Prévision et Planification de la Demande

La plupart des systèmes de prévision de la demande commencent à un niveau trop agrégé — par catégorie, par région, par semaine — parce que c'est là que les données sont les plus propres. Les décisions qui bénéficient de la prévision, cependant, se prennent à un niveau beaucoup plus fin : quel SKU expédier à quel magasin quel jour, combien de personnel affecter à quel poste, combien de capacité réserver dans quel entrepôt le mois prochain. Nous élaborons des prévisions au niveau opérationnel de la décision, et non au niveau des données, et nous utilisons un rapprochement hiérarchique pour garantir que les prévisions de niveau inférieur s'agrègent de manière cohérente aux niveaux supérieurs sur lesquels l'entreprise rend compte.

Travailler au niveau SKU-magasin-jour, SKU-canal-semaine ou à des niveaux granulaires équivalents pose ses propres défis : demande à longue traîne, séries intermittentes et séries à historique très court. Nous utilisons des méthodes spécialisées (prévisionnistes intermittents de type Croston, regroupement hiérarchique, méthodes pour nouveaux produits basées sur l'embedding) pour maintenir une précision acceptable sur la longue traîne, plutôt que de l'abandonner.

Le rapprochement hiérarchique — utilisant des méthodes telles que MinT et la minimisation de la trace — nous permet de produire des prévisions cohérentes à travers la hiérarchie et presque toujours plus précises que des prévisions produites indépendamment à un seul niveau. La discipline est simple et le gain est constant.

• SKU-magasin-jour, SKU-canal-semaine et granularités similaires
• Séries intermittentes et à faible rotation
• Prévision des nouveaux produits et des historiques courts
• Rapprochement hiérarchique (MinT, top-down, bottom-up)
• Calendrier, promotions, météo, signaux macro
• Prévisions probabilistes pour la politique de stock de sécurité

La demande est façonnée par bien plus que sa propre histoire. Les promotions, les changements de prix, la météo, les vacances, les calendriers scolaires, les événements sportifs, les indicateurs macroéconomiques et les actions des concurrents laissent tous des empreintes sur les modèles de demande. Nous incorporons les données de ces facteurs dans le modèle de prévision lorsque des tests rigoureux hors échantillon ont montré qu'elles amélioraient la précision plus qu'elles n'ajoutaient de complexité opérationnelle. Nous sommes également heureux de laisser de côté les facteurs qui ne rapportent pas ; la valeur réside dans la discipline de la mesure, et non dans l'inclusion elle-même.

Les effets promotionnels reçoivent une attention particulière. Les données de promotion sont notoirement désordonnées, avec des mécanismes superposés, une qualité d'exécution variable et une mesure post-événement incohérente. Nous travaillons avec les équipes marketing et commerciales pour nettoyer et standardiser l'historique promotionnel avant de le fournir au modèle, et nous modélisons explicitement les hausses, les effets d'aura sur les produits connexes, la cannibalisation des substituts et les baisses post-promotionnelles. Les gains de précision pendant les périodes promotionnelles sont généralement substantiels.

Les effets météorologiques et calendaires sont ajoutés avec un soin similaire, avec une pondération appropriée pour les catégories et les emplacements où ils sont importants. Un détaillant d'aliments surgelés dans un climat nordique a une sensibilité météorologique très différente de celle d'une entreprise de boissons dans un climat chaud ; le modèle capture les deux.

“Une prévision qui ignore le calendrier promotionnel est une prévision qui correspond surtout au passé.”

Une prévision de la demande qui se trouve dans un tableau de bord séparé modifie rarement une décision de planification. Nous intégrons les prévisions directement dans les systèmes de planification où les décisions sont prises — Anaplan, Kinaxis, o9, SAP IBP, Blue Yonder, JDA, outils de planification personnalisés — afin que la prévision devienne le point de départ par défaut que les planificateurs affinent, et non un artefact parallèle qu'ils consultent et ignorent.

Les workflows d'annulation sont délibérément intégrés. Les planificateurs possèdent un contexte que le modèle n'a pas, et un système qui ne peut pas accepter leur contribution sera rapidement mis de côté. Nous concevons les annulations pour capturer la raison en même temps que la valeur, de sorte que le modèle d'annulation lui-même devienne un signal d'apprentissage : quels planificateurs annulent le modèle dans quelles catégories, avec quelle justification, et avec quelle précision subséquente.

Nous accordons également une attention particulière au processus de consensus. Le cycle S&OP réconcilie les vues de la demande, de l'offre et des finances en un seul plan convenu ; un modèle qui introduit de nouveaux chiffres dans ce processus sans respecter son rythme sera plus perturbateur qu'utile. Nous concevons la cadence de la sortie du modèle, le niveau auquel il entre dans la discussion de consensus, et la comparaison avec le cycle précédent, afin que le modèle renforce le processus plutôt que de le concurrencer.

La précision des prévisions est un moyen ; le niveau de service et le fonds de roulement sont les fins. Nos déploiements explicitent comment une amélioration de la précision sera convertie en avantage opérationnel : des politiques de stock de sécurité plus strictes dérivées de prévisions probabilistes, des points de commande plus précoces, une allocation plus intelligente entre les magasins, des calendriers de production plus fluides. Sans cette traduction, les améliorations de précision restent académiques.

La prévision probabiliste est essentielle. En produisant la distribution prédictive complète plutôt qu'un seul point, nous permettons de définir explicitement la politique d'inventaire par rapport à un niveau de service cible : un objectif de 95 % de disponibilité des stocks nécessite une plus grande marge de sécurité qu'un objectif de 90 %, et la prévision probabiliste vous indique exactement combien. Le même principe régit la réservation de capacité, les engagements des fournisseurs et la planification de la main-d'œuvre.

Nous associons la prévision à un programme de mesure clairement défini. Des bases de référence avant déploiement sur le service, le taux de rupture de stock, les jours de couverture et les amortissements sont établies explicitement ; la performance après déploiement est suivie par rapport aux mêmes métriques, sur une base comparable, par trimestre. L'intention est que la valeur du système puisse être défendue lors d'un examen financier, et pas seulement démontrée dans un tableau de bord de modèle.

Les engagements se déroulent normalement en trois phases. Un diagnostic et un prototype de six à huit semaines établissent la base, caractérisent les données, construisent un modèle candidat et quantifient le bénéfice opérationnel attendu. Une phase de construction de trois à six mois met le modèle en production, l'intègre dans l'environnement de planification et fonctionne en parallèle avec le processus existant. Une phase d'exploitation ultérieure couvre la surveillance, le réapprentissage, l'amélioration continue et l'extension progressive à d'autres catégories ou zones géographiques.

Nous sommes tout aussi heureux de fournir ce service avec une équipe entièrement intégrée ou de fournir un petit groupe de spécialistes qui soutient vos fonctions de planification et informatiques existantes. La forme de l'engagement est dictée par la manière dont vous souhaitez exploiter le système par la suite.