Analyse Prédictive

Chaque engagement prédictif commence par une spécification de décision écrite. Quelle est la décision que le modèle informera ? Qui la prend ? Quel est le coût d'une erreur dans un sens ou dans l'autre ? À quelle vitesse le décideur a-t-il besoin de la prédiction, et à quel niveau de granularité ? Quel est le processus actuel augmenté ou remplacé, et quelle est sa performance sur la même métrique ? Sans ces réponses, le travail de modélisation tend vers la métrique que le data scientist est le plus à l'aise d'optimiser ; avec elles, chaque compromis ultérieur a un point de référence.

Nous sommes particulièrement attentifs aux coûts asymétriques. Dans la prévision de la demande, une surestimation des stocks périssables coûte différemment d'une sous-estimation d'un produit phare ; dans la modélisation du churn, un faux positif peut déclencher une offre de rétention coûteuse tandis qu'un faux négatif fait perdre un client. Nous concevons des fonctions de perte, des seuils de décision et des exigences de confiance pour refléter explicitement ces asymétries, plutôt que de nous appuyer sur une métrique symétrique par défaut pour flatter le modèle.

L'horizon est traité avec un soin similaire. Une prévision à court terme et une prévision à long terme sont généralement des problèmes différents, nécessitant des caractéristiques et des modèles différents. Nous résistons à la tentation de prétendre qu'un seul modèle couvre tous les horizons, et nous construisons l'interface de planification pour exposer explicitement l'horizon.

• Spécification de la décision avant la modélisation
• Perte asymétrique et ajustement des seuils
• Sélection de modèle appropriée à l'horizon
• Structures hiérarchiques (région, canal, SKU)
• Stratégies de démarrage à froid pour les nouvelles entités
• Flux de travail de substitution pour le jugement humain

Notre pratique s'appuie sur l'ensemble des outils prédictifs : lissage exponentiel classique et ARIMA là où la simplicité l'emporte ; arbres à gradient boosting avec une ingénierie de caractéristiques riche pour les problèmes tabulaires ; modèles à espace d'états et séries temporelles structurelles bayésiennes pour des prévisions interprétables et probabilistes ; modèles profonds globaux modernes tels que Temporal Fusion Transformers, N-BEATS et DeepAR lorsque l'apprentissage entre séries est utile ; modèles de survie pour les problèmes de temps jusqu'à l'événement ; et forêts d'isolement, autoencodeurs et méthodes probabilistes pour la détection d'anomalies. Chacun a un domaine dans lequel il est la bonne réponse.

Nous affectionnons particulièrement la prévision probabiliste. Une prévision ponctuelle oblige les décideurs à agir comme si l'avenir était certain ; une prévision probabiliste leur permet de fixer un prix explicite au risque. Les prévisions de quantiles, les intervalles de prédiction et les distributions prédictives complètes permettent des politiques d'inventaire, des décisions de capacité et des stratégies de tarification que les prévisions ponctuelles ne peuvent pas soutenir. L'effort d'ingénierie supplémentaire est modeste, et le bénéfice opérationnel est important.

Nous accordons également une attention particulière à la réconciliation hiérarchique. Les prévisions produites indépendamment à différents niveaux d'une hiérarchie commerciale — pays, région, magasin ; marque, catégorie, SKU — ne sont presque jamais cohérentes entre elles. Les méthodes de réconciliation (MinT, combinaisons top-down, bottom-up) rétablissent la cohérence et améliorent presque toujours la précision en même temps.

“Une prévision probabiliste bien calibrée vaut plus qu'une prévision ponctuelle légèrement plus précise.”

La plupart des projets prédictifs échouent à leur premier contact avec la production non pas parce que le modèle est mauvais, mais parce que l'évaluation a été effectuée sur une métrique qui ne représentait pas le coût opérationnel d'avoir tort. Nous concevons des environnements d'évaluation qui reflètent le cadre de déploiement : validation croisée d'origine glissante qui respecte le temps, périodes de rétention qui incluent les schémas saisonniers auxquels le modèle sera confronté, et métriques qui intègrent les coûts asymétriques identifiés lors du cadrage.

Nous effectuons des tests de validation agressifs, y compris par rapport à la base de référence délibérée de ce que l'entreprise fait actuellement. Un nouveau modèle qui bat une base de référence sophistiquée avec une petite marge est bien plus impressionnant — et bien plus fiable — qu'un modèle qui bat un homme de paille avec une grande marge. Lorsque cela est possible, nous recréons des décisions historiques et mesurons le coût monétaire de la prédiction du modèle par rapport au coût de la décision réellement prise à l'époque.

La calibration reçoit une attention explicite. Une prévision probabiliste qui promet des intervalles à 90% doit contenir la vérité environ 90% du temps, sinon la planification qui en dépend échouera discrètement. Nous testons la calibration sur des données de rétention, et nous recalibrons si nécessaire en utilisant des techniques telles que la prédiction conforme.

Une prévision qui vit dans un tableau de bord séparé est rarement mise en œuvre. Nous intégrons les systèmes prédictifs directement dans les flux de travail de planification qu'ils sont censés informer — dans le cycle S&OP, l'outil de planification de la demande, le CRM, la console du centre de contact — afin que la prévision soit consommée là où la décision est prise. Ce travail d'intégration fait généralement la différence entre un modèle admiré et un modèle utilisé.

La substitution humaine est traitée comme une fonctionnalité, et non comme un signe d'échec. Les planificateurs possèdent un contexte que le modèle n'a pas — le lancement d'un concurrent, une interruption connue de la chaîne d'approvisionnement, une décision marketing non encore visible dans les données — et un système qui ne peut pas accepter leur contribution sera rapidement ignoré. Nous concevons des interfaces de substitution qui capturent la raison de la substitution en même temps que la valeur, afin que les substitutions elles-mêmes deviennent des données d'entraînement pour le cycle suivant.

Le suivi opérationnel couvre l'erreur de prédiction en production, la dérive des distributions d'entrée, et les changements dans le biais et la calibration des prévisions. Lorsque les modèles se ré-entraînent selon un calendrier, le calendrier est informé par le taux de changement observé ; lorsqu'ils se ré-entraînent en fonction d'un signal, les conditions de déclenchement sont explicites et régulièrement révisées.

Une précision prédictive améliorée se traduit en valeur commerciale par des mécanismes opérationnels spécifiques — stocks tampons réduits, niveaux de service plus élevés, moins de ruptures de stock, centres de contact mieux dotés en personnel, dépenses de rétention plus sélectives, décisions de capacité plus confiantes. Nous travaillons avec la finance et les opérations pour rendre ces mécanismes explicites avant le début du projet et pour les mesurer après le déploiement, afin que la valeur du système puisse être défendue dans toute future analyse de rentabilité.

Dans l'ensemble de nos engagements, le résultat unique le plus courant est une réduction significative du fonds de roulement immobilisé dans les stocks ou les tampons conservateurs, parallèlement à une amélioration des niveaux de service. Le deuxième résultat le plus courant est la suppression d'un processus de prévision manuel dont l'effort était auparavant caché dans les effectifs opérationnels.