Gains :
- Capacité à distinguer les méthodes de prévision de la demande (moyenne mobile, lissage exponentiel, saisonnalité)
- Possibilité de configurer des scénarios de prédiction avec l'IA et d'évaluer la précision avec des métriques telles que MAPE/MAE
- Possibilité de recouper les résultats des prévisions avec le contexte commercial et les effets promotionnels/saisonniers
La prévision de la demande est la base sur laquelle reposent la planification de la production, la gestion des stocks et l’ensemble de la chaîne d’approvisionnement. De mauvaises prévisions coûtent cher dans les deux sens : une surestimation entraîne des coûts de stocks et du gaspillage, tandis qu'une sous-estimation entraîne une perte de ventes et l'insatisfaction des clients. L'intelligence artificielle aide à de nombreux égards dans le processus de prévision, du choix d'une méthode à l'interprétation des données historiques et à la génération de scénarios ; Mais considérer les prévisions comme une « boule de cristal magique » est la plus grande erreur. Dans cette unité, nous aborderons les méthodes de prévision classiques, comment les construire correctement avec l'IA et comment mesurer la précision.
Brève carte des méthodes de prévision
Toutes les séries de revendications ne se comportent pas de la même manière ; Certains sont plats, certains ont des tendances, certains sont saisonniers. Il faut choisir la méthode en fonction des séries.
Méthode
Quand est-ce approprié ?
Attention
Naïf (dernière valeur)
À titre de comparaison (référence)
Ne suit pas la tendance/saison
moyenne mobile
Série statique et bruyante
Réagit tardivement à la tendance
Lissage exponentiel (SES)
Séries stationnaires, accent sur les données proches
Bien s'il n'y a pas de tendance
Holt (double exponentielle)
Série tendance
N'attrape pas la saison
Holt-Hivers
Tendance + saisonnalité
Nécessite suffisamment de données historiques
Régression/ML
Multi-variable, promotion efficace
Risque de surajustement
Astuce : commencez toujours par une supposition « naïve ». Si votre modèle complexe ne vaut pas mieux qu'une supposition naïve, cela ne vaut pas la peine de supporter la complexité. Naive est une référence gratuite pour mesurer la précision.
Comment mesurons-nous la précision ? (Mesures)
La précision des prévisions ne peut être améliorée sans la mesurer. Les métriques les plus courantes :
- MAE (Mean Absolute Error) : La moyenne de la valeur absolue des erreurs. L'unité est la même que l'unité de demande.
- RMSE (Root Mean Square Error) : pénalise davantage les erreurs plus importantes.
- MAPE (Erreur moyenne absolue en pourcentage) : en pourcentage ; Bon pour la comparaison entre les articles, mais déformé lorsque la demande est proche de zéro.
- Biais : erreur moyenne ; Indique si vous surestimez ou sous-estimez systématiquement.
Un petit exemple de compte. Soit la demande réelle [100, 120, 90] et la prévision [110, 115, 100] :
Erreurs (réelles - prévisionnelles) : -10, +5, -10Erreurs absolues : 10, 5, 10 → MAE = 25 / 3 ≈ 8,33Pourcentage d'erreurs : 10/100, 5/120, 10/90 = 10 %, 4,17 %, 11,11 %MAPE = (10 + 4,17 + 11.11) / 3 ≈ 8,43%Biais = (-10 + 5 - 10) / 3 = -5 → surestimation en moyenne (prédiction > réel)
Un biais négatif (vrai moins l'estimation) indique que l'estimation est systématiquement surestimée ; Cela signifie une inflation des stocks. De telles erreurs directionnelles peuvent être masquées dans MAPE, elles sont donc examinées ensemble.
Construire le processus de prévision avec l'IA
Vous pouvez utiliser l’IA le plus efficacement à deux endroits : (1) pour examiner les données et suggérer la méthode et les actions appropriées à entreprendre, et (2) pour générer du code prédictif. Pour une suggestion de méthode :
Rôle : Vous êtes un ingénieur industriel expérimenté en prévision de la demande. Tâche : Examinez les séries de ventes mensuelles ci-dessous et recommandez la méthode de prévision appropriée. Évaluez s’il existe une tendance et une saisonnalité, rédigez votre justification. Données (mensuelles, 24 derniers mois) : {{values }}Informations supplémentaires : Il y a une promotion en décembre, la demande diminue pendant les mois d'été. Le résultat que je veux : 1. Commentez le caractère de la série (stable/tendance/saisonnière).2. 2 méthodes recommandées et pourquoi.3. Quelle mesure de précision dois-je suivre ?4. Pièges auxquels je dois me méfier (valeur aberrante, effet promotionnel). Règle : Ne promettez pas une exactitude absolue sans voir les données.
Invite faible/Invite forte
Invite faible :
Combien vais-je vendre le mois prochain ?
Celui-ci ne contient ni données ni contexte ; L'IA le rejette ou renvoie un numéro entièrement inventé. Une telle sortie est dangereuse car elle semble digne de confiance.
