Au-delà de la prévision L’équilibre délicat entre servir les clients et faire croître votre entreprise

Au-delà des prévisions L'équilibre délicat entre satisfaire vos clients et développer votre entreprise

Les entreprises utilisent la prévision de séries chronologiques pour prendre des décisions cruciales qui les aident à naviguer dans un avenir incertain. Cet article s’adresse aux parties prenantes de la chaîne d’approvisionnement, qui ont un besoin commun de déterminer combien de produits finis sont nécessaires sur une variété mixte d’horizons temporels de planification. En plus de planifier le nombre d’unités de produits nécessaires, les entreprises ont souvent besoin de savoir où ils seront nécessaires, afin de créer un inventaire géographiquement optimal.

L’équilibre délicat de la surcapacité et de l’insuffisance

Si les fabricants produisent trop peu de pièces ou de produits finis, l’insuffisance qui en résulte peut les amener à faire des choix difficiles de rationnement des ressources disponibles parmi leurs partenaires commerciaux ou unités commerciales. En conséquence, les bons de commande peuvent avoir des taux d’acceptation plus bas avec moins de profits réalisés. Plus loin dans la chaîne d’approvisionnement, si un détaillant a trop peu de produits à vendre par rapport à la demande, cela peut décevoir les clients en raison de la rupture de stock. Lorsque le client au détail a un besoin immédiat, ces pertes peuvent entraîner l’achat auprès d’un autre détaillant ou d’une marque substituable. Cette substitution peut représenter un risque de rotation si l’alternative devient la nouvelle norme.

D’un autre côté de l’oscillation de l’approvisionnement, une surabondance de produits peut également entraîner des pénalités. Les articles excédentaires doivent maintenant être conservés en stock jusqu’à leur vente. Une certaine quantité de stock de sécurité est censée aider à faire face à l’incertitude de la demande prévue ; cependant, un excès de stocks entraîne des inefficacités qui peuvent diluer les résultats d’une organisation. Surtout lorsque les produits sont périssables, une surabondance peut entraîner la perte de tout ou partie de l’investissement initial réalisé pour acquérir le produit fini vendable.

Même lorsque les produits ne sont pas périssables, pendant le stockage, ils deviennent effectivement une ressource inutilisée qui pourrait être disponible dans le bilan sous forme de liquidités gratuites ou utilisée pour poursuivre d’autres investissements. Mise à part les bilans, les coûts de stockage et de transport ne sont pas gratuits. Les organisations disposent généralement d’une quantité finie de capacités d’entrepôt et de logistique organisées. Elles doivent opérer dans ces contraintes, en utilisant les ressources disponibles efficacement.

• Améliorer la précision du score de sentiment avec FinBERT et adopter les principes SOLID
• Créez une application de résumé de documents HCLS avec Falcon en utilisant Amazon SageMaker JumpStart.
• Automatisez l’autorisation préalable en utilisant CRD avec des crochets CDS et AWS HealthLake

Face au choix entre la surcapacité et l’insuffisance, en moyenne, la plupart des organisations préfèrent la surcapacité par choix explicite. Le coût mesurable de l’insuffisance est souvent plus élevé, parfois plusieurs fois, par rapport au coût de la surcapacité, que nous discutons dans les sections suivantes.

À ce jour, la raison principale du biais envers la surcapacité est d’éviter le coût immatériel de perdre la bonne volonté des clients chaque fois que les produits sont indisponibles. Les fabricants et les détaillants réfléchissent en termes de valeur client à long terme et souhaitent favoriser la fidélité à la marque. Cette mission contribue à orienter leur stratégie de la chaîne d’approvisionnement.

Dans cette section, nous avons examiné les inégalités induites par l’allocation de trop ou trop peu de ressources à la suite d’un processus de planification de la demande. Ensuite, nous étudions la prévision de séries chronologiques et comment les prédictions de la demande peuvent être assorties de manière optimale à des stratégies d’approvisionnement au niveau des articles.

Approches classiques des cycles de vente et de planification des opérations

Historiquement, la prévision a été réalisée avec des méthodes statistiques qui donnent des prévisions ponctuelles, qui fournissent une valeur la plus probable pour l’avenir. Cette approche est souvent basée sur des formes de moyennes mobiles ou de régression linéaire, qui cherchent à ajuster un modèle en utilisant une approche des moindres carrés ordinaires. Une prévision ponctuelle est constituée d’une seule valeur de prédiction moyenne. Parce que la valeur de la prévision ponctuelle est centrée sur une moyenne, il est attendu que la vraie valeur soit supérieure à la moyenne, environ 50% du temps. Cela laisse encore 50% du temps où le nombre réel sera inférieur à la prévision ponctuelle.

