SKU Science Obtient La Certification SOC2 Type II
La Certification SOC2 Type II : Un Gage de Confiance et de Sécurité Dans un contexte où la sécurité des données et la..
Nouveau partenariat avec Demand Driven Technologies
Nouveau partenariat : Intuiflow par Demand Driven Technologies et SKU Science élèvent l’excellence de la planification de la demande. ATLANTA–(BUSINESS WIRE)–Demand Driven Technologies, leader des solutions de planification de la Supply Chain en flux tiré par la demande réelle, est ravi d’annoncer son partenariat stratégique avec SKU Science, spécialiste de la planification de la demande simple et rapide. Cette collaboration réunit deux innovateurs de premier plan pour permettre aux entreprises de bénéficier d’une agilité et d’une résilience inégalées dans leurs Supply Chains. L’intégration des capacités de prévision et de suivi de performance automatisé de SKU Science dans le logiciel Intuiflow de Demand Driven Technologies permettra aux utilisateurs d’exploiter toute la puissance de la prise de décision Demand Driven et d’obtenir des résultats optimaux dans leurs processus de planification et d’exécution industriels et commerciaux (S&OE/S&OP). Prévision sans faille avec l’application de planification de la demande d’Intuiflow Avec l’application Demand Planning d’Intuiflow, les utilisateurs peuvent générer des prévisions précises et pertinentes sans effort. En s’appuyant sur les données historiques et en analysant 644 combinaisons statistiques, la plateforme identifie automatiquement la meilleure prévision à n’importe quel niveau. Des modèles d’IA spécifiques offrent des options supplémentaires, offrant une expérience de prévision véritablement personnalisée. Favoriser l’amélioration continue et la collaboration L’intégration des données provenant des différents acteurs et fonctions permet d’établir des plans de demande partagés, ce qui favorise une meilleure collaboration au sein de l’organisation. Il est possible d’évaluer régulièrement les performances de l’entreprise en les comparant au budget de l’année fiscale et aux résultats de l’année précédente. Grâce à la fonction Dashboard d’Intuiflow, les utilisateurs disposent de la visibilité permettant une prise de décisions rapide et étayée. Erik Bush, PDG de Demand Driven Technologies, commente : « Notre solution Intuiflow devient rapidement la solution de planification de la Supply Chain idéale pour les grandes entreprises et les clients mid-market. Notre partenariat avec SKU Science nous permet d’améliorer encore plus les performances de la Supply Chain de nos clients. » Stephane Leclercq, PDG de SKU Science, ajoute : « En introduisant des fonctionnalités avancées de planification de la demande dans Intuiflow, nous permettons aux entreprises de toutes tailles de renforcer leur efficacité opérationnelle et leur agilité stratégique. Désormais, elles peuvent bénéficier d’une suite d’outils encore plus holistique et intuitive pour assurer leur réussite. » Pour plus d’informations sur les innovations permises par ce partenariat, contactez contact@skuscience.com. À propos de Demand Driven Technologies : Demand Driven Technologies est l’un des principaux fournisseurs de solutions de gestion de la Supply Chain. Nous proposons des outils et des méthodologies innovants qui permettent aux entreprises de s’adapter et d’exceller dans l’environnement complexe de la Supply Chain d’aujourd’hui. Grâce à une approche centrée sur le client, Demand Driven Technologies permet aux entreprises d’atteindre des niveaux de stocks optimaux, de réduire les délais et d’améliorer les performances globales de leurs Supply Chains. À propos de SKU Science : Lancée en 2018, SKU Science est rapidement devenue un précurseur dans la gestion de la Supply Chain. Exploitant la puissance des technologies web modernes et du Big Data, SKU Science fournit des solutions non seulement robustes, mais aussi conviviales et faciles à déployer – un ajustement parfait pour les entreprises de toutes tailles. Grâce à cette fusion entre technologie de pointe et facilité d’utilisation, SKU Science s’est imposé comme un acteur majeur dans le domaine de la planification de la demande. Essai gratuit – Prévision & Suivi de performanceFacile et Abordable – Aucune carte de crédit requiseEssayer SKU Science maintenant! Obtenez vos prévisions gratuitement
Réduire l’impact des ruptures de stock avec une prévision agrégée