Invite puissante :
Prédisez les 3 prochains mois en utilisant la logique Holt-Winters avec cette série de 24 mois. La durée de la saison est de 12. Écrivez d'abord les hypothèses de la méthode, puis donnez la prévision, puis calculez le MAPE en backtestant les 6 derniers mois. Marquez les mois de promotion séparément. Données : {{ ... }}
La deuxième invite demande à la fois la prédiction et le degré de confiance nécessaire pour faire confiance à cette prédiction (backtesting). Cela transforme la prédiction d’un « oracle » en un outil mesurable.
Backtesting : mesure de la confiance dans la prédiction
Le véritable test de la prédiction se situe dans le passé et non dans le futur. Vous divisez les données dont vous disposez en deux : la création de modèles (entraînement) et les tests. Vous construisez le modèle avec la première pièce, prédisez la période suivante et comparez-la à la réalité. Cette logique de « résistance » révèle si un modèle fonctionne réellement ou non.
Mettez en place un plan de backtest simple pour la série suivante : mettez de côté les 6 derniers mois comme tests, entraînez 3 méthodes différentes (naïve, SES, Holt-Winters) avec les données restantes, calculez le MAPE et le biais pour chacune pendant la période de test et faites un tableau comparatif. Écrivez la méthode gagnante et la justification.
Attention : l'IA peut parfois « prédire » les résultats du backtest et vous présenter un graphique prêt à l'emploi ; c'est-à-dire qu'il peut inventer des chiffres qui semblent raisonnables sans réellement les calculer. Assurez-vous de reproduire les résultats numériques avec du code (Python/Excel). Un modèle de langage n’effectue pas de longues opérations arithmétiques de manière fiable.
Mini coffret : Surstock de produits saisonniers
Une entreprise de distribution alimentaire se plaint d'avoir chaque année en hiver un stock trop important d'un produit saisonnier comme la glace. L'ingénieur industriel Elif donne 3 ans de données mensuelles à l'IA et lui demande d'évaluer le caractère de la série. L’IA détecte une forte saisonnalité (pic estival) et une légère tendance à la croissance annuelle, suggère Holt-Winters. Elif génère la prédiction en Python et la teste : MAPE est de 14 %, mais le biais est significativement négatif – le modèle surprédit systématiquement. Lorsqu'il cherche pourquoi, il découvre qu'il a pris une période de campagne dans les données historiques comme « normale » et a enseigné au modèle une base trop élevée. Lorsque nous supprimons l’effet de campagne et reconstruisons le modèle, le biais diminue et le stock hivernal diminue considérablement. Leçon : L'IA a suggéré la méthode correctement, mais c'était un travail humain de nettoyer les données et d'interpréter les biais.
Erreurs courantes
- Ne pas suivre les métriques : estimer et ne jamais mesurer la précision. La prévision sans mesure ne peut pas être améliorée.
- Il suffit de regarder MAPE : ignorer les préjugés. Une erreur directionnelle (systématique) gonfle silencieusement l’inventaire.
- Confondre les nombres constitués par l'IA pour les calculs : ne pas valider les valeurs de backtest et de métriques avec du code.
- Ne pas nettoyer la valeur aberrante/promotion : prendre une campagne ponctuelle comme une demande normale et l'enseigner au modèle.
- Surajustement : lorsqu'un modèle complexe s'adapte parfaitement au passé mais fonctionne mal dans le futur. Gardez le modèle simple comme référence.
En résumé
- Choisir la méthode de prévision en fonction du caractère de la série (stationnaire, tendancielle, saisonnière) ; Commencez toujours par vous comparer à un naïf.
- Mesurez la précision avec MAE/RMSE/MAPE, mais surveillez également le biais : l’erreur directionnelle est la plus coûteuse.
- Utiliser l'IA pour la recommandation de méthodes et la génération de code ; Considérez la prévision comme un outil mesurable et non comme une « prophétie ».
- Le backtesting est le véritable test du degré de confiance qu’un modèle peut avoir ; Assurez-vous de vérifier les résultats numériques avec le code.
- C'est le travail de l'humain de nettoyer les données (valeur aberrante, promotion) et d'interpréter le résultat ; L'IA saute ces étapes.
Tâche de candidature
Avoir au moins une série de demandes de 18 à 24 périodes (fiction réelle ou réaliste). Tout d’abord, donnez la série à l’IA et demandez-lui d’interpréter son caractère (tendance/saisonnalité) et de suggérer deux méthodes. Utilisez ensuite la puissante invite « plan de backtest » pour réserver les 6 dernières périodes comme tests et comparer au moins deux méthodes. Étape critique : recalculez vous-même les valeurs MAPE et de biais renvoyées par l'IA avec Excel ou Python et comparez-les avec la sortie de l'IA. Si vous trouvez un numéro qui ne correspond pas, notez-le. Enfin, interprétez le signe du biais : votre modèle surestime-t-il ou sous-estime-t-il, et quel effet cela a-t-il sur votre inventaire ?