Prévision de la demande : prévision des ventes, saisonnalité et analyse des tendances

Gains :

• Capacité à produire un projet de prévision de la demande sur la base d'un SKU avec le support de l'intelligence artificielle en combinant les données de ventes historiques, les effets saisonniers et les facteurs externes.
• Capacité à interpréter la précision des prévisions (MAPE, biais) et à distinguer les conséquences commerciales de la surestimation et de la sous-estimation
• Être capable de maintenir que la prévision produite par l'intelligence artificielle est une prédiction et que la décision finale de commande appartient au gestionnaire avec le coût des stocks et le flux de trésorerie.

Il existe deux erreurs les plus coûteuses dans le commerce de détail : conserver trop de stock et laisser l'argent languir dans les rayons, ou ne pas conserver suffisamment de stock et laisser le client les mains vides. Les deux ont la même source : une mauvaise prévision de la demande. Dans cette unité, vous apprendrez à utiliser l'intelligence artificielle comme un assistant puissant qui prédit l'avenir à partir des ventes passées. Mais disons dès le début : une prédiction n’est pas une prophétie, mais une prédiction probabiliste. L'IA vous donne un numéro ; C'est votre travail de traduire ce numéro en une décision de commande.

Prévision de la demande : il s'agit de prédire la quantité d'un produit ou d'une catégorie qui sera vendue à l'avenir en examinant les données historiques et les facteurs d'influence.

SKU (Stock Keeping Unit) : Il s'agit du code de stock unique conservé pour chaque variante de produit différente. Par exemple, « baskets rouges, taille 42 » est un SKU ; le numéro 43 du même modèle est un SKU distinct.

Trois sources d'informations qui alimentent la prévision

Une bonne prévision combine trois choses :

1. Ventes historiques (référence) : ventes hebdomadaires/mensuelles du produit au cours des 12 à 24 derniers mois. L'IA extrait un niveau "normal" de cette série.
2. Effets saisonniers et calendaires : Jours fériés, trimestre scolaire, été-hiver, week-end, jour de paie. Par exemple, les glaces augmentent en été et les chaussettes augmentent en hiver.
3. Facteurs externes : Campagne, changement de prix, météo, mouvement des concurrents, ouverture/fermeture. Ceux-ci poussent l’estimation vers le haut ou vers le bas.

Astuce : ne dites pas simplement à l'IA "nous en avons vendu 100 le mois dernier". Dites : « Nous en avons vendu 100 le mois dernier, mais il y avait une remise de 20 % et c'était une semaine de vacances. » Sans contexte, la prédiction est trompeuse.

Génération de prédictions étape par étape

1. Préparez les données : Un tableau anonyme et propre : date, SKU, quantité vendue, prix, promotion/pas de promotion, disponibilité. Marquez les jours de rupture de stock ; Sinon, l'intelligence artificielle pensera que ce jour est une « faible demande ».
2. Donnez du contexte : notez la saison, les événements à venir, les campagnes planifiées.
3. Demander une prévision : demandez une prévision et un intervalle de confiance (pire/meilleur scénario) pour une période spécifique, par SKU ou par catégorie.
4. Mesurez la précision : comparez vos prédictions passées à la réalité (MAPE ci-dessous).
5. Transformez-le en décision : combinez l'estimation avec le stock de sécurité et le budget et prenez la décision de commande.

Précision des prévisions de lecture : MAPE et biais

MAPE (Mean Absolute Percent Error) : affiche l'écart en pourcentage moyen des prévisions par rapport aux ventes réelles. La formule est simplement : |réel − prévision| pour chaque période/réel est leur moyenne.

• MAPE 10% → les estimations s'écartent de 10% en moyenne, plutôt bien.
• MAPE 40% → les prévisions ne sont pas fiables, davantage de tampon (stock de sécurité) est nécessaire pour prendre une décision de commande.

Direction (biais) : vos prévisions sont-elles systématiquement supérieures (risque de surstockage) ou inférieures (risque de rupture de stock) à la réalité ? Regardez ceci aussi ; MAPE n'indique pas la direction.

