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 orientée 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 des grilles de GPU
• Prévision Probabiliste (2016): Appréhender l’incertitude avec l’apprentissage automatique et les statistiques de haute 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 à des prévisions de biais reflétant des asymétries spécifiques à l’entreprise
• Prévisions Classiques (2008): Passer d’un modèle mathématique ajusté manuellement à un banc d’essai entièrement automatisé d’une bibliothèque entière 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). C’est 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 grand entre la modélisation mathématique pure et la réalité des supply chains.

Ce qui fonctionnait à merveille en théorie était totalement inefficace lorsqu’appliqué aux entreprises réelles : les données étaient sales, pas assez approfondies, trop dispersées, le volume important de références ou d’entrées dans l’historique des ventes pour certaines entreprises rendait des classes entières de modèles extrêmement difficiles à utiliser, et ensuite les contraintes de la supply chain elles-mêmes faisaient en sorte qu’améliorer les 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.

Corrélations

avec le Deep Learning

Lorsqu’on regarde 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 fiable de la saisonnalité en regardant une seule série temporelle. Nous abordons le problème à travers des corrélations statistiques : l’information obtenue sur un produit aide à affiner la prévision d’un autre produit. Par exemple, Lokad détecte automatiquement la saisonnalité applicable pour un produit même si le produit n’a été vendu que pendant 3 mois. Alors qu’aucune saisonnalité ne peut 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 nouveaux produits.

Puissance de Calcul

Grâce au Cloud Computing et aux GPUs

Bien que l’exploitation des corrélations au sein des 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, de nombreuses entreprises ont beaucoup plus de 1 000 produits. En exploitant le cloud computing et les unités de traitement graphique (GPUs), lorsque les clients nous envoient leurs données, nous allouons les machines juste quand 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 Commerciales

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 fondamentales 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 croyons que dans 10 ans, toutes les entreprises sérieuses en matière d’optimisation des stocks auront adopté une approche probabiliste, probablement en exploitant une descendance de cette technologie.

D’une Bibliothèque Mathématique à une Solution de Bout en Bout

Nous disposons d’une grande 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 continuellement la qualité des prévisions que nous fournissons et réalisons des simulations pour évaluer soigneusement les faiblesses restantes de notre technologie. Nous continuons d’améliorer nos modèles et d’enrichir 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 plonger 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 nos clients, mais nous gérons l’ensemble du processus pour fournir une solution entièrement utilisable, complète avec des commandes d’achat précises, des suggestions de livraison ou de tarification et des tableaux de bord d’indicateurs clés de performance pour évaluer leur précision.

Nos Supply Chain Scientists sont là pour vous aider à inclure 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’affiner les scripts capables de refléter pleinement les spécificités de votre entreprise, afin d’offrir un complément parfait à notre technologie de prévision.