Les prévisions ponctuelles peuvent être intéressantes, mais elles peuvent entraîner des ruptures de stock de produits indispensables 50% du temps si elles sont suivies sans examen d’experts. Pour éviter de desservir les clients, les planificateurs de l’offre et de la demande appliquent des ajustements manuels par des avis d’experts ou ajustent les prévisions ponctuelles par une formule de stock de sécurité. Les entreprises peuvent utiliser leur propre interprétation d’une formule de stock de sécurité, mais l’idée est d’aider à garantir que l’offre de produits est disponible sur un horizon à court terme incertain. En fin de compte, les planificateurs devront décider s’ils doivent augmenter ou diminuer les prévisions ponctuelles moyennes, selon leurs règles, interprétations et vision subjective de l’avenir.

La prévision de séries chronologiques moderne et de pointe permet le choix

Pour répondre aux besoins de prévision du monde réel, AWS offre un large éventail de capacités qui offrent une approche moderne de la prévision de séries chronologiques. Nous proposons des services d’apprentissage automatique (ML) qui incluent, entre autres, Amazon SageMaker Canvas (pour plus de détails, voir Former un modèle de prévision de séries chronologiques plus rapidement avec Amazon SageMaker Canvas Quick build), Amazon Forecast (Commencez votre parcours réussi avec la prévision de séries chronologiques avec Amazon Forecast) et les algorithmes intégrés d’Amazon SageMaker (Prévision de la demande profonde avec Amazon SageMaker). De plus, AWS a développé un package logiciel open-source, AutoGluon, qui prend en charge diverses tâches ML, y compris celles dans le domaine des séries chronologiques. Pour plus d’informations, voir Prévision facile et précise avec AutoGluon-TimeSeries.

Considérez la prévision ponctuelle discutée dans la section précédente. Les données du monde réel sont plus complexes qu’une simple moyenne ou qu’une estimation linéaire. De plus, en raison du déséquilibre entre l’offre et la demande, une seule estimation ponctuelle ne suffit pas. Les services AWS répondent à ce besoin en utilisant des modèles d’apprentissage automatique couplés à une régression quantile. La régression quantile vous permet de choisir parmi une large gamme de scénarios de planification, exprimés sous forme de quantiles, plutôt que de vous fier à des prévisions ponctuelles. Ce sont ces quantiles qui offrent un choix, que nous décrirons plus en détail dans la section suivante.

Prévisions conçues pour satisfaire les clients et générer une croissance commerciale

La figure suivante illustre une prévision de séries temporelles avec plusieurs résultats, rendue possible grâce à la régression quantile. La ligne rouge, représentée par p05, offre une probabilité que le chiffre réel, quel qu’il soit, soit susceptible de tomber en dessous de la ligne p05, environ 5% du temps. En revanche, cela signifie que 95% du temps, le chiffre réel sera probablement supérieur à la ligne p05.

Ensuite, observez la ligne verte, désignée par p70. La valeur réelle tombera en dessous de la ligne p70 environ 70% du temps, laissant une chance de 30% qu’elle dépasse la ligne p70. La ligne p50 offre une perspective médiane sur l’avenir, avec une probabilité de 50/50 que les valeurs se situent au-dessus ou en dessous de la ligne p50, en moyenne. Ce ne sont que des exemples, mais tout quantile peut être interprété de la même manière.

Dans la section suivante, nous examinerons comment mesurer si les prévisions quantiles produisent un excès ou un déficit d’approvisionnement par article.

Mesure de l’excès et du déficit d’approvisionnement à partir des données historiques

La section précédente a présenté une manière graphique d’observer les prévisions ; une autre façon de les visualiser est sous forme de tableau, comme indiqué dans le tableau suivant. Lors de la création de modèles de séries temporelles, une partie des données est mise de côté lors de l’opération d’entraînement, ce qui permet de générer des métriques de précision. Bien que l’avenir soit incertain, l’idée principale ici est que la précision pendant une période de réserve est la meilleure approximation de la performance des prévisions de demain, toutes choses égales par ailleurs.

Le tableau ne montre pas les métriques de précision ; il montre plutôt les valeurs réelles connues du passé, ainsi que plusieurs prévisions quantiles de p50 à p90 par pas de 10. Au cours des cinq dernières périodes historiques, la demande réelle était de 218 unités. Les prévisions quantiles offrent une gamme de valeurs, allant d’un minimum de 189 unités à un maximum de 314 unités. Avec le tableau suivant, il est facile de voir que p50 et p60 entraînent un déficit d’approvisionnement, tandis que les trois derniers quantiles entraînent un excès d’approvisionnement.