De nombreuses entreprises n’ont pas de processus d’archivage ou de suivi des ruptures de stock, bien que celles-ci puissent avoir un impact significatif sur les ventes. Cet article explique comment les organisations peuvent minimiser l’effet des ruptures de stock sur la prévision de la demande en utilisant des méthodes de prévision agrégées et des données de ventes réelles. Bien qu’il serait préférable d’utiliser la demande réelle plutôt que les ventes historiques en éliminant les ruptures de stock, notre expérience indique que la plupart des entreprises n’ont pas encore atteint ce stade de maturité dans la gestion de leur supply chain. Essai gratuit – Prévision & Suivi de performanceFacile et Abordable – Aucune carte de crédit requiseEssayer SKU Science maintenant! Obtenez vos prévisions gratuitement Les bénéfices de l’utilisation de données agrégées pour la prévision de la demande Les meilleures pratiques en gestion de supply chain pour atteindre une plus grande précision de la prévision consistent à calculer les prévisions à un niveau agrégé. Voici quelques raisons pour lesquelles les indicateurs clés de performance (KPI) de la prévision de la demande s’améliorent généralement avec cette approche : – Augmentation de la taille de l’échantillon : En agrégeant les données provenant de sources multiples, vous augmentez la taille de l’échantillon de vos données, ce qui peut améliorer la précision de vos prévisions. Une taille d’échantillon plus grande peut fournir une vue plus représentative de la population, permettant des prédictions plus solides et fiables. – Réduction du bruit : L’agrégation des données peut aider à réduire les effets du bruit et des valeurs aberrantes dans les données. Par exemple, si vous prévoyez la demande d’un produit, une demande exceptionnellement élevée d’un seul client ou d’un emplacement particulier peut fausser les données et entraîner une prévision inexacte. En agrégeant les données provenant de plusieurs clients ou emplacements, vous pouvez réduire l’impact de ces valeurs aberrantes et produire des prévisions plus précises. – Meilleure compréhension des motifs sous-jacents : L’agrégation des données peut vous aider à identifier des motifs et des tendances que vous ne pourriez pas voir en travaillant avec des points de données individuels. Par exemple, si vous prévoyez la demande d’un produit dans plusieurs magasins, vous pourriez remarquer que la demande est généralement plus élevée les week-ends ou pendant certains mois de l’année. En identifiant ces motifs, vous pouvez créer des prévisions plus précises. – Plus de puissance explicative : L’agrégation des données peut vous donner une compréhension plus complète des facteurs qui influencent la demande d’un produit ou d’un service. Par exemple, en analysant les données provenant de plusieurs magasins, vous pouvez identifier à la fois un motif saisonnier et des caractéristiques spécifiques à chaque magasin qui affectent la demande. La combinaison de ces deux facteurs peut fournir plus de puissance explicative et des prévisions plus précises. Techniques efficaces de regroupement de données pour une prévision de la demande fiable Maintenant, voyons quel type de données nous pourrions utiliser pour regrouper nos données afin d’appliquer nos modèles de prévision. – Les données de produit telles que la taille, le poids, la couleur, le prix, la marque, le segment, la catégorie ou toute autre information pouvant caractériser un produit peuvent être utilisées pour agréger les données. – Les données de magasin peuvent également être utilisées pour comprendre comment la demande d’un produit varie selon les différents emplacements de magasin. Cela peut inclure des informations telles que la taille du magasin, la disposition et les caractéristiques démographiques de la zone environnante. – Le canal de vente est un autre exemple d’information qui peut être utilisé pour organiser vos données avant de calculer la prévision, car la demande pour des canaux spécifiques peut être très différente. – Les données de marketing telles que les promotions ou les publicités qui ont été réalisées pour le produit peuvent aider à comprendre l’effet de ces activités sur la demande. Par conséquent, le regroupement de données en utilisant ces champs ou une combinaison de ces champs peut conduire à une meilleure précision lors de la prévision de la demande. Cette table montre le taux d′erreur moyen en % pour les prévisions calculées à un niveau d′agrégation spécifique. Améliorer la précision des prévisions de la demande grâce à l’analyse des données agrégées et des ruptures de stock Si les données de vente historiques sont affectées par des ruptures de stock, cela peut entraîner des imprécisions dans les prévisions de la demande, car les ruptures de stock peuvent entraîner des fluctuations des ventes qui ne reflètent pas la véritable demande sous-jacente. Comme nous l’avons vu précédemment, travailler avec des données agrégées peut aider à améliorer la précision des prévisions de la demande dans cette situation pour quelques raisons : – Effet lissage : L’agrégation des données de vente provenant de plusieurs sources peut contribuer à lisser les fluctuations de ventes causées par des ruptures de stock individuelles. Par exemple, si les données de vente d’un magasin sont affectées par une rupture de stock, elles peuvent être compensées par les données de vente d’un autre magasin où les ruptures de stock ne se sont pas produites. – Meilleure compréhension de l’impact des ruptures de stock : En agrégeant des données provenant de plusieurs magasins, vous pouvez également
