Prévoir la demande avec le machine learning, en PME
Pour prévoir la demande avec le machine learning, une PME a besoin d'un historique de ventes propre, d'un calendrier (jours fériés, vacances) et des dates de ses promotions. Le modèle se juge sur une période que l'on cache pendant l'entraînement, et il doit battre une règle simple comme « même semaine l'an dernier ». Les acheteurs ou les responsables d'approvisionnement valident les écarts avant que la prévision serve à commander.
Prévoir la demande consiste à estimer ce que les clients vont commander dans les jours ou les semaines qui viennent, produit par produit ou point de vente par point de vente. Une PME peut s’y mettre sans équipe de data scientists, à condition de regarder d’abord ses données et de choisir un point de comparaison honnête. La suite détaille ce qu’il faut réunir, comment choisir une méthode et comment éviter de se tromper sur la qualité du résultat.
Quelles données faut-il pour démarrer ?
Trois familles de données font l’essentiel du travail.
L’historique des ventes, au grain où la décision se prend. Si l’acheteur commande chaque semaine par référence, on veut des ventes par semaine et par référence, avec la date, la quantité, et si possible le point de vente. Un export de l’ERP ou du logiciel de caisse suffit au départ.
Le calendrier. Jours fériés, vacances scolaires, jours ouvrés dans le mois, fermetures de l’entreprise. Ce sont des données publiques ou faciles à reconstituer, et elles expliquent une bonne part des creux et des pics.
Les promotions et les prix. Date de début et de fin, type d’opération, prix pratiqué. Sans elles, le modèle prend une opération commerciale pour une hausse spontanée de la demande, puis la prévoit au mauvais moment.
On ajoute selon le métier la météo, les événements locaux ou le niveau de stock. Côté durée, il faut couvrir plusieurs fois la saisonnalité que l’on veut capter : pour un cycle annuel, idéalement deux ans si on les a.
Quelles méthodes existent, en bref ?
On commence par une règle simple : la même semaine l’an dernier, ou la moyenne des quatre dernières semaines. Elle sert de référence pour tout le reste, et elle gagne plus souvent qu’on ne l’imagine sur des séries courtes ou irrégulières.
Les méthodes de séries temporelles (lissage exponentiel, ARIMA) modélisent chaque série à partir de son propre passé : tendance, saisonnalité, niveau. Elles marchent bien quand les séries sont régulières et que peu de facteurs externes jouent.
Les modèles à gradient boosting (LightGBM, XGBoost) prennent un tableau de variables : ventes des semaines précédentes, jour du mois, présence d’une promotion, prix, jours fériés. Ils gèrent bien les promotions et les effets de calendrier, et se règlent sans machine spécialisée. C’est le choix courant quand on a plusieurs références et plusieurs facteurs.
Les réseaux de neurones pour séries temporelles existent aussi. Ils se justifient surtout quand des milliers de séries se prévoient ensemble.
Comment juger un modèle de prévision ?
La seule mesure qui compte se fait sur une période tenue à l’écart. On cache les derniers mois, on entraîne sur ce qui précède, on demande au modèle de prévoir les mois cachés, puis on compare à ce qui s’est réellement vendu. On répète l’exercice sur plusieurs périodes successives pour voir si le résultat tient dans le temps.
Mélanger les dates au hasard pour constituer un jeu de test est une erreur classique : le modèle verrait le futur pendant son entraînement.
Pour l’erreur, deux mesures simples suffisent : l’erreur moyenne en unités vendues (ou en pourcentage du volume total), et le biais, c’est-à-dire la tendance à prévoir trop ou trop peu. Un modèle qui se trompe peu en moyenne mais surestime toujours remplit les stocks pour rien.
Ensuite vient la question décisive : bat-il la règle simple sur la même période ? Si l’écart est faible, la règle simple gagne, car elle est plus facile à expliquer et à maintenir. Il vaut aussi la peine de regarder par famille de produits : un modèle bon sur les références qui se vendent beaucoup peut être mauvais sur les références rares.
Quels pièges guettent un premier projet ?
La fuite de données. Elle apparaît quand le modèle utilise une information qu’il n’aurait pas eue au moment de prévoir : une promotion décidée après coup, un stock mesuré le jour même, une moyenne calculée sur toute la série, test compris. Le résultat de test est alors flatteur et la production décevante. La parade est de se demander, pour chaque colonne, si on la connaissait à la date de la prévision.
Les ruptures. Un produit en rupture affiche zéro vente alors que des clients en voulaient. On marque ces périodes ou on les remplace par une estimation avant l’entraînement.
Les ruptures de régime. Nouveau produit sans historique, changement de gamme, hausse de prix, fermeture d’un point de vente. Le modèle ne peut pas deviner ce qu’il n’a jamais vu ; ces cas se traitent à part, souvent par une règle ou par l’avis d’un acheteur.
Le grain trop fin. Prévoir par jour et par référence quand la décision se prend par semaine ajoute du bruit sans rien apporter.
Qui doit valider la prévision ?
Les gens du métier. Un acheteur ou un responsable d’approvisionnement sait pourquoi une référence a bondi en mars, que tel client a changé de fournisseur, que telle opération a été décalée. Le bon format de travail est une revue des plus gros écarts entre prévision et réalité, référence par référence. Chaque écart expliqué donne soit une variable à ajouter, soit une décision de traiter ce cas à la main.
La prévision se présente comme une suggestion que la personne accepte ou corrige avant de commander. Elle gagne en crédit quand elle s’est trompée de façon explicable.
Et chez nous ?
Nous sommes une agence en forward deployed : trois ingénieurs de Télécom Paris spécialisés en IA, qui construisent des agents sur mesure et prennent aussi des missions de machine learning et de données. La boucle est la même pour un modèle de prévision que pour un agent : une première version qui tourne sur vos vraies données, testée par les personnes qui s’en servent, puis ajustée sur leurs retours. Rien ne part sans la validation d’une personne de l’entreprise.
Le premier appel dure 30 minutes, il est offert et sans engagement. Pour situer votre projet avant d’y aller, voir la page sur le conseil IA pour les PME ou celle sur l’audit IA en entreprise.
Questions fréquentes
De combien d'historique faut-il disposer pour prévoir la demande ?
Il faut couvrir plusieurs cycles complets de ce que l'on veut capter. Pour une saisonnalité annuelle, deux ans valent mieux qu'un seul, car le modèle voit chaque période de l'année au moins deux fois. Avec moins, une règle simple reste souvent le meilleur choix.
Faut-il forcément du deep learning ?
Non. Pour une PME, des modèles à gradient boosting ou des méthodes statistiques classiques suffisent dans la plupart des cas. Le deep learning se discute quand il y a un très grand nombre de séries à prévoir ensemble.
Comment savoir si le modèle est bon ?
On le fait prévoir une période passée qu'il n'a jamais vue, puis on compare son erreur à celle d'une règle simple sur la même période. S'il ne fait pas mieux, il ne sert à rien de le mettre en production.
Les ruptures de stock faussent-elles la prévision ?
Oui. Un produit en rupture affiche zéro vente alors que la demande existait. Il faut repérer ces périodes dans l'historique, sinon le modèle apprend que la demande était faible.