Vous voulez améliorer votre prévision à court terme ? Essayez la détection de la demande.

Améliorez votre prévision à court terme avec la détection de la demande.

Quand les approches traditionnelles de prévision atteignent un plateau en termes de précision, comment pouvons-nous réaliser de nouvelles améliorations ?

Introduction

La prévision de la demande est un processus qui estime les ventes d’une organisation sur une certaine période dans le futur. Les prévisions de demande à court terme portent généralement sur 1 à 3 mois, tandis que les prévisions à moyen terme peuvent s’étendre sur 6 à 18 mois. Les prévisions à long terme vont souvent jusqu’à 3 à 5 ans. La prévision aide l’entreprise à décider quoi, quand et combien vendre, quelle quantité de stock détenir et où investir pour répondre à une demande client dynamique à l’avenir. Les entreprises se basent généralement sur les tendances historiques associées aux informations des clients, tout en tenant compte des promotions ou des ventes exceptionnelles, pour créer une prévision de la demande.

La prévision de la demande est importante pour plusieurs raisons. Elle se situe au sommet d’un processus de planification des ventes et des opérations (S&OP) où les prévisions générées à cette étape se répercutent sur d’autres étapes, notamment la planification de l’approvisionnement, la planification de la production, la planification logistique et l’optimisation des stocks. Il est essentiel que la prévision de la demande soit aussi précise que possible pour éviter les coûts liés à un stock excessif ou insuffisant. Une surestimation de la demande peut entraîner un excès de capital circulant immobilisé dans les stocks. En revanche, une sous-estimation constante peut provoquer des ruptures de stock chez les clients ou entraîner une course contre la montre pour passer des commandes avec des matières premières plus coûteuses et une expédition en urgence avec un transport plus onéreux. Un plan précis permet d’éviter ces situations en fabriquant la bonne quantité de produit, au bon endroit et au bon moment, ce qui facilite un service de qualité et réduit les coûts de stockage.

Défis de la prévision

“La prédiction est très difficile, surtout lorsqu’elle concerne l’avenir.”

Cette citation est souvent attribuée à Niels Bohr (il y a un débat sur le fait qu’il l’ait réellement prononcée), l’un des principaux physiciens du XXe siècle. Bien qu’il s’agisse d’une manière légère d’aborder la prévision, cela souligne le défi intrinsèque de la prévision. En plus de ne pas connaître l’avenir, il existe d’autres défis liés aux approches de prévision.

• Le Langage des Emplacements Évaluation de la Compétence de Géocodage de l’IA Générative
• Voici les premiers intervenants pour le sommet des affaires AiX cet automne.
• Optimisation bayésienne et Hyperband (BOHB) Réglage des hyperparamètres avec un exemple

· Évolutions de l’environnement commercial – par exemple, des substituts peuvent remplacer un produit, ce qui entraîne une baisse de sa demande. Alternativement, de nouvelles applications pour un produit peuvent entraîner une augmentation de la demande par rapport aux tendances historiques.

· Changements de modèle d’entreprise – une organisation peut modifier son modèle d’exploitation et sa stratégie commerciale. Par exemple, une entreprise chimique peut choisir de passer de produits chimiques de base à des produits plus spécialisés, de sorte que les modèles de demande historiques ne sont peut-être plus pertinents.

· Disponibilité des données – les données historiques de vente, les données hiérarchiques des clients et des produits, ainsi que les données de commandes en temps réel peuvent être stockées dans des systèmes disparates.

· Qualité des données – cela peut inclure des problèmes tels que des données inexactes en raison d’erreurs de saisie ou une capture de données à une granularité différente et inconsistante pour les différents éléments de données.