Challenger les prévisions de vos commerciaux avec le suivi des KPI
Pour améliorer les performances de votre supply chain, il est essentiel d’avoir les bons outils pour accompagner la planification de demande au sein de votre S&OP. Vous pouvez ainsi limiter les ruptures de stock et maintenir votre inventaire à un niveau raisonnable, tout en garantissant un taux de service élevé. Un élément clé de la planification de demande est l’obtention de bonnes prévisions. Bien souvent, ces prévisions proviennent des commerciaux et des distributeurs, cependant la qualité de ces prévisions est fréquemment remise en cause par les personnes en charge de la supply chain. Focus sur les KPI de prévisions des équipes commerciales En pratique, il faut organiser la mesure de la qualité de ces prévisions (les fameux KPI). Mais c’est un exercice difficile à effectuer avec Excel. De plus, on peut écrire sans risque, qu’il y a autant de façons d’évaluer ces prévisions qu’il y a d’entreprises. Nous proposons ci-dessous un tableau de suivi des performances, pour identifier rapidement les articles, ou les niveaux dans l’organisation nécessitant des mesures correctives. SKU Science apporte une solution pour sensibiliser tous les acteurs de la chaîne logistique à l’amélioration des prévisions. Il est possible de recréer ce tableau à la main sous Excel, mais c’est un exercice compliqué et qui demandera une maintenance mensuelle. Plusieurs clients nous ont demandé de pouvoir comparer les prévisions fournies par leurs services commerciaux à celles calculées par notre plateforme.Sur le tableau vous pouvez voir deux types de prévisions. Ainsi tous les KPI sont calculés à la volée pour les 2 deux types de prévisions (en fonction des délais d’approvisionnement de votre supply chain, sinon cela n’a pas vraiment d’intérêt) et comparés entre eux pour calculer la valeur ajoutée de votre équipe commerciale. Mesurer la valeur ajoutée de vos équipes Vos équipes passent du temps à faire des prévisions, mais cela n’a du sens que si elles améliorent vraiment les prévisions issues d’un outil comme SKU Science ou d’une autre plateforme. En comparant ces deux valeurs, vous saurez enfin si vous ajoutez de la valeur ajoutée, ce qui doit être votre seul et unique objectif. Concrètement comment ça se passe?A partir des données historiques de la demande, la plateforme calcule des prévisions pour les derniers cycles. Lors de chaque période, une nouvelle prévision externe a été chargé à partir d’Excel sur la plateforme. Ces prévisions (“Rolling forecast” en anglais) issues de la plateforme et des commerciaux sont archivées à chaque nouveau cycle. Dans l’exemple ci-dessous, nous analysons les données de prévision avec un mois d’écart pour chaque période.Au lieu de nous concentrer sur les prévisions au niveau d’une SKU (vous pouvez en avoir beaucoup), nous étudions les prévisions à un niveau plus macroscopique, celui d’un territoire ou d’un entrepot (ici Paris). Cet exercice est réplicable à n’importe quel niveau. La plateforme nous permet d’obtenir sans effort les tableaux de KPI calculés à partir des quantités ou valorisés financièrement. Dans l’exemple ci-dessous, un tableau de KPI pondérés est généré à partir du chiffre d’affaires de chaque SKU. Cela reste la meilleure option pour analyser les KPI et avoir un réel impact sur la société.Chaque KPI de prévision calculé comporte 3 lignes. • SKU Science: indique les valeurs concernant les prévisions de la plateforme.• Utilisateur: indique les valeurs pour la prévision issue du service commercial et chargée sur la plateforme.