Valeur ajoutée de la prévision : prouver qu'un modèle bat le planificateur

Pour prouver qu'un modèle bat un planificateur, comparez les deux à la même référence simple sur les mêmes articles et les mêmes périodes, avec des prévisions figées avant que les ventes réelles soient connues. La méthode s'appelle valeur ajoutée de la prévision, ou FVA : elle mesure si chaque étape du processus de prévision améliore ou dégrade la prévision par rapport à l'étape précédente.

Ce guide pratique explique la méthode, les données nécessaires, une procédure pas à pas, la lecture des résultats et les critiques qui doivent orienter son usage.

Qu'est-ce que la valeur ajoutée de la prévision ?

Selon un article de Foresight, la FVA est la variation d'un indicateur de performance, généralement une variante du MAPE, attribuable à une étape ou à un participant donné du processus de prévision. Elle a été introduite par Mike Gilliland, praticien de la prévision chez SAS, dans Foresight: The International Journal of Applied Forecasting, printemps 2013, numéro 29. L'article décrit le processus type ainsi : historique des ventes, modèle de prévision, prévision statistique, correction de la direction, prévision finale.

Chaque étape est comparée à la précédente. Une FVA positive signifie que l'étape a amélioré la prévision, une FVA négative qu'elle l'a dégradée. Le résultat est souvent présenté sous forme de rapport en escalier avec une ligne par étape. Dans l'exemple illustratif de l'article, une prévision naïve affiche un MAPE de 50 %, la prévision statistique 40 % et la prévision finale 42 % : l'étape statistique ajoute de la valeur et l'étape de correction en détruit une partie.

Pourquoi partir d'une référence naïve ?

La prévision naïve est une base de comparaison peu coûteuse et honnête. L'article de Foresight la définit comme la marche aléatoire ou le modèle sans changement, où la dernière valeur observée devient la prévision pour toutes les périodes futures. Pour les données saisonnières, le manuel de Hyndman et Athanasopoulos décrit la prévision naïve saisonnière, où chaque prévision copie la valeur de la même saison de l'année précédente. Le manuel indique que toute nouvelle méthode de prévision doit être comparée à ces méthodes simples et que, si elle ne peut pas les battre, elle ne mérite pas d'être envisagée.

Dans la mode, une référence naïve demande réflexion. Les modèles ont une vie courte ; la valeur de l'an dernier pour le même modèle peut donc ne pas exister. Les substituts courants sont la même période de l'an dernier au niveau de la catégorie, ou une moyenne mobile des premières semaines de ventes. Quel que soit le choix, documentez-le et gardez-le fixe.

Lire aussi

Comment Abercrombie and Fitch planifie ses assortiments et ses stocks : ce que l'on sait publiquement de l'IA

Comment mener une analyse FVA pas à pas ?

1. Cartographiez votre processus : listez chaque étape de l'historique à la prévision de consensus final et qui y intervient.
2. Capturez les prévisions : pour chaque article, lieu et période, stockez la prévision statistique, la prévision finale et la valeur réelle. Figez-les au moment de la prévision.
3. Choisissez l'indicateur : utilisez une mesure adaptée aux données éparses, par exemple l'erreur absolue en pourcentage pondérée à un niveau agrégé, plus une mesure de biais.
4. Choisissez la référence : naïve ou naïve saisonnière, ou une simple moyenne mobile lorsque l'historique est court.
5. Calculez l'indicateur pour chaque étape et l'écart entre étapes, par groupe d'articles et globalement.
6. Regardez la distribution, pas seulement la moyenne : une moyenne positive peut cacher de nombreux articles où le modèle a fait moins bien.

Ce dernier point provient du cas de l'article de Foresight lui-même. Chez Newell Rubbermaid, selon Schubert et Rickard en 2011, le passage d'une prévision naïve à une prévision statistique a ajouté environ 5 % de précision, tandis que les corrections fondées sur le jugement ont réduit la précision d'environ 2 %. Les histogrammes de la FVA par article ont révélé de nombreux articles pour lesquels la prévision statistique faisait moins bien, alors que la moyenne était positive. L'article décrit aussi Tempur-Pedic, qui a utilisé la FVA pour rendre visible un processus collaboratif en mettant les vendeurs au défi de battre la prévision statistique, ce qui a réduit les ajustements inutiles. Ce sont des cas d'entreprises de biens de consommation, pas de la mode ; les résultats différeront selon la catégorie.

Comment interpréter les résultats de façon équitable ?

• Segmentez par type d'article : les basiques, la mode et les nouveautés se comportent différemment, et une correction utile pour les nouveaux modèles peut nuire aux lignes de base.
• Vérifiez un nombre suffisant de périodes : quelques semaines peuvent favoriser l'un ou l'autre par hasard.
• Étiquetez les corrections avec un motif, afin de voir si des motifs comme une campagne connue ou une contrainte d'approvisionnement ajoutent de la valeur.
• Testez selon une logique hors échantillon : les prévisions doivent être figées avant les valeurs réelles, sinon la comparaison est contaminée.
• Rapportez le biais de prévision avec la précision : les planificateurs ajoutent souvent de l'optimisme, que les mesures de précision peuvent masquer.

Le choix de l'indicateur compte. Le manuel de Hyndman et Athanasopoulos énumère les inconvénients du MAPE : il est indéfini lorsqu'une valeur réelle est nulle, instable près de zéro et pénalise plus lourdement les erreurs négatives que les positives. Les erreurs mises à l'échelle comme le MASE divisent par l'erreur d'une prévision naïve ; une valeur inférieure à 1 bat donc la référence naïve. Pour des données de mode comportant beaucoup de zéros, une erreur pondérée agrégée ou une erreur mise à l'échelle est généralement plus sûre qu'un MAPE simple.

Quelles sont les critiques de la FVA ?

Un article de Foresight de 2024 signé Conor Doherty, de Lokad, soutient que la FVA a une valeur limitée comme outil permanent. Ses principaux arguments : la FVA montre une corrélation et non une causalité, de sorte qu'une correction positive peut relever de la chance ; elle repose sur des prévisions ponctuelles et ignore l'incertitude ; la précision n'est pas le profit ; elle diagnostique sans expliquer ; et dès que la précision devient une mesure de performance, les gens peuvent changer de comportement pour bien paraître. Il note aussi que la FVA peut ajouter de la bureaucratie. Lokad vend des logiciels de prévision ; les lecteurs doivent donc peser l'argument en gardant cet intérêt à l'esprit.

La critique admet que la FVA peut être utile comme vérification ponctuelle de la réalité, qui montre aux prévisionnistes trop sûrs d'eux à quel point les corrections manuelles peuvent être peu fiables. Une pratique équilibrée découle des deux sources : utilisez la FVA pour tester des affirmations, par exemple si un modèle bat le planificateur, et complétez-la par des mesures financières comme le coût des démarques et les ventes perdues, afin que les gains de précision soient reliés à l'argent.

Lire aussi

L'IA pour les merchandisers et les planificateurs : un guide pratique

Comment transformer le résultat en décision ?

Si le modèle bat la référence naïve mais que la prévision finale est moins bonne que le modèle, limitez les corrections à des situations définies, comme les campagnes confirmées, et exigez un motif. Si le modèle ne bat pas la référence, examinez d'abord la qualité des données, le niveau hiérarchique auquel vous prévoyez et le traitement des ruptures de stock avant de remplacer le modèle. Si les planificateurs battent le modèle pour certains groupes, comme les nouveaux modèles, considérez-le comme une information sur les endroits où le modèle manque de données d'entrée, et non comme un verdict sur toute l'approche.