Prévisions classiques des séries temporelles (2008)
Les bases
Quels modèles de prévision utilisez-vous?
Répondre à cette question est délicat pour deux raisons: premièrement, notre technologie de prévision est un actif de propriété intellectuelle (PI) essentiel que nous ne souhaitons pas divulguer en détail; deuxièmement, notre technologie est complexe et comporte de nombreux modèles. Cela étant dit, Lokad exploite une théorie bien connue appelée la théorie de l’apprentissage statistique. Cette théorie englobe la plupart des méthodes de prévision modernes telles que la régression par vecteur de support, les réseaux bayésiens, les méthodes de mélange ou de renforcement et les méta-heuristiques, y compris les réseaux neuronaux ou les algorithmes génétiques… Ensuite, nous n’écartons pas non plus les classiques : l’autorégression linéaire, la moyenne mobile, le lissage exponentiel (double, triple), Box-Jenkins, Holt-Winters, ARMA, ARIMA. Cependant, ces classiques sont généralement très faibles lorsqu’il s’agit d’exploiter les corrélations entre les séries temporelles.
Quelle est la précision de vos prévisions?
La précision des prévisions dépend énormément de l’ensemble de données spécifique considéré. Nous avons rencontré des situations où une erreur de 0,5% était considérée comme médiocre (comme les prévisions horaires de la consommation nationale d’électricité 24 heures à l’avance), et d’autres situations où une erreur de 80% était considérée comme excellente (comme une opération promotionnelle unique réalisée lors du lancement d’un produit). La précision dépend fortement de l’horizon - plus les prévisions sont éloignées, moins elles sont précises -, mais la précision dépend également fortement du niveau d’agrégation - plus les prévisions sont agrégées, plus elles sont précises.
Compétitions de prévision, avez-vous une validation académique de votre technologie?
Il existe de nombreuses compétitions de fouille de données qui ont lieu chaque année. Chez Lokad, nous gardons généralement un œil sur ces événements, et nous comparons régulièrement notre technologie de prévision avec les ensembles de données de ces compétitions lorsque les données sont pertinentes pour Lokad (nous ne traitons que des séries temporelles, pas des images ou des profils de clients, par exemple). Bien que, à ce jour, nous n’ayons pas encore observé de compétition publique de fouille de données que nous considérons comme profondément représentative des défis auxquels nous sommes confrontés au quotidien. Tout d’abord, les ensembles de données académiques ont tendance à être petits - moins de quelques centaines de séries temporelles - avec des séries temporelles longues - des centaines de points de données par série temporelle. C’est presque le contraire de ce que nous observons généralement dans le commerce de détail : des milliers, voire des millions de séries temporelles, mais des séries très courtes car les produits ont une durée de vie courte. Cela étant dit, Lokad se comporte généralement bien dans ces compétitions, et très bien si l’on prend en compte le fait que, avec Lokad, les résultats sont obtenus immédiatement, sans expertise requise pour produire les résultats.
Évaluez-vous la précision de vos prévisions?
Oui, nous le faisons. Des mesures quantitatives précises de la précision des prévisions obtenues avec notre technologie de prévision représentent environ la moitié de notre technologie principale. Sans entrer dans les détails, disons que c’est un grand défi, non seulement de produire des modèles qui correspondent réellement à vos données, mais qui se révèlent également très performants sur les données que vous n’avez pas encore, c’est-à-dire les données futures. Voir aussi Surapprentissage : quand la mesure de précision fait fausse route. La tâche quotidienne typique de l’équipe R&D de Lokad consiste à exécuter encore et encore notre moteur de prévision sur les ensembles de données des clients, à mesurer les erreurs de prévision et à essayer de les réduire. Ensuite, un aspect remarquable de notre technologie est que vous n’obtenez pas seulement des prévisions, mais aussi, pour chaque valeur prévue, vous obtenez la précision attendue de cette valeur, exprimée sous la forme d’une erreur MAPE. Ainsi, vous n’avez pas besoin d’attendre pour découvrir enfin qu’une prévision était peu fiable, Lokad vous donne les informations à l’avance pour que vous ajustiez votre stratégie en conséquence.
Combien de données historiques avez-vous besoin?
Il n’y a pas d’exigence minimale pour la quantité de données historiques. Cela étant dit, Lokad propose une technologie statistique, donc plus il y a de données historiques, plus les prévisions sont précises. En pratique, 2 ans de données historiques sont considérés comme bons, et 3 ans ou plus sont considérés comme excellents. Si vous avez moins d’un an de données historiques, alors Lokad ne pourra pas affiner les prévisions en utilisant la saisonnalité, qui est un motif important pour de nombreuses entreprises. De plus, pour exploiter la saisonnalité, Lokad n’a pas besoin de plus d’un an sur chaque série temporelle (c’est-à-dire les ventes de produits), nous avons seulement besoin d’avoir quelques séries temporelles avec plus d’un an d’historique pour établir les profils de saisonnalité qui existent dans votre entreprise. Pour les startups et les entreprises émergentes, Lokad peut être utilisé dès le début. En effet, nous fournissons non seulement des prévisions, mais également la précision attendue des prévisions. Ainsi, les premières prévisions présentent généralement des niveaux d’erreur très élevés et s’améliorent progressivement avec le temps. Lokad vous offre un moyen de quantifier l’incertitude également.