• Valeur ajoutée: représente l’amélioration ou la dégradation apportée par l’utilisateur par rapport à SKU Science. Valeur ajoutée des prévisions et KPI pondérés Il est aisé de constater dans ce tableau que la valeur ajoutée de la précision, en rouge, est inférieure de 5% à celle obtenue par la plateforme. Il faut donc prendre des mesures correctives lors des prochains cycles, pour faire passer ce chiffre en positif. Nous donnerons quelques conseils à ce sujet dans un autre article. Sans amélioration lors des prochains cycles, il est préférable de ne rien changer aux prévisions de la plateforme et d’éviter de faire perdre du temps à vos équipes. Une autre information importante que l’on peut extraire de ce tableau est l’écart moyen entre le chiffre d’affaires réalisé pour chaque période et le biais de prévision. Ici on constate grâce au signe négatif, que le service commercial sous évalue en moyenne de 414k€ par mois par rapport au CA réalisé. Sans une bonne politique de stock, les ruptures sont à redouter sur certains articles sur la zone de Paris. Un signe positif traduirait une tendance à la surestimation des quantités, ce qui se traduirait immanquablement par une augmentation de l’inventaire. L’idéal serait d’avoir un biais en pourcentage proche de zero. De manière générale, il est de bonne pratique d’analyser les KPI de prévision par rapport au CA ou par rapport à la marge dégagée par l’entreprise.Pour certains articles clés, il peut être cependant intéressant d’analyser ce tableau sous l’angle des quantités. Essai gratuit – Prévision & Suivi de performanceFacile et Abordable – Aucune carte de crédit requiseEssayer SKU Science maintenant! Obtenez vos prévisions gratuitement
Comment mettre en place un processus de prévision de la demande
Une prévision n’est pertinente que si elle permet de prendre les mesures appropriées pour votre supply chain. Un bon modèle de prévision devrait permettre d’améliorer le niveau de service, de mieux planifier, de réduire le gaspillage et les coûts globaux. Dans cet article, nous présentons les 4 dimensions à considérer pour définir le cadre d’un bon processus de prévision de la demande pour votre organisation. Lors de la création de votre processus de prévision de la demande, vous devrez le définir selon quatre dimensions: la granularité, la temporalité, les métriques et le processus. 1. Granularité Vous devez d’abord travailler à déterminer la bonne granularité géographique et matérielle pour vos prévisions. ?️ Géographique. Devez-vous prévoir par pays, région, marché, canal, segment de clientèle, entrepôt, magasin? ? Matériel. Devez-vous prévoir par produit, segment, marque, valeur, matière première requise? Pour répondre à ces questions, vous devez réfléchir aux décisions prises en fonction de cette prévision, et leurs impacts sur votre supply chain. N’oubliez pas qu’une prévision n’est pertinente que si elle améliore votre supply chain. À titre d’exemple, supposons que vous deviez décider des produits à expédier de votre usine à vos entrepôts régionaux. Dans ce cas, il peut être judicieux d’agréger la demande pour chaque région allouée à un entrepôt et de prévoir la demande directement à ce niveau géographique. Pour prévoir la demande allouée à un entrepôt, il est déconseillé d’utiliser les commandes historiques car elles sont impactées par des contraintes logistiques. Au lieu de cela, vous devez prévoir la demande de l’entrepôt en fonction de ce qui devrait être servi à partir de l’entrepôt s’il n’y avait aucune contrainte (en d’autres termes, prévoir la demande provenant de la région géographique qui devrait être desservie par l’entrepôt). Essai gratuit – Prévision & Suivi de performanceFacile et Abordable – Aucune carte de crédit requiseEssayer SKU Science maintenant! Obtenez vos prévisions gratuitement 2. Temporalité Une fois que vous savez à quel niveau de granularité vous allez travailler, vous devez choisir le bon horizon de prévision et l’agrégation temporelle (intervalle de temps). De nombreuses supply chain s’en tiennent à la prévision de la demande 18 ou 24 mois à l’avance, même si vous devrez peut-être choisir un horizon limité sur lequel vous concentrer. ?️ Agrégation temporelle. Quel intervalle d’agrégation temporelle devez-vous utiliser (jour, semaine, mois, trimestre ou année)? ? Horizon. Combien de périodes devez-vous prévoir (un mois, six mois, deux ans)? Encore une fois, vous devez répondre à ces questions en réfléchissant à ce que vous tentez d’optimiser / réaliser et aux délais impliqués dans ces décisions. Par exemple, supposons que vos fournisseurs (ou usines de production) doivent recevoir des commandes / prévisions mensuelles trois mois à l’avance. Dans ce cas, vous savez que vous devez travailler sur des périodes mensuelles et avec un horizon de 3 mois (M+1 /+2/+ 3). Vous pouvez également sauter M+4 (ou du moins ne pas vous concentrer dessus). Si vous avez besoin d’une prévision pour savoir quelles marchandises expédier de votre entrepôt central à vos entrepôts locaux, vous devez vous concentrer sur un horizon équivalent à votre délai d’approvisionnement interne. ❗ Modèles et horizon de prévision. Les modèles statistiques peuvent facilement produire des prévisions sur un très long horizon (théoriquement infini). Ce n’est pas le cas des modèles de machine learning. Ainsi, vous devrez peut-être vous en tenir à des modèles statistiques pour les prévisions à long terme. 