Gains :
- Capacité à comprendre les concepts de séries chronologiques, de tendances, de saisonnalité et d'impact des campagnes et à utiliser l'intelligence artificielle pour prévoir la demande avec les bonnes questions et des données claires.
- Capacité à interpréter la précision des prévisions (MAPE, écart) et l'incertitude (intervalle de confiance, scénarios) et à baser la planification sur une plage plutôt que sur un chiffre unique.
- Être capable de distinguer que la prédiction de l'intelligence artificielle est basée sur des données historiques et que le jugement d'expert prend le dessus en cas de ruptures telles que de nouveaux produits, de promotions ou de crises d'approvisionnement.
Chaque décision dans la chaîne d’approvisionnement repose sur une seule question : quelle sera la demande ? Plus vous répondez précisément à cette question, moins vous détenez d’actions, moins vous restez en dehors d’actions et moins vous immobilisez d’argent. La prévision de la demande est le moteur de la chaîne d’approvisionnement ; Les plans de stocks, d’achats, de production et de transport sont tous alimentés à partir d’ici. L’intelligence artificielle est extrêmement puissante dans ce domaine car elle analyse l’historique de milliers de produits beaucoup plus rapidement qu’un humain et en extrait des modèles. Mais la source de sa puissance est aussi sa limite : l’IA apprend du passé ; Si l’avenir ne ressemble pas au passé, c’est une erreur. Dans cette unité, nous apprendrons le langage de la prédiction, la mesure de la précision, la gestion de l’incertitude et les domaines dans lesquels l’IA doit s’abandonner à vous.
Langage de prévision : séries chronologiques, tendance, saisonnalité
Les données sur la demande sont généralement une série chronologique, c'est-à-dire une série de chiffres classés par temps, comme les ventes quotidiennes d'un produit. La division de cette séquence en trois parties constitue la base de la prédiction :
Tendance, orientation à long terme : les ventes augmentent-elles ou diminuent-elles d'année en année ? Saisonnalité, fluctuation régulièrement récurrente : les glaces se vendent en été, le chauffage se vend en hiver ; Le marché est animé le vendredi et le samedi. Bruit, jeu aléatoire inexpliqué. Une bonne prévision capture la tendance et la saisonnalité et ne se laisse pas tromper par le bruit. A cela s'ajoutent les événements : campagne, promotion, jour férié, météo, déménagement des concurrents. Lorsque vous faites prédire l’IA, vous devez lui raconter ces événements ; Si vous ne lui dites pas, il pensera que sauter le jour de la campagne est « normal » et se trompera sur l'avenir.
Astuce : lorsque vous fournissez des données de vente brutes à l'IA, marquez les campagnes, les jours fériés et les jours de rupture de stock. Le jour sans stock est important : les ventes semblent faibles ce jour-là, mais la demande réelle était forte, il n'y avait tout simplement pas de marchandise disponible. Si vous ne le précisez pas, l'IA sous-estimera la demande réelle.
Précision de mesure : MAPE et biais
"Est-ce que les prévisions sont bonnes?" La réponse à cette question vient de la mesure et non du sentiment. L’indicateur le plus courant est le MAPE (Mean Absolute Percent Error – de combien de points de pourcentage en moyenne les prédictions s’écartent-elles de la réalité). Si MAPE est de 10 %, cela signifie que vos prédictions manquent la valeur réelle de 10 % en moyenne ; un MAPE inférieur est meilleur. Le deuxième concept important est celui du biais : vos prévisions sont-elles systématiquement supérieures (produisant un surstock) ou sous-stockées (laissant un sous-stock) à la réalité ? Même si une prévision a un MAPE faible, si elle dévie toujours dans la même direction, il y a un problème systématique.
Vous pouvez donner à l'IA une partie de l'historique sous forme de « formation » et une partie sous forme de « test » et comparer sa prédiction avec la réalité. C’est la manière honnête d’instaurer la confiance : tester le modèle sur des données qu’il n’a pas vues. Une prédiction ne vaut la peine d’être appliquée à l’avenir que si elle s’est avérée cohérente dans le passé.
Attention : Aucune prédiction n'est précise à 100 % ; On ne s’attend pas à ce que cela se produise. Le but n’est pas de produire un nombre unique parfait mais une fourchette gérable, connaissant l’écart. L’idée binaire « la prédiction s’est réalisée/elle n’a pas fonctionné » est fausse ; La bonne question est "de combien a-t-il dévié et quelle quantité de tampon ai-je conservé en conséquence ?"