Nous avons précédemment souligné qu’il existe une asymétrie dans l’excès et le déficit d’approvisionnement. La plupart des entreprises qui choisissent consciemment de fournir un excès le font pour éviter de décevoir les clients. La question cruciale devient donc : “Pour l’avenir, contre quel numéro de prévision quantile l’entreprise doit-elle planifier ?” Étant donné l’asymétrie qui existe, une décision pondérée doit être prise. Ce besoin est abordé dans la section suivante, où les quantités prévues, en unités, sont converties en leurs significations financières respectives.

Sélection automatique des points quantiles corrects sur la base de la maximisation du profit ou des objectifs de service client

Pour convertir les valeurs quantiles en valeurs commerciales, nous devons trouver la pénalité associée à chaque unité de surstock et à chaque unité de sous-stock, car elles ne sont que rarement égales. Une solution à ce besoin est bien documentée et étudiée dans le domaine de la recherche opérationnelle, appelée problème du marchand de journaux. Whitin (1955) a été le premier à formuler un modèle de demande incluant les effets des prix. Le problème du marchand de journaux tire son nom d’une époque où les vendeurs de journaux devaient décider combien de journaux acheter pour la journée. S’ils choisissaient un nombre trop bas, ils se retrouvaient en rupture de stock rapidement et n’atteignaient pas leur potentiel de revenus quotidien. S’ils choisissaient un nombre trop élevé, ils se retrouvaient avec “les nouvelles d’hier” et risquaient de perdre une partie de leur investissement spéculatif matinal.

Pour calculer les pénalités de sur et sous-unité, quelques données sont nécessaires pour chaque élément que vous souhaitez prévoir. Vous pouvez également augmenter la complexité en spécifiant les données sous forme de paire d’élément+emplacement, d’élément+client ou d’autres combinaisons selon les besoins de l’entreprise.

• Valeur de vente prévue pour l’élément.
• Coût total des marchandises à acheter ou à fabriquer pour l’élément.
• Coûts de possession estimés liés au stockage de l’élément en inventaire, s’il n’est pas vendu.
• Valeur de récupération de l’élément, s’il n’est pas vendu. En cas de forte périssabilité, la valeur de récupération pourrait approcher zéro, entraînant une perte totale de l’investissement initial dans les coûts des marchandises. Lorsqu’il est stable, la valeur de récupération peut être n’importe où en dessous de la valeur de vente prévue pour l’élément, en fonction de la nature d’un élément stocké et potentiellement vieilli.

Le tableau suivant montre comment les points de quantile ont été sélectionnés parmi les points de prévision disponibles dans les périodes historiques connues. Prenons l’exemple de l’élément 3, qui a connu une demande réelle de 1 578 unités lors des périodes précédentes. Une estimation avec un p50 de 1 288 unités aurait entraîné une sous-alimentation, tandis qu’une valeur de p90 de 2 578 unités aurait produit un surplus. Parmi les quantiles observés, la valeur de p70 produit un bénéfice maximum de 7 301 $. Sachant cela, vous pouvez voir comment une sélection de p50 entraînerait une pénalité d’environ 1 300 $, par rapport à la valeur de p70. Il s’agit d’un seul exemple, mais chaque élément dans le tableau a une histoire unique à raconter.

Aperçu de la solution

Le schéma suivant illustre un flux de travail proposé. Tout d’abord, Amazon SageMaker Data Wrangler utilise les prévisions de backtest produites par un prévisionniste de séries temporelles. Ensuite, les prévisions de backtest et les valeurs réelles connues sont associées aux métadonnées financières sur une base d’élément. À ce stade, en utilisant les prévisions de backtest, une transformation de SageMaker Data Wrangler calcule le coût unitaire de la prévision insuffisante et excessive par élément.

SageMaker Data Wrangler traduit la prévision unitaire dans un contexte financier et sélectionne automatiquement le quantile spécifique à l’élément qui offre le plus grand bénéfice parmi les quantiles examinés. Le résultat est un ensemble de données sous forme de tableau, stocké sur Amazon S3, et qui est conceptuellement similaire au tableau de la section précédente.

Enfin, un prévisionniste de séries temporelles est utilisé pour produire des prévisions futures pour les périodes futures. Ici, vous pouvez également choisir de piloter des opérations d’inférence ou d’agir sur les données d’inférence en fonction du quantile choisi. Cela peut vous permettre de réduire les coûts de calcul tout en évitant la charge de l’examen manuel de chaque élément. Les experts de votre entreprise peuvent consacrer plus de temps aux articles à forte valeur ajoutée tandis que des milliers d’articles de votre catalogue peuvent bénéficier d’ajustements automatiques. Comme point à prendre en compte, l’avenir comporte une certaine dose d’incertitude. Cependant, toutes choses étant égales par ailleurs, une sélection mixte de quantiles devrait optimiser les résultats dans un ensemble global de séries temporelles. Ici chez AWS, nous vous conseillons d’utiliser deux cycles de prédictions de rétention pour quantifier le degré d’améliorations trouvées avec une sélection mixte de quantiles.

