisément l’impact de l’ouverture d’un nouveau magasin et/ou de la fermeture d’un ancien. Notre technologie peut également modéliser les fermetures temporaires, telles que les fermetures temporaires pour travaux de rénovation. De plus, Lokad peut (et le fait) prendre en compte la variabilité des heures d’ouverture (si les données sont mises à notre disposition). La technologie prédictive de Lokad (programmation différentiable) est particulièrement efficace pour traiter toutes ces distorsions du signal de demande.

De plus, lorsque les magasins sont proches les uns des autres (par exemple, dans la même ville), nous pouvons prendre en compte l’effet de substitution, où les clients qui avaient l’habitude de se rendre dans un magasin (maintenant fermé) se rendent dans un autre. Si certaines transactions bénéficient d’un identifiant client (note : uniquement l’identifiant brut, car Lokad n’a besoin d’aucune donnée personnelle), nous pouvons exploiter ces informations pour évaluer plus précisément la part exacte de la clientèle qui suit une marque donnée malgré les déplacements des magasins.

D’autre part, les modèles de séries temporelles (prévision) ne peuvent même pas représenter correctement les informations d’entrée pertinentes. Dans ce cas, nous faisons référence aux données transactionnelles brutes décrites ci-dessus, telles qu’elles peuvent être trouvées si le client exploite des programmes de cartes de fidélité.

Notes