Comment améliorer la précision des prévisions ?

Commençons par une statistique percutante : 77 % des entreprises font des investissements technologiques dans le but d’améliorer la visibilité de leur Supply Chain. Cependant, ce qui suscite l’interrogation, c’est que ceux qui ont déjà franchi le pas sont apparemment deux fois plus susceptibles que les autres d’éviter des problèmes au sein de leur Supply Chain.

La visibilité de la Supply Chain demeure une préoccupation majeure pour les leaders du secteur. Cependant, à une époque où les outils alimentés par IA et l’apprentissage automatique redéfinissent le paysage de la prévision, un paradoxe de planification crucial émerge : aucune prévision n’est à l’abri d’erreurs.

Heureusement, des outils et des techniques statistiques sont à notre disposition pour réduire l’écart entre les projections et la demande réelle.

Ainsi, dans le blog d’aujourd’hui, nous explorerons le sujet de la précision des prévisions et la manière dont vous pouvez utiliser cette puissante technique d’analyse statistique pour élaborer des prévisions plus robustes et créer une visibilité accrue dans l’ensemble de votre Supply Chain.

Commençons par les fondamentaux.

Précision des prévisions ou Forecast Accuracy

La précision des prévisions est une méthode permettant d’évaluer la qualité de vos prévisions. Dans le cadre de la planification de la Supply Chain, elle fait référence à la mesure dans laquelle la demande prédite pour des produits ou des services correspond étroitement à la demande réelle.

Les conclusions de cette analyse peuvent faciliter une prise de décision plus efficace. Cependant, il est important de noter que ce n’est pas une solution miracle que l’on peut appliquer rapidement pour compenser les insuffisances de la prévision.

Déterminer la marge d’erreur à tolérer peut-être délicat. En fin de compte, définir ce qui est considéré comme étant “précis” représente un défi.

Atteindre une précision de 100% serait idéal, mais c’est souvent plus un point de référence idéalisé qu’une réalité réalisable. De même, bien que 75% puisse sembler raisonnable, déterminer sa faisabilité ou sa pertinence en tant qu’objectif reste une question difficile à répondre.

Cela repose entièrement sur les objectifs de votre entreprise, la nature du comportement d’achat de vos clients et les données dont vous disposez.

 

Les indicateurs pour évaluer la précision des prévisions

S’il est utile de prévoir le succès de vos ventes, la véritable valeur ajoutée réside souvent dans l’évaluation de l’exactitude de ces prévisions. Pour ce faire, il est essentiel d’établir un moyen de lui attribuer un score de performance. Dans de nombreux cas, ce score offre une perspective plus significative que la seule prévision.

Revenons aux bases de la mesure du forecast accuracy avant d’aller plus loin

Toutes les mesures sont basées sur l’erreur de prévision, notée ‘e’. Cette erreur représente la différence entre la prévision, f, c’est-à-dire la demande prévue, et la demande réelle, d, sur une certaine période de temps :

Une prévision est considérée comme bonne lorsque la mesure d’erreur est faible.

Cependant, il arrive parfois que l’accent soit mis sur la précision plutôt que sur le degré d’erreur. Dans ce cas, une prévision est considérée comme bonne lorsque la précision se rapproche de 100%.

Il existe plusieurs méthodes pour évaluer la précision des prévisions, et chacune présente des avantages et des inconvénients. Veuillez trouver ci-dessous un récapitulatif des méthodes les plus fréquemment utilisées qui sont à votre disposition.

Biais ou erreur moyenne (EM)

La première mesure de la précision des prévisions, appelée biais ou erreur moyenne (EM), est la moyenne de l’erreur de prévision :

Cette mesure est facile à comprendre. Pour une bonne prévision, la différence entre les prévisions et la demande réelle est faible, de sorte que son biais est proche de zéro.

Un biais positif indique que vous prévoyez une demande trop importante, tandis qu’un biais négatif signifie que vous la sous-estimez.

Cependant, un inconvénient de ce modèle est que les erreurs positives et négatives se neutralisent mutuellement. Une prévision avec d’importantes erreurs peut encore avoir un faible biais.

Par conséquent, il est crucial de ne pas se fier uniquement au biais, mais également d’examiner d’autres mesures de forecast accuracy.

Erreur moyenne absolue (MAE)

L’erreur absolue moyenne (MAE) est un modèle qui donne une indication directe de l’ampleur des erreurs :

Ce modèle présente l’avantage d’utiliser des erreurs de prévision absolues, ce qui signifie qu’un faible MAE indique que toutes les erreurs de prévision sont proches de zéro.