Gérer l’incertitude : une fourchette, pas un chiffre unique
L'habitude la plus dangereuse du planificateur est de traiter les prévisions comme un seul chiffre précis. En réalité, chaque prévision a un intervalle de confiance, du type « la demande le mois prochain se situera probablement entre 900 et 1 100 ». Plus cette fourchette est large, plus l’incertitude est grande. Connaître la gamme affecte directement votre décision en matière de stock : une gamme étroite nécessite moins de stock de sécurité, une gamme large nécessite plus de tampon.
Demandez donc toujours à l'IA des scénarios : pessimiste (si la demande s'avère faible), attendu et optimiste (si la demande s'avère élevée). Envisageant trois scénarios, le plan ne repose pas sur une seule hypothèse mais sur une gamme de possibilités possibles. C’est le moyen le plus pratique de sortir du piège du « numéro unique verrouillé ».
Étape par étape : étude de prévision de la demande avec l'IA
- Effacer les données. Marquez les jours manquants, les jours de rupture de stock, ouvrez les enregistrements erronés ; Travaillez avec un code produit anonyme.
- Événements de balise. Ajoutez des jours de campagne, de vacances et de promotion aux données.
- Soustrayez le motif. Demandez à l'IA de résumer les tendances, la saisonnalité et les événements notables.
- Testez-le. Stockez la dernière partie de l'historique, laissez l'IA prédire, comparez avec la réalité (MAPE et direction de biais).
- Créez un scénario. Demandez trois prédictions, pessimiste/attendue/optimiste, et l'intervalle de confiance pour chacune.
- Filtre expert. L’IA n’est pas au courant des perturbations à venir connues (nouveau produit, crise d’approvisionnement, législation) ; ajoutez-les manuellement. Le plan final vous appartient.
trois mini-cases
Cas 1 — Capturer la saisonnalité. Un distributeur de boissons se plaignait d'être constamment en rupture de stock pendant les mois d'été et de se retrouver avec des marchandises en hiver. Le planificateur a donné 3 ans de ventes quotidiennes anonymes à YZ et a supprimé la saisonnalité : la demande de juin à août était 2,4 fois supérieure à la moyenne hivernale et la hausse a commencé à la mi-mai de chaque année. Selon ce schéma, il a constitué son stock d'été 3 semaines à l'avance ; Les stocks morts d’été ont diminué de 70 %, tandis que les stocks morts d’hiver ont diminué. L’IA a montré le modèle ; Le planificateur a pris la décision concernant le stock.
Cas 2 — Céder au nouveau produit. Une entreprise allait lancer un tout nouveau produit ; Il n’y avait aucune donnée historique sur les ventes. Le planificateur a demandé à l'IA : « Quelle sera la demande pour les 3 premiers mois ? » il a demandé. L’IA a produit un chiffre qui semblait raisonnable – mais le planificateur savait qu’il était infondé : il n’y avait aucune donnée. Au lieu de cela, AI demande : « Quel a été le premier modèle de 3 mois de produits lancés dans des segments similaires dans le passé ? » analyse et la configurez comme une fourchette de prévision, avec un stock de départ prudent. Le jugement des experts a annulé la confiance fictive de l’IA.
Cas 3 — Stockless est le piège du jour. Un analyste a conclu que la demande pour un produit avait chuté et a recommandé de réduire les stocks. Son collègue principal a remarqué que les jours de faibles ventes dans les données étaient en fait des jours de rupture de stock : la demande n'avait pas baissé, il n'y avait pas de marchandises. Lorsque les données ont été corrigées avec cette note et restituées à l’IA, il a été constaté que la demande réelle a augmenté. Des données mal nettoyées produisent des prédictions incorrectes.
Quatre modèles copiables
1) Extraction de motifs :
Votre rôle : assistant analyste en planification de la demande. Vous trouverez ci-dessous les données de ventes mensuelles d'un produit (code anonyme : PRODUCT-X) pour les 36 derniers mois. Mois de campagne [liste des mois], mois sans stock [liste des mois]. Tâche : Résumer (1) la tendance, (2) le modèle saisonnier, (3) les événements notables. Tenez compte du fait que des mois sans stock cachent une véritable demande. Le mois pour lequel je n'ai pas fourni de données est fabriqué.
2) Test de précision :
Prédisez les 6 derniers mois en utilisant les 30 premiers des 36 mois ci-dessous. Comparez ensuite ma prédiction aux 6 derniers mois réels ; Calculez l’écart et le MAPE total pour chaque mois. Dites-moi si votre estimation est systématiquement biaisée. Afficher la formule.