Approches de prévision

La prévision peut être basée sur des méthodes quantitatives ou qualitatives. Les méthodes quantitatives sont principalement des analyses de séries temporelles où nous essayons de capturer les tendances dans le temps (par exemple, la croissance, la saisonnalité) en nous basant sur des données historiques. Dans d’autres cas quantitatifs, nous pouvons construire des modèles économétriques corrélant la prévision de la demande à des facteurs pertinents pour l’entreprise. Avec une approche qualitative, nous nous appuyons sur la “sagesse des foules” et tentons d’estimer l’avenir en nous basant sur l’opinion collective d’experts ou des enquêtes. Il existe plusieurs ressources intéressantes sur les techniques de prévision disponibles en ligne ; un échantillon est présenté ci-dessous :

Le guide ultime des méthodes de prévision de la demande : Augmentez les ventes et optimisez les stocks – nexocode

Découvrez les secrets de la prévision de la demande dans notre guide ! Apprenez les méthodes, les défis, les avantages et le rôle de l’IA…

nexocode.com

Prévision de la demande : tout ce que vous devez savoir

La prévision de la demande est cruciale pour les entreprises évoluant sur des marchés en croissance rapide ou volatils car elle leur permet de voir l’avenir…

www.netsuite.com

Comment choisir la bonne technique de prévision

Ce que chaque responsable doit savoir sur les différents types de prévisions et les moments où ils devraient être utilisés.

hbr.org

6 types de prévisions de la demande et avantages de la projection

La prévision de la demande aide les entreprises à prendre des décisions plus intelligentes en matière de stocks et de capacité. Nous passons en revue les types de demandes…

www.thefulfillmentlab.com

Détection de la demande à court terme

La détection de la demande à court terme est une technique de prévision qui utilise des indicateurs avancés pour prédire les ventes de produits sur une période proche. Elle utilise une combinaison de données historiques et d’informations en temps réel pour faire des prédictions à un niveau quotidien ou hebdomadaire. Ainsi, elle capture certaines des dynamiques clés du marché, notamment en période de volatilité. En ce sens, elle aide les planificateurs à ajuster leurs plans de production et de logistique à une prévision plus précise et plus affinée, ce qui augmente la résilience de la chaîne d’approvisionnement et réduit les coûts d’inventaire et de transport. Il existe diverses ressources en ligne sur la détection de la demande – en voici quelques-unes :

Qu’est-ce que la détection de la demande – Solutions et services IA/ML | Partenaire Premier Google Cloud

Paramètres Prévisions de la demande traditionnelles Détection de la demande Les méthodes traditionnelles de prévision de la demande reposent sur l’historique…

pluto7.com

Article – Kearney

Modifier la description

www.kearney.com

Il est prévu que la détection de la demande ait une grande valeur économique (en termes d’économies de coûts ou d’éviter des pertes de revenus) simplement en raison de l’ampleur des expéditions. En raison de la granularité des prédictions et de la fréquence des actualisations, la détection de la demande peut être intensive en termes de données et de calculs. Mais avec une puissance de calcul accrue disponible pour les consommateurs, la traçabilité devrait être élevée. Les résultats de la détection de la demande sont principalement expliquables, car nous utilisons généralement des modèles basés sur la régression linéaire pour ces applications. Très souvent, les résultats peuvent être analysés pour expliquer clairement les prédictions aux parties prenantes. Les recommandations de mise à jour des prévisions de la détection de la demande sont réalisables, car il s’agit d’une décision interne de l’organisation de modifier la production en fonction des changements de prévisions. Les applications de détection de la demande sont également généralement durables en termes de rafraîchissement des données d’entrée, car elles reposent sur des données de commandes en temps réel générées quotidiennement.

Une approche simplifiée de la détection de la demande

La détection de la demande repose sur des indicateurs avancés pertinents pour estimer une prévision des ventes. Le taux auquel les commandes des clients sont passées pourrait être l’un de ces indicateurs avancés de la demande à court terme. Dans certaines industries, comme l’industrie pétrochimique, les clients passent généralement des commandes à réserver chaque mois plusieurs semaines à l’avance. Dans cet article, nous parlons d’une approche de détection de la demande basée sur les commandes des clients pour une entreprise chimique.