C’est également une mesure facile à interpréter.

Cependant, elle ne montre pas quelle est l’importance de cette erreur moyenne par rapport à la demande réelle. Une prévision qui se trompe de 5 pièces est très mauvaise pour un produit qui se vend en moyenne à 10 unités, mais elle est acceptable pour un produit qui réalise une moyenne de 1 000 ventes.

Erreur moyenne en pourcentage absolu (MAPE)

L’erreur moyenne en pourcentage absolu (MAPE) reflète l’ampleur des erreurs par rapport à la demande réelle.

Elle est définie comme le rapport moyen entre l’erreur de prévision et la demande réelle :

Pour cette raison, elle est également facile à interpréter.

Le MAPE indique en pourcentage l’écart moyen entre la prévision et la demande réelle.

Cependant, cette méthode de mesure de la précision des prévisions a également ses limites. Surestimer la demande est plus sévèrement pénalisé que les sous-estimations. Prédire 30 pièces alors que la demande réelle était seulement de 10 pièces donne un MAPE de 200%, mais les sous-estimations donnent un MAPE maximal de seulement 100%.

C’est un problème pour les produits à faible demande, où il est plus difficile d’obtenir un faible MAPE. Mais c’est un problème encore plus important pour les périodes sans demande, car vous seriez en train de diviser par zéro.

Erreur quadratique moyenne racine (RMSE)

Le dernier modèle de mesure de la précision des prévisions à évoquer est l’erreur quadratique moyenne (RMSE).

Comme son nom l’indique, cette mesure repose sur la racine carrée des erreurs de prévision :

Ce modèle est similaire au MAE (erreur absolue moyenne) et, par conséquent, comparable, mais il sanctionne de manière beaucoup plus sévère les erreurs importantes par rapport aux erreurs plus faible.

C’est une bonne mesure pour voir si les ventes prévues et réelles sont toujours proches l’une de l’autre. Malheureusement, cela rend ce modèle plus difficile à interpréter.

Si les données relatives à la demande contiennent parfois des ventes anormales, qu’une prévision n’est pas censée prendre en compte, il est préférable d’utiliser la méthode MAE, qui est beaucoup plus résistante aux valeurs anormales.

L’erreur quadratique moyenne (MSE) est presque la même que l’RMSE, mais elle n’utilise pas la racine carrée supplémentaire. Par conséquent, elle exprime l’erreur en unités carrées, ce qui rend l’MSE plus difficile à interpréter.

Il existe de nombreuses autres mesures de précision des prévisions disponibles. Le choix de celle à utiliser dépendra des données dont vous disposez, et il peut être intéressant d’explorer certaines des alternatives moins courantes pour voir si elles correspondent mieux à vos besoins.

 

Qu’est-ce qu’une “bonne” précision des prévisions ?

Le nombre considérable de modèles de précision des prévisions amène à se poser des questions telles que “Quelle mesure de forecast accuracy devrais-je privilégier ?” et “Quel devrait être mon objectif en matière de forecast accuracy ?”

Malheureusement, il n’est pas facile de répondre à ces questions.

Supposons que vous gériez les prévisions pour vos produits et que vous constatiez que la MAE (erreur absolue moyenne) est en moyenne 60 %.

S’agit-il d’un bon ou d’un mauvais score ?

Le simple fait d’avoir un score de précision des prévisions ne signifie pas grand-chose. Pour évaluer la qualité d’une prévision, il est nécessaire d’avoir une idée de la prévisibilité de la demande, ce qui dépend de nombreux facteurs.

La demande de produits à forte rotation est généralement plus facile à prévoir que celle des produits à faible rotation. De même, prédire la demande d’un produit dans un groupe de magasins est plus facile que de capturer avec précision la demande de ce produit dans chaque magasin individuellement.

De plus, les prévisions à long terme sont beaucoup plus difficiles à établir que les prévisions de la demande à court terme. La précision des prévisions dépend également de la quantité de données pertinentes dont vous disposez.

Si des informations importantes manquent, vos modèles de prévision ne fonctionneront pas bien. En fin de compte, vos prévisions reposent sur ce que vous connaissez.

Graphique 1 : Mauvaises prévisions d’une demande prévisible

Graphique 2 : De bonnes prévisions pour une demande imprévisible

Les deux graphiques ci-dessus montrent une prévision simple et les ventes réelles de deux produits hypothétiques.

La demande pour le premier produit présente une caractéristique mensuelle distincte, de sorte qu’une prévision constante est manifestement sous-optimale.

