Prévision de la demande et gestion des stocks : par où commencer avec ses données ?

Partir de la décision que la prévision doit améliorer

Les ruptures et les surstocks peuvent coexister dans une même entreprise. Un entrepôt très rempli ne garantit pas la disponibilité des bonnes références, au bon endroit. Avant de choisir un modèle, formulez la décision : combien commander lundi pour couvrir les besoins jusqu’à la prochaine livraison ? Quelle capacité réserver pour le trimestre prochain ? Ces questions ne demandent ni le même historique ni le même niveau de détail.

Fixez un périmètre initial, un responsable et un compromis économique. La supply chain porte le service et la faisabilité ; les métiers renseignent les événements ; la finance éclaire les coûts ; les équipes data rendent les hypothèses reproductibles. Une erreur sur une pièce immobilisant une installation n’a pas la même conséquence que sur un produit facilement substituable.

Séparez trois objets : la demande attendue sans limitation d’approvisionnement, le plan réalisable sous contraintes et l’objectif commercial. Relever une prévision pour rejoindre un budget masque l’écart à traiter. Conservez cet écart comme une information de pilotage, avec les actions susceptibles de le réduire.

Ne pas confondre ventes observées et demande réelle

Vendre zéro lorsque le produit est disponible et vendre zéro parce qu’il est en rupture sont deux situations différentes. La documentation AWS illustre comment un remplissage automatique par zéro peut sous-estimer les besoins. Les ventes sont alors dites censurées : la disponibilité limite ce que l’on observe. Remplacer toutes les ruptures par une moyenne n’est pas davantage une vérité métier.

Distinguez les ventes perdues, pour lesquelles le besoin non servi peut rester inconnu, des commandes en attente, ou backorders, dont la quantité et la date de demande sont enregistrées. Une livraison tardive ne doit pas déplacer artificiellement la demande au jour d’expédition. Réconciliez commandes, annulations, livraisons partielles et reliquats, sans compter deux fois le même besoin.

Conservez un indicateur de disponibilité et la méthode de reconstruction éventuelle. Des périodes comparables ou des produits substituables peuvent éclairer une estimation, sans prouver les ventes perdues. Présentez une analyse de sensibilité lorsque cette estimation influence fortement la décision. Si la disponibilité historique est inconnue, rendez cette limite visible dans l’évaluation plutôt que de présenter les ventes comme une demande certaine.

Construire un historique explicable avant de l’enrichir

Une première base utile relie produit, lieu, période, demande, disponibilité et événements. Les identifiants et les unités comptent autant que le volume d’historique : un passage du carton à la pièce peut ressembler à une explosion des besoins. Faites valider quelques trajectoires complètes par les personnes qui les connaissent.

Gardez les retours séparés des ventes brutes : ils renseignent un flux inverse, pas une demande négative à injecter sans examen. Une remise en stock dépend aussi de l’état du produit et du délai de contrôle. Conservez les versions de l’assortiment ; l’absence avant lancement ou après retrait n’équivaut pas à un produit proposé sans succès.

Choisir une granularité et un horizon actionnables

Une prévision mensuelle nationale peut aider la planification industrielle et rester inutilisable pour commander chaque semaine dans un dépôt. Choisissez la maille à partir du point de décision : référence et entrepôt, famille et usine, ou article et magasin. Une maille plus fine augmente souvent le nombre de zéros et l’incertitude ; elle n’est pas automatiquement plus informative.

Reliez l’horizon au délai de réapprovisionnement et au rythme de revue. Si les commandes sont revues chaque semaine avec deux semaines de délai, la politique doit considérer ce qui peut se produire sur les trois semaines de protection. Le calendrier de transport, les jours ouvrés et les délais variables doivent participer au calcul.

Contrôlez aussi la cohérence entre niveaux : une somme de prévisions locales ne doit pas contredire sans explication le plan partagé. Définissez comment les ajustements de famille se répartissent entre références et sites. Cette règle mérite une validation métier ; une ventilation proportionnelle aux anciennes ventes peut reconduire des ruptures passées.

Segmenter selon les comportements et les contraintes

Croisez valeur économique, criticité, fréquence de demande, variabilité et durée de vie. Le classement ABC par valeur ne suffit pas : une référence peu coûteuse peut bloquer une opération. Un produit stable, une pièce consommée rarement et un lancement demandent des méthodes et des règles de décision différentes.