Statut

Signification

résultat commercial

Estimation haute persistante

Vous exagérez la demande

Excédent de stock, fusion, perte de marge

Sous-estimation persistante

Vous sous-estimez la demande

Rupture de stock, ventes manquées, insatisfaction

MAPE élevé, direction équilibrée

L'incertitude est élevée

Augmentez le stock de sécurité, révisez fréquemment

MAPE faible

prédiction précise

Moins de stocks, meilleure trésorerie

mini-cas

Cas 1 — Saisonnalité manquante : Une épicerie commande des cahiers scolaires en fonction des ventes de juillet de l'année dernière (200 unités par mois). Si l'on considère l'intelligence artificielle dans le contexte de « trimestre août-septembre, les ventes ont quadruplé au cours de cette période l'année dernière », la prévision passe à 780 unités au lieu de 200. Grâce à une commande correcte, vous ne serez pas en rupture de stock pendant l'année scolaire ; Le chiffre d'affaires estimé à 60 000 TL, qui s'était échappé l'année précédente, est en train d'être rattrapé cette année.

Cas 2 — Sans compter le jour de rupture de stock : un magasin était en rupture de stock d'un café populaire pendant 3 semaines. En regardant les données brutes, l’intelligence artificielle considère ces semaines comme « 5 ventes par semaine » et donne une estimation basse. Lorsque l'analyste marque les jours sans stock et déclare que "ces semaines ne reflètent pas la demande", la prévision passe à 45 par semaine. Une vraie demande apparaît.

Cas 3 — Généralisation de l'effet de campagne : Une chaîne textile considère une vente hebdomadaire à 50 % de réduction (600 unités) comme « normale » et en commande constamment 600. Lorsque l'intelligence artificielle apprend « cette vente a été réalisée avec une campagne ponctuelle, la semaine normale est de 180 », la prédiction est corrigée. Le risque de surstock et de perte de démarque ultérieure est évité.

Horizon de prévision : jusqu’où pouvez-vous voir ?

Horizon de prévision : jusqu'où la prévision est-elle effectuée dans le futur. La règle est simple : plus l’horizon est long, plus l’incertitude est grande. Vous prédisez les ventes de la semaine prochaine de manière relativement précise ; six mois plus tard, avec une gamme beaucoup plus large. Choisissez donc l'horizon de prévision en fonction du besoin de décision de commande : horizon court et mise à jour fréquente pour des produits frais qui s'épuisent rapidement ; Horizon plus long et marge de sécurité plus large pour les produits importés avec des délais de livraison longs.

Une autre distinction importante concerne la prévision des nouveaux produits. Il n’y a pas de vente antérieure d’un nouveau SKU ; dans ce cas, vous donnez à l'IA l'historique des produits similaires (analogiques), la moyenne de la catégorie et le plan de lancement. Dire « Ce produit n'a pas d'historique ; donnez une première estimation en examinant les 8 premières semaines de produits similaires X et Y » est une manière raisonnable de remplir le vide. Cependant, la prévision de nouveaux produits est toujours plus risquée ; Révisez rapidement les prévisions dès que les données réelles des premières semaines deviennent disponibles.

Attention : Ne considérez pas l'estimation comme un traitement « faites-le une fois et oubliez-le ». La prévision de la demande est un processus en direct ; Chaque nouvelle semaine de soldes est l’occasion de mettre à jour les prévisions. Les meilleurs prévisionnistes sont ceux qui utilisent celui qui se met à jour le plus fréquemment, et non le modèle le plus intelligent.

Invite faible/Invite forte

Invite faible :

Dites-moi combien ce produit se vendra le mois prochain.

Il n'y a pas de contexte ; L'IA compose un nombre aléatoire.