Dans cette approche, on part du principe que si les commandes sont passées à un rythme plus rapide au début par rapport aux tendances historiques de passation de commandes, la demande mensuelle finale va être élevée et vice versa. La proposition consiste à compléter le processus de prévision traditionnel en effectuant une analyse de tendance des commandes clients au milieu de chaque mois pour estimer la demande de produits pour le mois suivant. Cette vision précoce serait très utile aux responsables de la chaîne d’approvisionnement et des produits pour prendre des décisions d’ajustement de la production et des prix. L’analyse permettrait également d’identifier les clients susceptibles de passer des commandes inférieures à leurs prévisions, libérant ainsi le volume restant pour les clients souhaitant des volumes supplémentaires par rapport à leurs prévisions. Cela permettrait d’effectuer proactivement des échanges de produits entre les deux ensembles de clients, réduisant les blocages de commandes et les retards et améliorant l’expérience client.

Pour construire une solution d’apprentissage automatique pour le cas d’utilisation de la détection de la demande, nous suivons une série d’étapes, notamment la collecte de données, l’analyse exploratoire des données, le traitement des données (nettoyage et ingénierie des caractéristiques), le développement et le raffinement du modèle, les idées exploitables et les recommandations. L’objectif principal est de prédire la demande du mois en cours et du mois suivant à une granularité donnée (par exemple, la famille de produits, la catégorie de client) en fonction des attributs de commande des clients. Les détails de chaque étape sont répertoriés ci-dessous :

a. Collecte de données – en fonction de ce qui est typique pour ce cas d’utilisation dans le cadre d’une entreprise de produits de base, nous supposons que chaque produit (ou famille de produits) a des dizaines ou des centaines de clients qui passent des commandes à l’avance. Pour capturer les tendances annuelles et saisonnières des commandes des clients, nous collectons des données pour au moins les 36 derniers mois. Nous recueillons des commandes de vente qui incluent des données sur les volumes demandés, la date de la commande de vente, le mois de réservation de la demande, les informations sur le client, y compris la catégorie et la géographie du client, les attributs du produit, y compris la famille de produits, le segment de marché. Nous commençons par un mois de réservation de la demande et recherchons le volume total de produits demandés dans les commandes de vente sur une base quotidienne (jours ouvrables, hors week-ends et jours fériés) sur une période de deux mois à partir du premier jour ouvrable du mois précédent (CM-1) jusqu’à la fin du mois de réservation de la demande (CM). Nous supposons qu’aucune commande n’est passée avant cette date (premier jour ouvrable du mois précédent). Nous devons également supprimer les commandes annulées ou retournées de l’analyse. Le tableau 1 montre les données d’échantillon dans un dataframe.

*WD – Jour ouvrable

b. Analyse exploratoire des données – nous commençons par avoir une idée de la taille des données (nombre de lignes et de colonnes) et du nombre et du type de caractéristiques (numériques par rapport catégorielles). Nous identifions également le nombre de valeurs nulles dans chaque colonne. Nous visualisons les colonnes numériques (via des histogrammes, des boîtes à moustaches) pour examiner la forme des données (y compris la moyenne, la médiane, l’asymétrie, les valeurs aberrantes), et les données catégorielles (via des diagrammes en barres) pour confirmer les valeurs uniques et identifier les valeurs erratiques qui doivent être traitées.

