Étude de cas : problème de prévision de la demande de détail pour une entreprise du e-commerce
Pour illustrer plus en détail les concepts de prévision, prenons le cas d'une entreprise du e-commerce qui vend des produits en ligne. L'optimisation des décisions dans la chaîne d'approvisionnement (par exemple, la gestion des stocks) est essentielle à la compétitivité de base de cette entreprise, car elle permet d'avoir le nombre exact de produits dans les lieux d'exécution appropriés. Il s'agit essentiellement de disposer d'une large sélection disponible avec des délais de livraison plus courts et des prix compétitifs, ce qui entraîne une plus grande satisfaction des clients. L'entrée principale dans le système logiciel de la chaîne d'approvisionnement est une prédiction de la demande ou la prévision des ventes potentielles de chaque produit du catalogue. Ces prévisions permettent de prendre d'importantes décisions en aval, dont les principales sont les suivantes :
-
Planification au niveau macro (prévisions stratégiques) : pour une entreprise dans son ensemble, quelle est la croissance prévue en termes de ventes/recettes totales ? Où l'entreprise devrait-elle être (plus) active géographiquement ? Comment doit-on organiser la main-d'œuvre ?
-
Prévision de la demande (ou des stocks) : combien d'unités de chaque produit sont censées être vendues par site ?
-
Activité promotionnelle (prévision stratégique) : comment organiser les promotions ? Les produits doivent-ils être liquidés ?
La suite de l'étude de cas se concentre sur le deuxième problème, qui fait partie de la famille des problèmes de prévision opérationnelle (Januschowski & Kolassa, 2019). Ce document suit les principales préoccupations : données, modèles (prédicteurs), inférences (prévisions) et mise en production.
Pour cette étude de cas, il est important de garder à l'esprit que le problème de la prévision est un moyen de parvenir à une fin. Bien que les prévisions soient d'une importance cruciale pour l'entreprise, les décisions prises en aval de la chaîne d'approvisionnement sont encore plus importantes. Dans notre étude de cas, ces décisions sont prises par des systèmes d'achat automatisés qui s'appuient sur des modèles d'optimisation mathématique issus de la recherche opérationnelle. Ces systèmes visent à minimiser les coûts attendus pour l'entreprise.
Le mot clé est attendu, ce qui signifie que les prévisions doivent couvrir non seulement un avenir possible, mais tous les avenirs possibles, avec une pondération appropriée en fonction de la probabilité d'un résultat particulier. À cette fin, le facteur clé pour la prise de décision en aval est une distribution complète des valeurs prévisionnelles plutôt qu'une simple prévision ponctuelle. La figure suivante illustre une prévision probabiliste (également appelée prévision par densité). Notez que vous pouvez facilement dériver une prévision ponctuelle (l'avenir le plus probable) de cette prévision probabiliste, mais passer d'une prévision ponctuelle à une prévision probabiliste est plus difficile.
À partir d'une prévision probabiliste, vous pouvez obtenir différentes statistiques et adapter les résultats pour vous aider dans la décision que vous souhaitez prendre. L'entreprise de e-commerce peut avoir un certain nombre de produits clés pour lesquels elle ne veut presque jamais être en rupture de stock. Dans ce cas, utilisez un quantile élevé (par exemple, le 90e percentile), ce qui signifie que les produits seront en stock 90 % du temps. Pour d'autres produits, tels que les produits pour lesquels les remplacements sont plus faciles à trouver (comme les crayons), l'utilisation d'un percentile inférieur peut être plus appropriée.
Dans Amazon Forecast, vous pouvez obtenir facilement différents quantiles à partir de la prévision probabiliste.
Illustration d'une prévision probabiliste
Dans la figure précédente, la ligne noire représente les valeurs réelles ; la ligne vert foncé est la médiane de la distribution des prévisions ; la zone ombrée vert foncé est l'intervalle de prévision dans lequel vous vous attendez à ce que 50 % des valeurs tombent ; et la zone vert clair est l'intervalle de prévision dans lequel vous vous attendez à ce que 90 % des valeurs réelles tombent.
Les sections suivantes couvrent les étapes nécessaires à la résolution du problème de prévision pour cette entreprise, notamment :