Pour le second produit, les mêmes données ont été utilisées, mais la demande a été remaniée dans le temps. Cela signifie qu’il n’y a plus de caractéristique mensuelle dans les données.

Sans aucune information supplémentaire, une prévision constante est la meilleure option possible

Toutes les mesures discutées précédemment indiquent que la performance de cette prévision constante pour ces deux produits est identique. Cependant, cela peut être trompeur.

En utilisant un modèle capable de détecter des caractéristiques hebdomadaires et mensuelles, vous obtiendrez une prévision nettement améliorée pour le premier produit, comme l’illustre le graphique ci-dessous.

Graphique 3 : De bonnes prévisions pour une demande prévisible

Les graphiques ci-dessus mettent en évidence l’un des principaux inconvénients lorsqu’on tente de mesurer la précision des prévisions, à savoir que l’on ne peut affirmer que la précision est ‘bonne’ que lorsqu’elle est évaluée dans le bon contexte.

Il est préférable de comparer les performances de prévision d’un modèle avec celles d’autres modèles plutôt que de se concentrer sur les valeurs des scores.

C’est là qu’interviennent les modèles de référence.

Un modèle de référence fournit une prévision basée sur une logique simple. Il peut calculer une prévision constante basée sur votre demande historique moyenne.

Il peut vous donner une limite inférieure de vos performances avec laquelle comparer vos prévisions, ainsi qu’une idée du degré de prévisibilité de la demande.

La comparaison du forecast accuracy de nos modèles de prévision avec celles des modèles de référence nous indique à quel point nous nous améliorons.

 

Quel modèle de forecast accuracy convient le mieux à vos besoins ?

Comme nous l’avons déjà mentionné, chaque modèle que vous pouvez utiliser pour la précision des prévisions présente des avantages et des inconvénients. Voici donc un bref aperçu.

Tableau 1 : Avantages et inconvénients des mesures de la précision des prévisions.

	Facile à interpréter	Indique une surestimation ou une sous-estimation	Faible lorsque les erreurs sont faibles	Erreur relative	Sensible aux erreurs importantes
Bias/ME	✅	✅	❌	❌	❌
MAE	✅	❌	✅	❌	❌
MAPE	✅	❌	✅	✅	❌
RMSE	❌	❌	✅	❌	❌

Il est essentiel de comprendre que chaque modèle de prévision mesure quelque chose de différent. Par conséquent, la méthode de prédiction la plus appropriée sera différente selon le modèle choisi.

Le graphique ci-dessous illustre ce phénomène de manière plus succincte. Même pour une prévision constante, les différentes mesures de la précision des prévisions ne s’accordent pas sur la prévision optimale.

Quelle est donc la mesure de prévision qui vous convient le mieux ? Cela dépend de ce qui vous intéresse.

Graphique 4 : Pour différentes mesures de la précision des prévisions, différentes prédictions sont optimales

 

Dans quel but devrons-nous utiliser la précision des prévisions ?

Il est recommandé de ne pas se focaliser uniquement sur un seul modèle de précision des prévisions.

De cette manière, vous avez plus de chances d’éviter un certain nombre d’écueils lors de l’établissement de prévisions précises pour différents produits et groupes de produits. Cependant, lorsqu’elles sont utilisées efficacement, les précisions des prévisions sont extrêmement utiles à votre entreprise.

1. Elles ont la capacité d’optimiser les processus de votre entreprise .

Une évaluation appropriée de la qualité des prévisions peut se révéler très bénéfique pour améliorer les processus de votre entreprise

Pour identifier des axes d’amélioration, il est nécessaire d’analyser l’incidence des prévisions sur vos stocks et sur l’ensemble de votre entreprise.

C’est là que la que l’Informatique Décisionnelle (BI – Business Intelligence) joue un rôle clé.

En premier lieu, explorez toutes les données disponibles. Grâce à l’Informatique Décisionnelle (BI), vos données peuvent être analysées et transformées en informations exploitables à l’aide outils de visualisation des données.

Vous pouvez ainsi évaluer divers indicateurs de performance en même temps et vous focaliser sur des groupes de produits très spécifiques.

De plus, là où vos prévisions sont moins pertinentes, la BI peut révéler d’autres axes d’amélioration dans vos processus d’entreprise.

Pour les produits présentant des délais de livraison courts et des quantités de commande importantes, la précision de la prévision est moins cruciale. On passe des commandes lorsque le stock est faible et on attend le temps qu’il faut pour vendre ces articles.