Pour une demande intermittente, distinguez la fréquence des demandes et leur taille. Comparez des approches adaptées à ce régime, en évaluant surtout leur effet sur le stock et le service. Une prévision nulle peut paraître performante sur beaucoup de périodes vides tout en manquant chaque besoin critique. Pour un lancement, documentez les analogies retenues et les différences de distribution, de prix ou de saison.

Ajoutez les contraintes de péremption, minimum de commande, conditionnement, capacité et substituabilité. Elles peuvent rendre impossible une politique théoriquement séduisante. Une quantité minimale supérieure à plusieurs mois de consommation appelle parfois une négociation fournisseur ou une mutualisation, davantage qu’un modèle plus complexe.

Établir une référence simple et traiter les événements

Commencez par comparer le processus actuel à des références simples : dernière valeur, moyenne récente ou prévision saisonnière naïve. Cette dernière reprend la dernière observation de la même saison, par exemple le même mois de l’année précédente. Le manuel des chercheurs Hyndman et Athanasopoulos recommande ces références pour juger l’apport des méthodes plus élaborées.

Vérifiez toutefois la comparabilité du calendrier : jours ouvrés, fêtes mobiles, fermetures et semaines atypiques. Une promotion passée peut contaminer la référence. Séparez autant que possible la demande habituelle et les effets événementiels, puis comparez l’utilité réelle d’ajouter prix, opérations commerciales ou variables externes.

Toute variable future doit être disponible au moment de prévoir. Une promotion planifiée peut être utilisée dans sa version connue ; la remise effectivement appliquée, découverte après coup, ne peut pas justifier la performance historique d’une décision antérieure. Pour une variable inconnue, travaillez avec un scénario ou une prévision de cette variable, en conservant son incertitude.

Rejouer les décisions passées sans information future

Un découpage aléatoire des lignes mélange passé et futur. Préférez un test à origines successives : vous vous replacez à plusieurs dates, entraînez sur les informations alors disponibles et prévoyez les horizons utiles. La documentation scikit-learn rappelle pourquoi les découpages temporels évitent d’apprendre sur le futur pour évaluer le passé.

Reconstituez aussi les dates de disponibilité, et pas seulement les dates métier. Une commande du vendredi intégrée mardi n’était pas connue lundi. À chaque origine, calculez les transformations et les corrections avec les seules données autorisées. Une moyenne mobile centrée ou un nettoyage ajusté sur tout l’historique introduit une fuite d’information.

Gardez une période finale hors des réglages. Incluez plusieurs saisons et situations opérationnelles lorsque l’historique le permet ; signalez les absences. Comparez les méthodes sur les mêmes références, origines et horizons. Pour les périodes de rupture, distinguez l’erreur sur la demande directement observée et celle calculée contre une reconstruction, dont la qualité demeure une hypothèse.

Lire conjointement précision, biais et cas difficiles

Aucun indicateur ne résume toute la performance. Une erreur moyenne en unités reste lisible pour un approvisionneur ; une mesure agrégée aide à comparer des versions, à condition de conserver le même périmètre. Examinez aussi les références critiques, les promotions et les horizons longs.

La MAPE divise l’erreur par la demande de chaque observation : elle est indéfinie lorsque celle-ci vaut zéro et instable près de zéro. La WAPE, somme des erreurs absolues divisée par la somme des demandes absolues, tolère des zéros individuels mais pas un dénominateur nul. Dominée par les volumes importants, elle peut masquer les petites références. Hyndman montre aussi que son évolution peut être trompeuse lorsque la série présente une tendance.

Fixons une convention explicite : biais relatif = somme(prévision − demande) / somme(demande), sur des demandes non négatives et un total positif. Un résultat positif signifie une surestimation. Exemple fictif : demandes de 100, 0 et 40 unités ; prévisions de 90, 10 et 60. L’erreur absolue totale vaut 40, la WAPE 28,6 % et le biais +14,3 %. Les erreurs de sens opposés se compensent dans le biais, pas dans la WAPE.

Complétez donc les pourcentages par les unités manquantes ou excédentaires et une comparaison à la référence simple. Ne transformez pas automatiquement « 100 % moins WAPE » en une promesse de fiabilité ou de service.

