À propos des prévisions

Dans ce document, la prévision consiste à prédire les valeurs futures d'une série temporelle : l'entrée ou la sortie d'un problème est de nature temporelle.

Système de prévision

Un système de prévision comprend un ensemble diversifié d'utilisateurs :

• Les utilisateurs finaux, qui interrogent les prévisions pour un produit spécifique et décident du nombre d'unités à acheter ; il peut s'agir d'une personne ou d'un système automatisé.

• Les analystes métier/l'informatique décisionnelle, qui assistent les utilisateurs finaux, exécutent et organisent des rapports agrégés.

• Les spécialistes des données, qui analysent de manière itérative les modèles de demande, les effets causaux et ajoutent de nouvelles fonctionnalités pour apporter des améliorations incrémentales au modèle ou améliorer le modèle de prévision.

• Les ingénieurs, qui mettent en place l'infrastructure de la collecte des données et assurent la disponibilité des données d'entrée dans le système.

Amazon Forecast allège le travail des ingénieurs logiciels et permet aux entreprises disposant de capacités limitées en matière de science des données de tirer parti d'une technologie de prévision de pointe. Pour les entreprises disposant de capacités de science des données, un certain nombre de fonctionnalités de diagnostic sont incluses afin que les problèmes de prévision soient bien traités avec Amazon Forecast.

Où apparaissent les problèmes de prévision ?

Les problèmes de prévision se posent dans de nombreux domaines qui produisent naturellement des données de séries temporelles. Il s'agit notamment de la vente au détail, de l'analyse médicale, de la planification des capacités, de la surveillance des réseaux de capteurs, de l'analyse financière, de l'exploration des activités sociales et des systèmes de bases de données. Par exemple, les prévisions jouent un rôle clé dans l'automatisation et l'optimisation des processus opérationnels dans la plupart des entreprises qui permettent une prise de décision orientée données. Les prévisions de l'offre et de la demande de produits peuvent être utilisées pour la gestion optimale des stocks, l'ordonnancement du personnel et la planification de la topologie, et constituent plus généralement une technologie essentielle pour la plupart des aspects de l'optimisation de la chaîne d'approvisionnement.

La figure suivante résume le problème de la prévision lorsque l'on se base sur une série temporelle observée qui présente un modèle (dans cet exemple, la saisonnalité), et que l'on crée une prévision sur une période donnée. L'axe horizontal représente le temps allant du passé (à gauche) au futur (à droite). L'axe vertical représente les unités mesurées. En tenant compte du passé (en bleu) jusqu'à la ligne verticale noire, l'identification du futur (en rouge) représente la tâche de prévision.

Vue d'ensemble des tâches de prévision

Points à prendre en considération avant de tenter de résoudre un problème de prévision

Les principaux enjeux à comprendre avant de résoudre des problèmes de prévision sont les suivants :

• Devez-vous résoudre un problème de prévision ?

• Pourquoi résolvez-vous le problème de prévision ?

En raison de l'omniprésence des données de séries temporelles, on peut facilement trouver des problèmes de prévision partout. Cependant, il convient de se demander s'il est vraiment nécessaire de résoudre un problème de prévision ou si vous pouvez le contourner complètement sans sacrifier l'efficacité de la prise de décision dans l'entreprise. Il est important de poser cette question car, scientifiquement parlant, la prévision fait partie des problèmes les plus difficiles en matière de machine learning.

Prenons l'exemple des recommandations de produits pour un détaillant en ligne. Ce problème de recommandation de produits peut être formulé comme un problème de prévision où, pour chaque paire client-unité de gestion des stocks (référence), vous prévoyez le nombre d'unités d'un article spécifique que ce client particulier achètera. Cette formulation du problème présente un certain nombre d'avantages. L'un des avantages est que la composante temporelle est explicitement prise en compte, ce qui vous permet de recommander des produits en fonction des habitudes d'achat des clients.

Cependant, les problèmes de recommandation de produits sont rarement formulés comme un problème de prévision, car la résolution d'un tel problème de prévision est beaucoup plus difficile (par exemple, la rareté de l'information au niveau client-référence et l'échelle du problème) que la résolution directe du problème de recommandation. Par conséquent, lorsque vous envisagez une application de prévision, il est important de tenir compte de l'utilisation en aval de la prévision et de savoir s'il est possible de résoudre ce problème en utilisant une autre approche.

Amazon Personalize peut vous aider dans ces cas de figure. Amazon Personalize est un service de machine learning qui permet aux développeurs de créer des recommandations individuelles pour les clients qui utilisent leurs applications.

Après avoir déterminé que vous devez résoudre un problème de prévision, la prochaine question à se poser est la suivante : pourquoi résoudre ce problème de prévision ? Dans de nombreux contextes métier, les prévisions ne sont généralement qu'un moyen d'atteindre un objectif. Par exemple, pour la prévision de la demande dans un contexte de vente au détail, la prévision peut servir à prendre des décisions de gestion des stocks. Le problème de prévision est généralement une donnée d'entrée pour un problème de décision, qui peut à son tour être modélisé comme un problème d'optimisation.

Parmi les exemples de tels problèmes de décision, citons le nombre d'unités à acheter ou la meilleure approche pour traiter le stock existant. D'autres problèmes de prévision commerciale incluent la prévision de la capacité des serveurs ou la prévision de la demande de matières premières/pièces dans un contexte de fabrication. Ces prévisions peuvent être utilisées comme entrées pour d'autres processus, soit pour des problèmes de décision comme ci-dessus, soit pour des simulations de scénarios, qui sont ensuite utilisées pour la planification sans modèles explicites. La règle selon laquelle la prévision n'est pas une fin en soi souffre des exceptions. Dans le cas des prévisions financières, par exemple, la prévision est utilisée directement pour constituer des réserves financières ou est présentée aux investisseurs.

Pour comprendre l'objectif des prévisions, posez-vous les questions suivantes :

• Combien de temps dans le futur devez-vous prévoir ?

• À quelle fréquence devez-vous générer des prévisions ?

• Y a-t-il des aspects spécifiques des prévisions que vous devriez approfondir ?