3. Métriques Les professionnels négligent souvent la question des mesures de prévision. Choisir les bonnes métriques pour un processus / modèle de prévision est en fait assez simple et aura des impacts profonds sur les prévisions qui en résultent. En fonction de la métrique sélectionnée, vous pourriez donner trop d’importance aux valeurs aberrantes (le défaut du RMSE) ou risquer une prévision biaisée (le défaut de l’EAM). Voici quelques conseils pour choisir les bonnes métriques de prévision : ❌ Evitez MAPE. De nombreux professionnels utilisent encore MAPE comme mesure de prévision. Il s’agit d’un indicateur très biaisé qui favorisera la sous-prévision. ✅ Combinez les KPI. Choisir une combinaison de KPI (comme l’EAM & le Biais) sera souvent un bon compromis vous permettant de contrôler la précision et le biais tout en évitant la plupart des pièges. ✅ Surveillez l’apparition de biais cohérents. Si un biais cohérent (sur ou sous-prévision) est observé sur un élément, quelque chose ne va probablement pas avec le modèle / processus de prévision. ? Les KPI pondérés. Vous pouvez essayer de pondérer chaque produit (ou SKU) dans le calcul de la métrique globale en fonction de sa rentabilité, de son coût ou de son impact global sur la chaîne d’approvisionnement. L’idée est d’accorder plus d’attention aux SKU qui comptent le plus. Au-delà des calculs, il est important d’aligner les KPI de prévision sur les granularités matérielles et temporelles requises. Par exemple, supposons que vous souhaitiez commander des produits auprès d’un fournisseur étranger avec un délai de 3 mois. Dans ce cas, vous devez mesurer la précision sur un horizon de prévision à mois +1, +2 et +3 – ou mieux encore, calculer l’erreur cumulée sur trois mois – au lieu de simplement regarder la précision obtenue au mois+1. 4. Processus de prévision de la demande Maintenant que vous connaissez votre agrégation matérielle et temporelle, votre horizon et vos métriques, vous pouvez mettre en place un processus. Ce processus doit être défini à travers trois aspects spécifiques. – Les parties prenantes. Qui examinera les prévisions? Apporter différents points de vue à la table de discussion – en utilisant diverses sources d’information – aidera à créer une prévision plus précise. – Périodicité. Quand révisez-vous les prévisions? La mise à jour plus fréquente de vos prévisions peut améliorer leur précision (car vous disposez de données plus récentes). Les mettre à jour trop souvent peut créer le chaos car vous réagissez de manière excessive à aux variations de la demande et consommez trop de ressources pour une valeur ajoutée limitée. – Processus de vérification. Comment examinez-vous les prévisions? Au cœur de tout processus de prévision, il devrait y avoir une
6 conseils pour obtenir des prévisions de demande fiables post-COVID-19
La crise COVID-19 a eu un impact sur tous les modèles de prévision de la demande, quel que soit votre secteur. Selon le type d’articles que vous traitez (demande faible vs forte) ou votre secteur industriel (commerce de détail, alimentation, soins de santé, services publics, logistique, fabrication, etc.), certaines mesures doivent être prises pour planifier (relativement ) avec précision pour les mois à venir. La question est: « Comment devrions-nous traiter les données de demande réelle pour mars, avril et mai 2020? » Demande pendant la COVID-19 et son impact sur le modèle de prévision (modèle Saison & Tendance) Eh bien, comme vous pouvez l’imaginer, il n’y a pas une seule réponse à cette question, mais nous allons essayer ci-dessous de lister toutes les options disponibles. Nous sommes à peu près sûrs qu’une de celles-ci conviendra à votre entreprise. La première option évidente consiste à marquer ces valeurs comme des valeurs aberrantes. Si vous décidez de traiter les données de demande de mars à mai 2020 comme des valeurs aberrantes, vous avez alors plusieurs options pour vos calculs de prévision. • Vous pouvez les supprimer de la fenêtre de prévision. • Vous pouvez implémenter certaines tactiques pour réduire leur poids dans vos modèles de prévision. • Vous pouvez utiliser les données historiques des années précédentes pour remplacer ces périodes particulières, en prenant par exemple une moyenne de 2017 à 2019. • Vous pouvez utiliser les données de prévision de votre modèle pour remplacer ces valeurs particulières. Nous