Modèles généraux
Les tendances macro (par exemple, la crise financière), comment sont-elles gérées?
Nous pensons qu’il y a deux malentendus typiques concernant les tendances macro. Premièrement, les tendances macro ne peuvent être utilisées pour affiner les prévisions de la demande que si ces tendances macro elles-mêmes peuvent être prévues avec précision. Si les banques avaient été capables de prévoir la crise financière, il n’y aurait pas eu de crise en premier lieu. Prévoir les tendances macro est généralement beaucoup plus difficile que prévoir la demande pour votre produit moyen, c’est donc souvent une option plutôt inextricable. Deuxièmement, une récession à -3% / an est considérée comme une grande tendance macro, mais en pratique, cela signifie un impact de -0,06% au niveau hebdomadaire. En comparaison, nous observons régulièrement des variations des ventes de produits de 20% d’une semaine à l’autre. Lokad est le mieux adapté pour les prévisions à court terme, et en regardant quelques semaines à l’avance, les tendances macro sont généralement éclipsées par des facteurs de microéconomie tels que les promotions, la cannibalisation, les campagnes publicitaires, … En conclusion, Lokad ignore généralement la plupart des tendances macro, mais selon notre expérience, c’est la seule option raisonnable pour 99% des situations.
Saisonnalité, tendance, comment sont-elles gérées?
Nous détectons automatiquement les motifs basés sur le calendrier. Vous n’avez pas besoin d’indiquer à Lokad qu’un produit est saisonnier, la saisonnalité est un motif fréquent traité nativement par notre technologie de prévision. En réalité, la saisonnalité est beaucoup plus complexe que ce que la plupart des gens pensent. À nos yeux, il n’y a pas une seule saisonnalité mais de nombreux motifs cycliques qui interagissent de multiples façons. Il y a la saisonnalité annuelle, l’effet du jour de la semaine, l’effet de la paie au niveau mensuel, la saisonnalité quasi-annuelle comme la fête des mères célébrée le deuxième dimanche de mai aux États-Unis, … De plus, lorsqu’on considère les prévisions de ventes au niveau du point de vente, les motifs cycliques des produits se combinent avec les motifs cycliques du point de vente lui-même. En effet, chaque point de vente a un environnement plus ou moins unique qui génère ses propres motifs de demande. Ainsi, la saisonnalité ne se résume pas à un simple indicateur OUI/NON, il s’agit d’un ensemble de motifs interdépendants plutôt complexes. La bonne nouvelle est que Lokad gère cette complexité pour vous.
Pâques, Ramadan, la fête des mères et autres événements quasi-saisonniers?
Certains motifs calendaires sont, dans le jargon de Lokad, quasi-saisonniers : les motifs se répètent d’une année à l’autre, mais ils ne sont pas strictement annuels au sens du calendrier grégorien (également connu sous le nom de calendrier occidental ou chrétien). Pâques, le Ramadan, le Nouvel An chinois, la fête des mères sont autant d’exemples de motifs quasi-saisonniers. Lokad détecte automatiquement ces motifs quasi-saisonniers, vous n’avez donc pas besoin de fournir d’effort spécifique pour les gérer. Ensuite, de manière très similaire à la saisonnalité classique, Lokad s’appuie principalement sur l’analyse de séries temporelles multiples pour détecter les séries temporelles qui présentent des motifs quasi-saisonniers similaires afin d’affiner l’analyse des motifs.
Cycles de vie des produits et lancements de produits, comment sont-ils gérés?
La plupart des biens de consommation suivent un cycle de vie. Les produits sont lancés, croissent, déclinent et finalement sont retirés du marché. Lokad peut prévoir les ventes au lancement, en tenant compte de la date de lancement. Évidemment, lorsqu’un produit est sur le point d’être lancé, il n’y a pas de données de vente disponibles pour ce produit précis pour soutenir la prévision. Cependant, contrairement aux outils de prévision classiques, Lokad ne se limite pas à la prévision de séries temporelles classiques. En particulier, les produits peuvent être décrits par des tags. Un tag peut représenter n’importe quelle propriété du produit : catégorie, sous-catégorie, famille, marque, couleur, taille, … Pour prévoir les ventes d’un produit en cours de lancement, Lokad analyse les lancements historiques de produits similaires, et les similarités sont évaluées en fonction des tags fournis pour chaque produit. Nous appliquons le même principe pour d’autres motifs de cycle de vie.
Produits intermittents / à faible volume, comment sont-ils gérés?