L’objectif de la BI est d’obtenir des informations exploitables à partir de données, afin de pouvoir les utiliser dans le cadre d’une prise de décision fondée sur ces données.

La création de rapports sur la précision des prévisions au niveau articles peut ne pas conduire à des informations exploitables. En revanche, les bonnes exceptions de prévisions génèrent des insights exploitables au niveau des articles et sont des déclencheurs pour évaluer immédiatement la prévision d’articles spécifiques.

Il existe une autre raison pour laquelle il est essentiel de mesurer le forecast accuracy.

2. Vous pouvez mesurer l’incertitude

Une prévision de bonne qualité est capable de prédire des profils de demande. Mais une prévision n’est jamais parfaite. Il y aura toujours une incertitude quant à la demande future.

Pour une planification E2E efficace de la Supply Chain , il est crucial de comprendre le degré d’incertitude de vos prévisions de demande. Cela vous permettra de prendre en compte les incertitudes et d’évaluer les risques de rupture de stock.

Si vous visez à assurer un niveau de service optimal à vos clients – et qui ne le voudrait pas ? – vous devrez maintenir un stock de sécurité pour faire face aux incertitudes.

Moins les prévisions sont précises, plus vous aurez besoin d’un stock de sécurité élevé.

Analysez les écarts entre la demande prévue et réelle, c’est-à-dire l’erreur de prévision, pour les deux produits hypothétiques ci-dessous.

Si nous supposons que nous avons été en mesure de concevoir de bons modèles de prévision pour ces produits, c’est-à-dire qu’ils tiennent compte de la partie prévisible de la demande, la précision de la prévision nous donne des informations sur les différences attendues entre la prévision et la demande réelle.

Graphique 5 : Pour différentes mesures de la précision des prévisions, différentes prédictions sont optimales

Groupe 6 : distribution des erreurs pour un produit dont l’incertitude attendue est faible en fonction du délai de livraison

Le graphique ci-dessus montre les distributions d’erreurs pour ces deux prévisions.

Le produit présentant une incertitude attendue plus élevée nécessite davantage de stock de sécurité pour couvrir, par exemple, 99 % de la demande.

Le graphique montre également une distribution symétrique des erreurs.

Cela peut être le cas pour de bonnes prévisions de produits à forte rotation. Cependant, pour les produits à faible rotation ou avec une demande irrégulière, la distribution des erreurs n’est pas symétrique, car la demande ne peut pas être négative.

Pour déterminer un niveau de stock de sécurité approprié, vous devez tenir compte de la répartition des erreurs.

En observant la distribution des erreurs de prévision, vous pouvez obtenir une bonne compréhension des types d’erreurs à prévoir dans le futur et ajuster en conséquence votre processus de Supply Chain.

Graphique 7 : Erreur de prévision symétrique pour un produit à forte rotation

Graphique 8 : Erreur de prévision asymétrique pour un produit dont la demande est faible ou irrégulière

 

Réflexions finales sur le forecast accuracy

Dans le cadre de la planification de la Supply Chain, il est impératif d’avoir une vision claire de la demande future et de sa volatilité. Ainsi, il est tout à fait naturel de surveiller la précision des prévisions.

En examinant votre propre précision des prévisions, prenez en compte les points suivants :

1. Il est impossible de définir des objectifs généraux de précision des prévisions, car la prévisibilité de la demande (avec les données disponibles) est inconnue à l’avance.
2. Au lieu de cela, il est nécessaire de comparer la performance des modèles de prévision à celle d’autres modèles (modèles de référence).
3. De même, il n’y a pas de modèle de forecast accuracy universellement “meilleur”.
4. Pour une évaluation approfondie de la performance de la prévision, il faut examiner une sélection de mesures en lien avec l’objectif spécifique.
5. Lors de l’évaluation de la performance de la prévision, il est essentiel de prendre en compte toutes les informations pertinentes.
6. Il est également recommandé de se concentrer sur d’autres aspects du processus de Supply Chain, en particulier lorsque ceux-ci constituent des points de blocage de la performance.
7. Les bonnes prévisions peuvent prédire des tendances dans la demande, mais il subsistera toujours une certaine incertitude, car c’est l’avenir et il n’a pas encore eu lieu.
8. La précision des prévisions offre une mesure de cette incertitude lorsqu’on se base sur les prédictions de la prévision.
9. Ces informations devraient être utilisées pour ajuster les processus de réapprovisionnement et anticiper les erreurs de prévision prévues.

Les auteurs du blog

 

Nico Van Dijk

Se connecter via LinkedIn

Kevin Overbeek

Se connecter via LinkedIn