Invite puissante :

Votre rôle : spécialiste de la planification de la demande. Données : Vous trouverez ci-dessous la quantité et le prix des ventes mensuelles au cours des 18 derniers mois pour le SKU 4471 et s'il y a une campagne ce mois-là. Contexte : Ce produit est des sandales d'été ; La demande culmine en mai-août. Le mois prochain, c'est juin. Aucune campagne n'est prévue. Le prix est fixe.Tâche : (1) quantité de ventes attendue pour juin, (2) fourchette des pires et meilleurs scénarios, (3) 2 facteurs principaux affectant les prévisions.Règle : ne comptez pas les mois marqués comme étant en rupture de stock comme une faible demande.Basé uniquement sur les données fournies.Données : [coller le tableau]

Modèles d'invite copiables

1) Prédiction basée sur le SKU

Votre rôle : spécialiste de la planification de la demande. Générez des prévisions futures [période] pour [SKU] à partir des séries de ventes mensuelles anonymes suivantes. Résultat : quantité attendue + fourchette la pire/la meilleure + 2 hypothèses. Exclure les périodes marquées en rupture de stock. Données : [coller]

2) Suppression des modèles saisonniers

Découvrez ci-dessous le modèle saisonnier récurrent dans la série de ventes sur 24 mois. Quels mois sont en haut et quels mois sont en bas ? Donnez l'écart par rapport à la moyenne en pourcentage. Présentez-le sous forme de tableau. Données : [coller]

3) Évaluation de la précision des prévisions

Vous trouverez ci-dessous mes estimations historiques et mes ventes réelles. (1) Calculez MAPE, (2) ma prévision dérive-t-elle constamment vers le haut ou vers le bas, (3) qu'est-ce que cela signifie pour le stock ? Afficher étape par étape.Données : [estimation, colonnes réelles]

4) Extraire l'impact de la campagne

Les semaines de campagne sont marquées dans la série de ventes ci-dessous. Estimer la demande normale (hors campagne) ; Donnez l'effet de la campagne sous la forme d'un pourcentage d'amélioration distinct. Je veux donc voir le niveau de commande normal. Données : [coller]

Erreurs courantes

• Ne pas donner de contexte : si la campagne, la saison, le changement de prix ne sont pas précisés, la prédiction sera trompeuse.
• S'il faut compter les jours de rupture de stock comme une demande : une période de rupture de stock cache une demande réelle ; marque.
• Accepter les ventes promotionnelles comme d'habitude : penser qu'une augmentation ponctuelle est permanente entraînera un stock excédentaire.
• S'appuyer sur un seul chiffre : Ne pas vouloir de fourchette (scénario) et s'appuyer sur un seul point cache le risque.
• Ne pas mesurer la précision du tout : si le MAPE et la direction ne sont pas surveillés, la prédiction devient de pire en pire.
• Passer des commandes directes avec devis : Commande sans espèces, sans contrôle d'entrepôt et de durée de conservation.

En résumé

Une bonne prévision combine les ventes passées, la saisonnalité et les facteurs externes. Assurez-vous de donner à l'IA le contexte (campagne, saison, jours de rupture de stock). Surveiller l'exactitude des prévisions avec MAPE et la direction du biais ; Augmenter le stock de sécurité en cas de forte incertitude. Une prédiction est une prédiction ; La décision finale de commande vous appartient, ainsi que le budget et les contraintes.

Tâche de candidature

Obtenez les ventes de vos 5 SKU les plus vendus au cours des 12 à 18 derniers mois dans un tableau anonyme et marquez les périodes de rupture de stock et de campagne. Générez une prévision future avec l'invite "1) Prévisions basées sur le SKU", puis extrayez le MAPE de vos prévisions passées avec "3) Évaluation de l'exactitude des prévisions". Comparez le résultat avec votre propre décision de commande.

liste de contrôle

• [ ] J'ai anonymisé et nettoyé mes données de vente.
• [ ] J'ai marqué les périodes de rupture de stock et de campagne.
• [ ] J'ai donné le contexte de la saison et des facteurs externes à l'IA.
• [ ] Je voulais une fourchette de scénarios, pas un seul chiffre.
• [ ] J'ai vérifié MAPE et la direction de lacet.
• [ ] J'ai pris la décision de commande en fonction du budget et des contraintes.