c. Traitement des données – à cette étape, nous supprimons les valeurs aberrantes (par exemple, les valeurs négatives ou extrêmement élevées des colonnes numériques). Nous sélectionnons également les caractéristiques et effectuons l’ingénierie des caractéristiques. Pour ce cas d’utilisation, nous sélectionnons des caractéristiques qui sont à un niveau d’agrégation plus élevé que la variable prédite. Par exemple, si nous prédisons la demande de la famille de produits, nous sélectionnons le segment de marché, la géographie, les volumes de commandes cumulatives et les prévisions de ventes mensuelles de base comme caractéristiques prédicteurs. Les commandes cumulées par jour ouvrable (Tableau 2) sont dérivées des volumes de commandes quotidiennes dans le cadre de l’ingénierie des caractéristiques. La Figure 1 montre un exemple de variation des commandes cumulées par jour ouvrable.

d. Développement et raffinement du modèle – une régression linéaire multiple est recommandée pour ce cas d’utilisation. Il s’agit d’une solution “par morceaux”, où nous avons différentes fonctions de régression pour chaque jour ouvrable. Avec 36 mois de données, des centaines de clients pour chaque famille de produits, nous aurions des milliers de points de données dans l’ensemble d’entraînement pour chaque famille de produits. Nous commençons par définir une fonction de perte pour nous aider à construire le modèle qui fournit les prévisions de demande les plus précises. Nous choisissons plusieurs mesures de précision, notamment l’erreur absolue moyenne (MAE), l’erreur absolue moyenne en pourcentage (MAPE) et R2, et testons les performances de différents modèles sur ces métriques (nous voulons que R2 soit élevé et les erreurs faibles). L’erreur brute est simplement la différence entre la prédiction de la demande mensuelle et les données réelles historiques au niveau de la famille de produits. En termes de préparation des données, nous divisons d’abord les données en un ensemble d’entraînement (80% des données) et un ensemble de test (20% des données). Les valeurs manquantes ou nulles sont traitées séparément pour chaque ensemble afin d’éviter les fuites de données. Si les valeurs manquantes représentent la majorité d’une caractéristique, nous pouvons supprimer entièrement la caractéristique car elle apporte peu de pouvoir prédictif. Si des valeurs nulles sont présentes dans seulement quelques lignes, nous pouvons supprimer les lignes comportant des valeurs manquantes. Nous pouvons également imputer les valeurs manquantes avec des tendances centrales telles que la médiane de la colonne si elle est numérique, ou le mode si elle est catégorielle. De plus, nous convertissons également les variables catégorielles en format numérique avec un encodage one-hot. Pour mettre à l’échelle les données à utiliser dans un modèle de régression linéaire, nous divisons la variable dépendante (prédiction de la demande mensuelle) par les prévisions de ventes de base et les commandes cumulées (variable indépendante) par les prévisions de ventes de base. Les coefficients du modèle de régression fournissent la signification des caractéristiques dans l’explication de la variation de la variable prédite.

e. Informations exploitables et recommandations – la demande prédite par l’application d’IA peut être supérieure ou inférieure à une prévision de ventes de référence. Pour expliquer les résultats aux parties prenantes, une approche consisterait à comparer les courbes de commandes historiques avec les commandes en temps réel (voir Figure 2).

*Seulement 3 mois de courbes de pourcentages cumulés de commandes historiques sont montrés ici à des fins illustratives ; dans une discussion dans le monde réel, nous inclurions au moins 12 mois de données.

Dans cette figure, les courbes de pourcentages de commandes cumulées historiques sont tracées en lignes continues, tandis que les commandes cumulées en temps réel (en pourcentage de la prévision de ventes de référence pour le mois suivant) sont tracées en lignes pointillées. Nous pouvons voir que, dans les mois historiques sélectionnés, environ 12% de la demande totale est commandée d’ici le 10e jour ouvrable du mois précédent, mais nous sommes en tendance à environ 5% de la prévision, ce qui indique que la demande est plus faible que prévu pour la prévision de référence. Pour cet exemple, avec l’adhésion des parties prenantes pour mettre à jour les prévisions de demande, nous pouvons informer les décisions de réduction de la production pour la famille de produits en question tout en identifiant les clients qui commandent moins que ce qu’ils ont prévu. En général, les prédictions peuvent être exécutées quotidiennement pour fournir des signaux à la fabrication sur la production et les stocks, ainsi qu’aux équipes de vente sur la faiblesse ou la force de la demande. Les modèles d’IA/ML peuvent eux-mêmes être ré-entrainés une fois par trimestre ou lors de la restructuration de l’entreprise.