expliquerons bientôt dans un autre article comment obtenir rapidement vos prévisions en utilisant cette méthode avec SKU Science. Une fois votre choix tactique fait – et compte tenu du fait que nous sommes toujours dans un monde VUCA – vous pouvez envisager de permettre à votre base de prévision de s’adapter rapidement aux changements de la demande en augmentant la sensibilité des paramètres de prévision. En traitant les données de demande de T1 et T2 2020, non seulement cela vous aidera à planifier correctement pour le reste de l’année, mais aussi pour les T1 et T2 de 2021. En effet, pour ceux qui ont une demande saisonnière, il est probable que vos modèles de prévision « détecteront » une saisonnalité COVID-19 et prédiront une baisse de la demande de mars à mai 2021. Pour certaines industries, signaler les mois de confinement comme des valeurs aberrantes n’est pas toujours la meilleure option, car ces ventes pourraient représenter un nouveau changement structurel qui devrait persister dans l’avenir – des solutions de vidéoconférence et des téléconsultations médicales viennent à l’esprit. Un autre exemple est une augmentation de la consommation de farine qui pourrait rester à ce niveau plus élevé dans les mois à venir, car la cuisine familiale a pris le dessus sur la restauration rapide et la restauration. Par conséquent, il est important que les prévisionnistes de la demande connaissent leur industrie afin de pouvoir interpréter correctement la demande historique. En bref, signaler la demande récente comme des valeurs aberrantes est contre-productif si vos clients ont maintenant changé leur comportement à long terme en raison de la crise. Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT Une autre tactique pour optimiser vos ventes – tout en optimisant votre fonds de roulement – serait de maintenir de faibles niveaux de stock pour les produits finaux tout en maintenant un bon niveau de matière première et d’en-cours de fabrication pour permettre une montée en cadence rapide de la production, afin de pouvoir réagir si la demande augmente. En conclusion, il n’y a pas de solution miracle pour toutes les entreprises. La demande au cours des 3 derniers mois a été exceptionnelle: il est probable que, dans la plupart des cas, la demande post-COVID-19 sera différente de la demande que nous avons connue au cours des 3 derniers mois. Par conséquent – à l’exception de certaines industries essentielles (commerce électronique et alimentation, etc.) – il serait prudent de modifier les données de demande pour Mars, Avril et même Mai. Si vous utilisez actuellement un algorithme statistique ou une boîte noire, il est peut-être temps de revoir le fonctionnement de votre moteur de prévision pour l’empêcher de réagir de manière excessive à la crise COVID-19.
Bien choisir sa politique d’inventaire pour optimiser la gestion des stocks
Quelle que soit votre activité, vous devez toujours chercher à optimiser la gestion de vos stocks, ceci afin de réduire les nombreux coûts associés (investissements en capitaux, risques, détérioration, assurance, personnel, infrastructure logistique). Comprendre les différentes politiques d’inventaire permet de choisir la plus adaptée par rapport à la stratégie de coût que l’on souhaite mettre en oeuvre. Une politique d’approvisionnement établit “combien” il faut commander ou fabriquer de pièces. Les options possibles sont : – Lot pour lot, c’est-à-dire les besoins exacts consommés durant la période .– Taille de lot fixe, par exemple en fonction du packaging (ou bien multiple de ces lots).– n périodes de fourniture, c’est-à-dire une quantité suffisamment importante pour satisfaire la demande pendant ces n périodes. Une politique d’approvisionnement précise également “quand” passer les commandes ou les ordres de production. Ici, deux options sont référencées : – Le point de commande : on déclenche la commande lorsque le stock passe sous un certain seuil (par exemple, une commande est faite chaque fois qu’il y a moins de 10 pièces disponibles en stock).