Moteur de prévision

Au cours de la dernière décennie, les technologies liées aux données ont énormément évolué. Les entreprises sont passées de l’utilisation de recettes numériques connues et utilisées depuis le XIXe siècle à une technologie axée sur les Big Data alimentée par l’apprentissage automatique et le deep learning. Lokad s’est concentré sur le fait de rester en avance sur les choses et d’apporter le meilleur de la science à l’optimisation de la supply chain.

6 Générations de prévision

Faites un voyage dans le passé et découvrez les différentes générations de notre technologie de prévision.

• Programmation différentiable (2019) : la convergence de deux domaines algorithmiques : l’apprentissage automatique et l’optimisation numérique
• Apprentissage profond (2018) : Prévision probabiliste alimentée par la robotisation grâce à l’intelligence artificielle (IA) et aux grilles de GPU
• Prévision probabiliste (2016) : Appréhender l’incertitude avec l’apprentissage automatique et les statistiques de grande dimension
• Grilles de quantiles (2015) : Examiner l’ensemble de la distribution de probabilité de la demande et injecter des contraintes de la supply chain
• Prévisions de quantiles (2012) : Passer des prévisions moyennes aux prévisions biaisées reflétant les asymétries propres à l’activité
• Prévisions classiques (2008) : Passer d’un modèle mathématique ajusté manuellement à un référentiel entièrement automatisé d’une bibliothèque de modèles

Le bon mélange d’ingrédients

Une recette pour le succès

La technologie de Lokad ne consiste pas à exploiter un (ou plusieurs) modèle(s) statistique(s) magique(s). Il s’agit d’une combinaison d’ingrédients travaillant ensemble pour créer la bonne alchimie. Dans nos premières années, nous avons rapidement réalisé à quel point l’écart était important entre la modélisation mathématique pure et la réalité des supply chains.

Ce qui fonctionnait à merveille en théorie était totalement inefficace lorsqu’il était appliqué aux entreprises réelles : les données étaient sales, pas assez approfondies, trop dispersées, le volume même de références ou d’entrées dans l’historique des ventes pour certaines entreprises rendait certaines classes de modèles extrêmement difficiles à utiliser, et ensuite les contraintes de la supply chain faisaient en sorte que l’amélioration des métriques de précision classiques des prévisions dégradait en réalité les performances de l’entreprise.

Lokad a dû trouver les bonnes réponses technologiques à tous ces problèmes et changer radicalement sa vision de la prévision et de l’optimisation de la supply chain.

Correlations

avec le Deep Learning

Lorsqu’on examine un seul produit à la fois, il n’y a tout simplement pas assez de données pour produire une prévision statistique précise. En effet, sur la plupart des marchés de consommation, le cycle de vie d’un produit est inférieur à 4 ans, ce qui signifie que, en moyenne, la plupart des produits n’ont même pas 2 ans d’historique disponible - c’est-à-dire la profondeur minimale pour effectuer une analyse de saisonnalité fiable lorsqu’on examine une seule série temporelle. Nous abordons le problème grâce aux corrélations statistiques : les informations obtenues sur un produit aident à affiner la prévision d’un autre produit. Par exemple, Lokad détecte automatiquement la saisonnalité applicable à un produit même si le produit n’a été vendu que pendant 3 mois. Bien qu’aucune saisonnalité ne puisse être observée avec seulement 3 mois de données, si des produits plus anciens et plus durables sont présents dans l’historique, alors la saisonnalité peut être extraite de là et appliquée aux produits plus récents.

Puissance de calcul

Grâce au cloud computing et aux GPU

Bien que l’utilisation des corrélations dans les données historiques améliore considérablement la précision, elle augmente également la quantité de calculs à effectuer. Par exemple, pour corréler 1 000 produits en examinant toutes les paires possibles, il y a un peu moins de 1 000 000 de combinaisons. Pire encore, de nombreuses entreprises ont beaucoup plus de 1 000 produits. En utilisant le cloud computing et les unités de traitement graphique (GPU), lorsque les clients nous envoient leurs données, nous allouons les machines uniquement lorsque nous en avons besoin ; puis, moins de 60 minutes plus tard, nous renvoyons les résultats tout en désallouant les machines en conséquence. Comme le cloud que nous utilisons (Microsoft Azure) nous facture à la minute, nous ne consommons que la capacité dont nous avons vraiment besoin. Comme aucune entreprise n’a besoin de prévoir plus d’une fois par jour, cette stratégie réduit les coûts matériels de plus de 24 fois par rapport aux approches traditionnelles.

Probabilités

Pour intégrer les contraintes métier

La prévision traditionnelle est une prévision médiane, c’est-à-dire une valeur qui a 50% de chances d’être supérieure ou inférieure à la demande future. Malheureusement, cette vision classique ne répond pas aux préoccupations essentielles de la supply chain : éviter les ruptures de stock et réduire les stocks. En 2016, Lokad a introduit la notion de prévisions probabilistes pour la supply chain où les probabilités respectives de chaque niveau de demande future sont estimées. Au lieu de prédire une valeur par produit, Lokad prédit l’ensemble de la distribution de probabilité. Les prévisions probabilistes surpassent largement les prévisions classiques pour les produits à rotation lente, les ventes erratiques et la demande irrégulière. Nous pensons que dans 10 ans, toutes les entreprises sérieuses en matière d’optimisation des stocks auront adopté les prévisions probabilistes, probablement en tirant parti d’une évolution de cette technologie.

D’une bibliothèque mathématique à une solution de bout en bout

Nous disposons d’une vaste bibliothèque de modèles statistiques. Elle comprend des classiques bien connus tels que Box-Jenkins, lissage exponentiel, autorégressif et toutes leurs variantes. De plus, étant donné que les modèles classiques exploitent mal les corrélations, nous avons développé de meilleurs modèles qui tirent parti de toutes les données mises à notre disposition. Depuis le tout début, nous surveillons en permanence la qualité des prévisions que nous fournissons et nous effectuons des simulations pour évaluer attentivement les faiblesses restantes de notre technologie. Nous améliorons constamment nos modèles et enrichissons notre bibliothèque avec de nouveaux modèles et de nouveaux paradigmes. Par conséquent, nos clients bénéficient d’une technologie en constante amélioration.

Cependant, nous avons réalisé il y a longtemps que cela ne suffisait pas et que nous devions creuser plus profondément dans la réalité de la supply chain et les contraintes et spécificités de chaque entreprise. Par conséquent, non seulement nous n’exigeons aucune compétence statistique de la part de nos clients, mais nous gérons l’ensemble du processus pour fournir une solution entièrement utilisable, comprenant des bons de commande précis, des suggestions d’expédition ou de tarification et des tableaux de bord d’indicateurs de performance clés pour évaluer leur précision.

Nos scientifiques de la supply chain sont là pour vous aider à intégrer toutes vos connaissances métier dans une mise en œuvre sur mesure. Cela est rendu possible grâce à l’utilisation de notre langage de programmation orienté supply chain, Envision. Sa flexibilité nous permet d’ajuster parfaitement les scripts afin de refléter les spécificités de votre entreprise, afin d’offrir un complément parfait à notre technologie de prévision.