Orientation de la solution pour accélérer votre mise en œuvre

Si vous souhaitez recréer la solution de sélection de quantiles discutée dans cet article et l’adapter à votre propre ensemble de données, nous proposons un ensemble de données d’échantillon synthétique et un fichier de flux SageMaker Data Wrangler d’échantillon pour vous aider à démarrer sur GitHub. L’expérience pratique complète devrait vous prendre moins d’une heure.

Nous fournissons cet article et cette orientation de solution pour vous aider à accélérer votre temps de mise sur le marché. Le principal facilitateur pour recommander des quantiles spécifiques est SageMaker Data Wrangler, un service AWS spécialement conçu pour réduire le temps nécessaire à la préparation des données pour des cas d’utilisation d’apprentissage automatique. SageMaker Data Wrangler offre une interface visuelle pour concevoir des transformations de données, analyser des données et effectuer de l’ingénierie des caractéristiques.

Si vous êtes nouveau dans SageMaker Data Wrangler, référez-vous à Commencez avec Data Wrangler pour comprendre comment lancer le service via Amazon SageMaker Studio. Indépendamment, nous avons plus de 150 articles de blog qui aident à découvrir les transformations diverses des données d’échantillon abordées par le service.

Conclusion

Dans cet article, nous avons discuté de la façon dont la régression quantile permet de prendre plusieurs décisions commerciales dans la prévision de séries temporelles. Nous avons également discuté des pénalités de coût déséquilibrées associées à la surprévision et la sous-prévision – souvent, la pénalité de la sous-offre est plusieurs fois supérieure à la pénalité de la sur-offre, sans parler du fait que la sous-offre peut entraîner la perte de la satisfaction des clients.

L’article a discuté de la façon dont les organisations peuvent évaluer plusieurs points de prédiction quantile en tenant compte des coûts de sur et sous-offre de chaque élément afin de sélectionner automatiquement le quantile le plus susceptible de fournir le plus de profit lors des périodes futures. Si nécessaire, vous pouvez outrepasser la sélection lorsque les règles commerciales exigent un quantile fixe plutôt qu’un quantile dynamique.

Le processus est conçu pour aider à atteindre les objectifs commerciaux et financiers tout en éliminant les frictions liées à l’application manuelle de décisions sur chaque élément prévu. SageMaker Data Wrangler aide le processus à s’exécuter de manière continue car la sélection des quantiles doit être dynamique avec l’évolution des données du monde réel.

Il convient de noter que la sélection des quantiles n’est pas un événement ponctuel. Le processus doit être évalué à chaque cycle de prévision également, afin de tenir compte des changements, tels que l’augmentation du coût des marchandises, l’inflation, les ajustements saisonniers, les nouvelles introductions de produits, les évolutions de la demande des consommateurs, et bien plus encore. Le processus d’optimisation proposé se positionne après la génération du modèle de séries temporelles, également appelée étape de formation du modèle. Les sélections de quantiles se font et sont utilisées avec l’étape de génération des prévisions futures, appelée parfois étape d’inférence.

Si vous avez des questions sur cet article ou si vous souhaitez une analyse plus approfondie de vos besoins organisationnels uniques, veuillez contacter votre équipe de compte AWS, votre architecte de solutions AWS ou ouvrir un nouveau dossier dans notre centre de support.

Références

• DeYong, G. D. (2020). Le vendeur de nouvelles fixant le prix : revue et extensions. International Journal of Production Research, 58(6), 1776–1804.
• Liu, C., Letchford, A. N., & Svetunkov, I. (2022). Problèmes de vendeur de nouvelles : une méthode intégrée pour l’estimation et l’optimisation. European Journal of Operational Research, 300(2), 590–601.
• Punia, S., Singh, S. P., & Madaan, J. K. (2020). De l’analyse prédictive à l’analyse prescriptive : un modèle de vendeur de nouvelles multi-articles basé sur les données. Decision Support Systems, 136.
• Trapero, J. R., Cardós, M., & Kourentzes, N. (2019). Combinaison optimale de prévisions quantiles pour améliorer l’estimation du stock de sécurité. International Journal of Forecasting, 35(1), 239–250.
• Whitin, T. M. (1955). Contrôle des stocks et théorie des prix. Management Sci. 2 61–68.

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