Estimation de la valeur économique

Une façon de monétiser les inexactitudes des prévisions est de les considérer en termes de revenus perdus en raison des ruptures de stock et des coûts de stockage accrus associés à un excédent d’inventaire invendu. Alors que les fluctuations des prévisions peuvent s’équilibrer sur de plus longues périodes, un biais constant dans les prévisions peut conduire à un portefeuille déséquilibré de produits. Les revenus perdus dus aux ruptures de stock à court terme peuvent avoir un impact sur l’entreprise à long terme si les clients choisissent de quitter définitivement l’organisation au profit des concurrents. Nous illustrons les revenus perdus à travers un exemple simpliste dans le Tableau 3 ci-dessous, où une hypothèse clé est que l’organisation n’a pas suffisamment d’inventaire pour couvrir les inexactitudes des prévisions. Ce tableau fournit la prévision de référence (sans l’application d’IA) et la demande réelle des clients sur une base mensuelle pour 10 familles de produits : PF1 à PF10. Le prix par famille de produits est également fourni. L’ampleur de ces chiffres est représentative d’un produit chimique de commodité.

Nous pouvons voir que pour certains produits, nous surestimons (Prévision > Réel) et pour d’autres, nous sous-estimons (Prévision < Réel). Pour les produits sous-estimés, nous supposons un manque d'inventaire pour couvrir cette insuffisance et calculons les revenus perdus en multipliant le prix par l'insuffisance. Le revenu total perdu est estimé à environ 58 millions de dollars. Avec une application d'IA permettant de détecter la demande mensuelle future en utilisant les commandes en temps réel quotidiennes et de mettre à jour les prévisions et de produire les bons volumes de produits, nous pouvons réduire ces revenus perdus. Même avec une amélioration de 20% de l'erreur de prévision (ce qui n'est pas atypique de telles applications), les revenus perdus de l'organisation diminuent de 11,6 millions de dollars par mois.

En conclusion

La détection de la demande à court terme en utilisant les commandes clients en temps réel peut constituer une amélioration par rapport aux méthodes de prévision conventionnelles car elle utilise des informations en temps réel pour améliorer l’exactitude des prévisions. Nous noterons cependant que cela peut ne pas être applicable à tous les cas d’utilisation ou situations commerciales. Cela fonctionne bien lorsqu’il y a une certaine régularité dans le modèle de commande et que les commandes sont passées à l’avance. Cette technique fonctionne mieux lorsqu’elle est combinée avec une intelligence de marché pour comprendre les informations commerciales derrière les observations. Cette approche ne se traduit pas par des prévisions au-delà de 6 à 8 semaines, car les clients ne passent généralement pas de commandes aussi longtemps à l’avance.

La méthode décrite dans cet article peut également être utilisée à d’autres fins. Par exemple, nous pouvons utiliser cette approche pour estimer l’écart entre la demande attendue et les commandes réellement passées pour chaque combinaison client/produit. Cela peut aider à identifier les clients qui ont commandé trop peu ou trop de volume de produits par rapport à leur prévision de ventes de référence par rapport à leur modèle de commande historique.

Enfin, nous voudrions mettre en place des mécanismes pour agir une fois que la prévision actualisée est disponible. Cela peut inclure l’augmentation/réduction de la production ou le suivi des clients qui ont dépassé leur allocation prévue ou n’ont pas encore levé de volumes.

Merci de votre lecture. J’espère que vous l’avez trouvé utile. N’hésitez pas à m’envoyer vos commentaires à [email protected]. Connectons-nous sur LinkedIn.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!