3) Prévisions de scénario :
Estimez la demande mensuelle du prochain trimestre pour ce produit selon 3 scénarios : pessimiste / attendu / optimiste. Donnez un intervalle de confiance pour chaque scénario et notez sur quelle hypothèse il est basé. Notez que ce n’est pas définitif mais un intervalle de planification.
4) Contrôle de la casse :
Énumérez comment les prévisions basées sur les données historiques que je vous ai fournies pourraient être invalidées par les événements à venir suivants : [nouveau produit / promotion / crise d'approvisionnement / changement de réglementation]. Suggérez comment je devrais ajuster manuellement les prévisions pour chacun.
Invite faible/Invite forte
Invite faible :
Combien vais-je vendre le mois prochain ?
Pas de données, pas de produit, pas de contexte. L’IA rejette ou rattrape ; aucun des deux résultats ne fonctionne.
Invite puissante :
Votre rôle : assistant en planification de la demande. Vous trouverez ci-dessous les ventes de PRODUCT-X au cours des 24 derniers mois ; Les mois de campagne et les mois sans stock sont marqués. Donnez des prévisions pessimistes/attendues/optimistes pour les 3 prochains mois, ajoutez un intervalle de confiance à chacune, affichez MAPE par rapport au test passé. Imaginez que j'ai la décision finale sur les actions.
Approche
frapper
gestion de l'incertitude
Risque
compter sur un numéro unique
trompeur
Aucun
Élevé : le plan s'effondre
Scénario + plage
réaliste
bien
faible
juste une intuition
Variable
faible
moyen-élevé
Obéir aveuglément à l’IA
Variable
Aucun
haut
Erreurs courantes
- Confondre un jour de rupture de stock avec une demande vraiment faible. Lorsque les biens ne sont pas disponibles, les ventes semblent faibles ; Cela ne veut pas dire que la demande a diminué.
- Verrouiller un seul numéro. Considérer la prédiction comme une vérité absolue, c’est ignorer l’incertitude ; Demandez toujours la portée et le scénario.
- Ne pas taguer la campagne. Le modèle qui pense que le rebond promotionnel est « normal » déforme l’avenir.
- Prédiction d'un nouveau produit sans historique. Le nombre apparemment sûr d’IA pour des produits sans données est infondé.
- Laissons le soin à l’IA. AI ne connaît pas les ruptures structurelles telles que les épidémies, les crises d’approvisionnement et la législation ; L'intervention d'un expert doit être effectuée.
Attention : quelle que soit la qualité d'une prédiction, elle ne peut pas être meilleure que la qualité des données sur lesquelles elle est basée. "Les déchets entrent, les déchets sortent." Passez la plupart de votre temps à nettoyer les données ; La partie modèle fait le reste.
En résumé
La prévision de la demande est le moteur de la chaîne d’approvisionnement, et l’IA est un assistant puissant qui accélère ce moteur. Mais l’IA apprend du passé ; On se trompe lorsque le futur ne ressemble pas au passé. Capturez la tendance et la saisonnalité, marquez les événements, mesurez la précision avec MAPE et la direction de la dérive, configurez les prévisions sous forme de scénario et de plage, et non de nombre unique. Le jugement des experts prime sur les nouveaux produits et les ruptures structurelles. Le nettoyage des données est la base de tout ; Le plan final vous appartient.
Tâche de candidature
Obtenez les données de vente des 12 à 24 derniers mois d'un de vos propres produits (ou d'un produit hypothétique), marquez la campagne et les mois de rupture de stock. Demandez à l’IA trois scénarios avec le modèle « prédiction de scénario ». Stockez ensuite une partie de l'historique avec le modèle « Test de précision » et comparez la prédiction avec la réalité. Notez le MAPE que vous avez trouvé et le scénario que vous avez choisi, ainsi que sa raison, en 5 éléments ; Spécifiez également le tampon de sécurité que vous ajouterez.
liste de contrôle
- [ ] Ai-je effacé les données, marqué les jours de rupture de stock et de campagne ?
- [ ] Ai-je validé la prédiction avec MAPE et la direction du biais via des backtests ?
- [ ] Ai-je demandé un scénario et un intervalle de confiance au lieu d'un seul chiffre ?
- [ ] S'il y a un nouveau produit/une casse, ai-je donné la priorité au jugement d'un expert ?
- [ ] Ai-je soumis le plan d'actionnariat final à ma propre approbation ?