Si vous avez un produit qui est vendu une fois par an, eh bien, il y a peu de choses à faire en termes de prévision statistique. En pratique, il s’agit plutôt d’un choix marketing d’avoir 1 unité en stock ou zéro. Cependant, entre ce cas extrême de produit à rotation très lente et vos meilleures ventes, il existe toute une zone grise de produits vendus de manière peu fréquente mais suffisamment fréquente pour nécessiter une optimisation des stocks. La plupart des outils de prévision classiques fonctionnent mal avec les ventes intermittentes. Chez Lokad, nous avons beaucoup travaillé sur ce motif de demande car de nombreuses entreprises, telles que le commerce électronique, dépendent fortement de la longue traîne pour atteindre la rentabilité. Cependant, les produits à rotation lente, sauf s’ils sont gérés avec soin, peuvent générer encore plus de stocks que les meilleures ventes. Pour faire face aux produits à rotation lente, nous vous suggérons d’opter pour des prévisions probabilistes.
Météo, comment est-elle gérée?
Dans certaines entreprises, telles que les épiceries, la météo est un facteur de demande très important. À ce jour, Lokad n’utilise pas les prévisions météorologiques comme entrée dans notre technologie de prévision. Cependant, cet élément fait partie de notre feuille de route à moyen terme. Notre objectif n’est pas seulement de prendre en charge les données météorologiques, mais également de rendre le processus largement automatisé, de sorte qu’il ne nécessite pratiquement aucun effort de la part de nos clients pour bénéficier de la précision supplémentaire.
Artéfacts de demande
Les ventes perdues causées par les ruptures de stock, comment sont-elles gérées?
Les ventes ne correspondent pas à la demande. Une rupture de stock est un artefact qui fausse les ventes par rapport à la demande initiale. En effet, une rupture de stock entraîne une baisse des ventes alors que la demande reste stable. Contrairement aux outils de prévision classiques, avec Lokad, vous n’avez pas besoin de modifier ou d’ajuster vos données historiques dans le but d’exprimer les ventes qui auraient eu lieu si aucune rupture de stock ne s’était produite. À la place, des événements peuvent être utilisés pour indiquer quand les ruptures de stock ont eu lieu. Les informations sur les ruptures de stock sont utilisées pour estimer de manière plus précise tous les motifs qui auraient été impactés (saisonnalité, tendance, …) autrement. Si les ruptures de stock ne sont pas signalées comme telles avec des événements, Lokad filtre ces motifs comme du bruit. Il est agréable de suivre les ruptures de stock, mais ce n’est pas une exigence pour commencer avec Lokad.
Les ventes exceptionnelles, comment sont-elles gérées?
Selon votre secteur d’activité, votre entreprise peut être confrontée à des ventes exceptionnelles. Étant donné que ces ventes sont, eh bien, exceptionnelles en termes de volume, elles sont également généralement assez faciles à repérer avec une approche purement statistique. Nous vous suggérons donc de ne pas modifier vos données historiques pour nettoyer ces ventes exceptionnelles. Premièrement, cela est probablement une perte de temps, deuxièmement, les ventes exceptionnelles elles-mêmes peuvent contenir des informations précieuses qui aident à prévoir la demande. Ensuite, Lokad ne peut pas prévoir les futures ventes exceptionnelles individuelles - qui peuvent dépendre du résultat d’une négociation par exemple. S’il y a une vente exceptionnelle connue à venir, nous vous suggérons de remplacer manuellement les prévisions de Lokad par cette information supplémentaire.
Agrégation, top-down ou bottom-up?
Certaines entreprises prévoient la demande au niveau des groupes ou des familles, puis répartissent ces prévisions pour atteindre les produits individuels. Il s’agit d’une méthode de prévision ascendante des produits. La même idée peut être appliquée à la prévision de la fréquence : certaines entreprises prévoient d’abord au niveau hebdomadaire, puis appliquent des coefficients jour de la semaine. Dans ce cas, il s’agit d’une méthode de prévision ascendante de la fréquence. Dans l’autre sens, les prévisions hebdomadaires peuvent être produites en additionnant les prévisions quotidiennes. Chez Lokad, nous vous suggérons d’ajuster vos prévisions pour correspondre le plus étroitement possible à vos besoins opérationnels : si la supply chain a besoin de prévisions hebdomadaires pour chaque produit, demandez des prévisions hebdomadaires pour chaque produit à Lokad. Demander des prévisions quotidiennes et ensuite additionner ces prévisions ne permettra pas d’améliorer votre précision. Suivant la même idée, laisser Lokad prévoir les ventes au niveau du groupe de produits, puis diviser manuellement les prévisions pour chaque SKU est une mauvaise idée, car une erreur de prévision significative est susceptible d’être introduite par la division elle-même. En interne, Lokad s’appuie sur de nombreux algorithmes d’agrégation/désagrégation, et nous aimons généralement exploiter les données les plus détaillées disponibles. Par exemple, nous utilisons les données de ventes quotidiennes pour fournir des prévisions mensuelles. En effet, un mois peut comporter 4 ou 5 week-ends, ce qui a un impact significatif sur la plupart des entreprises de vente au détail. Comme d’habitude, vous n’avez pas à vous soucier du niveau d’agrégation, Lokad gère vos besoins.