Traduire l’incertitude en un objectif de service explicite

Une valeur centrale ne décrit pas les scénarios défavorables. Une distribution prévisionnelle ou plusieurs quantiles rendent cette incertitude exploitable ; Amazon Science explique leur rôle dans les décisions de stock. Un quantile à 90 % est une valeur que la demande est estimée ne pas dépasser avec cette probabilité, sous les hypothèses du modèle. Vérifiez sa calibration sur des observations futures.

Le taux de service par cycle mesure la proportion de cycles sans rupture. Le taux de satisfaction en volume, ou fill rate, mesure la part des unités demandées servies selon la convention retenue, par exemple immédiatement sur stock. Un objectif de 95 % pour l’un ne signifie pas 95 % pour l’autre. Précisez également le traitement des substitutions et des commandes partielles.

Pour une revue périodique, raisonnez sur la demande cumulée pendant le délai plus la période de revue. Additionner des quantiles journaliers ne donne généralement pas le quantile du cumul. Modélisez ce cumul ou simulez des trajectoires cohérentes, en intégrant les retards et les dépendances lorsque cela est nécessaire.

Exemple fictif : passer d’une prévision à une commande

Prenons une référence non périssable, commandée chaque semaine, avec un délai fixe de deux semaines. Les besoins non servis restent en attente ; les approvisionnements ne se dépassent pas et aucune capacité ne limite les commandes. Dans ce cadre simplifié, une politique de recomplètement vise une position de stock couvrant les trois semaines de protection.

Supposons une demande cumulée moyenne de 180 unités et un quantile à 90 % de 225 unités. Ces valeurs sont fictives et portent sur les demandes futures, hors besoins déjà en attente. Le responsable retient 225 comme cible illustrant un objectif de couverture par cycle dans ce modèle ; il ne s’agit ni d’un optimum économique démontré ni d’une garantie de fill rate.

• Une cible limitée à la moyenne de 180 aurait conduit à commander 50 unités : le choix du risque accepté change la décision, même avec le même modèle.
• Les 60 unités en cours doivent avoir des dates fiables. La position totale ne dispense pas de vérifier le stock projeté avant chaque réception.
• Commander aujourd’hui ne résout pas une rupture avant l’arrivée dans deux semaines. Une urgence peut demander un transfert ou un autre arbitrage.
• Un délai variable, des ventes perdues ou une péremption imposeraient de revoir ces hypothèses et la politique, pas de réutiliser mécaniquement ce calcul.

Tester la politique de stock et organiser les arbitrages humains

Une meilleure prévision ne garantit pas une meilleure gestion des stocks. Rejouez les commandes, arrivées, consommations, ruptures et retours, avec les contraintes réelles. Comparez les politiques à demande et conditions comparables : stock moyen, service, pertes, expéditions urgentes et coûts. Lorsque la demande passée est censurée, testez plusieurs hypothèses plutôt qu’un seul scénario avantageux.

Dans la revue commerciale et opérationnelle, ou S&OP, confrontez prévision statistique, événements à venir et faisabilité. Toute correction humaine devrait porter un motif, un auteur, une date et un périmètre. Conservez la prévision avant correction pour mesurer ensuite si l’intervention a aidé, sans sélectionner uniquement les cas réussis.

Suivez les exceptions qui appellent une action : retard fournisseur, pic inhabituel, rupture projetée ou données absentes. Une alerte doit avoir un propriétaire et une décision possible. Prévoyez un mode dégradé si les données arrivent trop tard ; un calcul récent sur un stock obsolète ne constitue pas une recommandation fiable.

Lancer un pilote qui produit une décision vérifiable

Choisissez un périmètre assez limité pour être expliqué, mais comprenant des situations représentatives. Fixez avant le test la période d’observation, la référence, les règles de service et les critères d’arrêt. La durée dépend des cycles de demande et d’approvisionnement : quelques semaines ne valident pas une saisonnalité annuelle.

Les livrables utiles sont un historique contrôlé, une définition de la demande, des prévisions archivées, un test temporel reproductible et une simulation des règles de stock. Commencez en recommandation supervisée. Élargissez lorsque les utilisateurs peuvent comprendre les écarts, corriger une donnée et justifier leurs décisions.

Juste Data peut accompagner la structuration de ce socle, la définition des indicateurs et l’articulation entre équipes métiers, Data et IT. Le premier résultat recherché est une décision de réapprovisionnement traçable et évaluable, avec des limites connues et des responsabilités claires.

Questions fréquentes