– Le recomplètement périodique : Le temps qui s’écoule entre deux commandes reste fixe (par exemple une commande est passée tous les lundis matin). Nous allons couvrir dans cet article deux politiques utilisées communément : – Le point de commande (réapprovisionnement fixe)– Le recomplètement périodique (quantité variable) Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT La politique du point de commande (réapprovisionnement fixe) Avec cette méthode, une commande de même quantité sera passée à notre fournisseur (ou un ordre de production) à chaque fois que le niveau de stock disponible passera sous un seuil déterminé à l’avance.Avec l’exemple ci dessous, si notre stock devient inférieur ou égal à 3, nous commandons toujours une quantité de 10. Avantages : Cette politique permet de passer une commande chaque fois que cela est nécessaire. Elle est donc très sécurisante. Inconvénients : Elle ne permet pas de grouper ses commandes pour un même fournisseur, ce qui peut engendrer des coûts supplémentaires. Le recomplètement périodique (de quantité variable) Avec ce système de réapprovisionnement, le temps entre deux commandes de réapprovisionnement sera toujours identique, celles-ci ont donc lieu à “horaire fixe”. La quantité commandée lors de chaque période permet toujours d’atteindre la même quantité de stock finale, ainsi le montant commandé est toujours différent. Il varie en fonction du niveau de stock physique disponible au moment de la commande. Dans l’exemple ci-dessous, nous passons une commande toutes les 5 périodes, de manière à atteindre un niveau de stock final égal à 13. Avantages : Ce système de réapprovisionnement est le plus utilisé car il permet de grouper les commandes auprès d’un même fournisseur. Cette méthode bénéficie à la fois à votre organisation ainsi qu’à votre fournisseur en limitant les échanges, et en optimisant les opérations de l’un et de l’autre, par exemple en limitant et en planifiant le nombre de livraisons, et en optimisant le remplissage des camions ou autre moyen de transport. Inconvénients : Comme nous le verrons dans un article dédié au stock de sécurité, cette politique est en fait plus risquée à cause de la zone d’inaction qu’elle implique, où des problèmes peuvent survenir. Il est en effet impossible de commander entre deux périodes. Si vous êtes déjà en rupture de stock le lundi et que vous passez votre commande uniquement le vendredi, vous serez 4 jours sans stock. Le résultat sera vraisemblablement du chiffre d’affaires perdu et des opportunités de ventes manquées. Ce genre de problème n’existe pas avec la méthode du point de commande (à réapprovisionnement fixe). D’autres politiques d’inventaire sont possibles Il est possible d’imaginer de nombreuses autres politiques d’inventaire. Ainsi il est possible de réapprovisionner par quantité fixe, lors de chaque période. Il suffit pour cela de fixer un seuil minimum de déclenchement de commande. Ces autres politiques peuvent être adaptées selon les besoins de chaque activité, cependant, les formules pour calculer le stock de sécurité sont alors bien plus compliquées à mettre en oeuvre. Ces deux politiques communes de gestion des stocks, ainsi que d’autres variantes sont directement accessibles dans SKU Science. Il est donc très simple d’identifier celle qui correspond le mieux à vos besoins. Vous pouvez obtenir plus de détails sur les différentes politiques de gestion des stocks dans le livre Data Science for Supply Chain Forecast, écrit par Nicolas Vandeput. Ces deux politiques communes de gestion des stocks, ainsi que d’autres variantes sont directement accessibles dans SKU Science. Il est donc très simple d’identifier celle qui correspond le mieux à vos besoins. Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT
Comment détecter les valeurs aberrantes pour une meilleure prévision de la demande
La plupart des chaînes d’approvisionnement s’attendent à une certaine variabilité de la demande et, par conséquent, il convient de choisir le bon modèle de prévision, comme on peut le voir dans nos précédents articles. Quelle que soit la nature de cette variance, des facteurs exceptionnels peuvent se produire et nuire gravement à la fiabilité d’un modèle donné. Nous appelons ces données des « valeurs aberrantes ». Ces valeurs aberrantes résultent d’abord d’une demande exceptionnelle, telle que la liquidation de stocks, des arrêts temporaires de production ou des restrictions externes, qui peuvent être dues à des contraintes logistiques ou d’infrastructures rendant temporairement impossible la composition du stock ou l’exécution des commandes des clients. Même si certaines observations de la demande sont réelles, cela ne signifie pas qu’elles ne sont pas exceptionnelles et ne doivent pas être nettoyées. Deuxièmement, il y a aussi des erreurs, qui sont des valeurs aberrantes évidentes. Si vous remarquez ce type d’erreurs ou des problèmes d’encodage, vous devez mettre en œuvre des améliorations de processus afin d’empêcher qu’elles ne se reproduisent. Considérant les effets négatifs que les valeurs aberrantes peuvent avoir sur votre entreprise, il est essentiel de savoir comment les détecter et il existe certaines techniques qui peuvent être utilisées pour résoudre ce problème. Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT Détecter les valeurs aberrantes via la winsorization Cette première idée est une approche plutôt simpliste consistant à définir une certaine plage minimale et maximale dans laquelle les données seront simplement ignorées. Statistiquement, cette marge est définie comme le centile, ce qui signifie la valeur en dessous de laquelle x% des observations dans un groupe vont tomber. Par exemple, 99% des observations de la demande pour un produit seront inférieures à son 99e centile. Cette approche peut être efficace, mais elle peut également entraîner certains problèmes, tels que la détection de faux points aberrants dans un jeu de données sans points aberrants (voir la figure 1 ci-dessous); ou dans le cas de véritables valeurs aberrantes, cela ne réduit pas suffisamment la valeur, ce qui la maintient à un niveau bien supérieur à nos attentes. C’est une approche qui finit par nécessiter une analyse critique très précise de la part du planificateur/prévisionniste; elle n’est donc pas aussi efficace et fiable qu’elle le devrait, car elle supprime les valeurs hautes et basses d’un jeu de données, même si elles ne sont pas exceptionnelles en soi. Figure 1: Winsorization d′un jeu de données simple sans valeur aberrante Détecter les valeurs aberrantes via la méthode de l’écart type Une autre approche consisterait à utiliser la variation de la demande autour de la moyenne historique et à exclure les valeurs exceptionnellement éloignées de cette moyenne, selon un certain intervalle compris entre deux seuils centrés sur la demande . Figure 2: Distance à la moyenne Avec cette méthode, dans une situation sans valeur aberrante, nous ne modifions aucune observation de la demande (nous conservons toutes les valeurs dans ce cas), et dans une autre situation avec une valeur aberrante (voir Y2 ci-dessous), nous ne modifions pas les points de demande faible ou élevée. mais seulement la valeur aberrante réelle (de 100 à 49 dans la figure ci-dessous). Figure 3: Détection des valeurs aberrantes basée sur l′écart type (normalisation) Bien que cela puisse sembler résoudre tous les problèmes découlant de l’approche de WinSorization, la limitation effective se produira lorsque vous aurez un produit avec une tendance ou une saisonnalité. Dans ce cas, sa moyenne historique ne représentera pas avec précision la moyenne réelle pour cette période donnée et, par conséquent, les seuils risquent de ne pas limiter correctement une valeur aberrante possible. Détecter les valeurs aberrantes via l’erreur de l’écart type Pour résoudre les inconvénients de l’écart type et de la Winsorization, revenons à la définition d’une valeur aberrante. Une valeur aberrante est une valeur à laquelle vous ne vous attendiez pas. En d’autres termes, il s’agit d’une valeur éloignée de votre prédiction (c’est à dire votre prévision). Pour repérer les valeurs aberrantes, nous devons donc analyser l’erreur de prévision et voir quelles périodes sont exceptionnellement fausses. Si nous calculons l’erreur de notre prévision, nous obtiendrons une erreur moyenne et un écart-type. Vous pouvez consulter le livre Data Science for Supply Chain Forecast, écrit par Nicolas Vandeput pour voir des exemples de la vie réelle et plus de détails. La figure ci-dessous illustre nos résultats obtenus à partir de nos prévisions. Cette méthode de détection plus intelligente, qui analyse l’écart d’erreur de prévision au lieu de simplement la variation de la demande autour de la moyenne, permet de signaler les points aberrants beaucoup plus précisément et de les ramener à une valeur plausible. Par conséquent, cela devrait être votre méthode préférée pour une prévision précise de la demande. Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT
Comment améliorer votre PIC (S&OP) grâce aux KPI de prévision
Le PIC (Plan Industriel et Commercial ou S&OP en anglais) nécessite l’utilisation correcte des méthodes de prévision de la demande, décrites dans les articles précédents . Cependant, il est essentiel de surveiller efficacement l’exactitude des prévisions afin d’améliorer les performances de votre chaîne logistique. Si le niveau de précision des prévisions est faible, le PDP (Programme Directeur de Production) en sera affecté, ce qui entraînera des stocks excessifs ou des pénuries de produits, et des problèmes de disponibilité. Cela entraînera inexorablement des retards dans les livraisons aux clients ou, dans le pire des cas, une perte de ventes et donc de chiffre d’affaires. Dans ce contexte, la sélection d’indicateurs clés permettant d’évaluer et de contrôler de manière adéquate l’exactitude d’un processus de prévision de la demande doit être mise en œuvre. Cependant, cette tâche peut être complexe et SKU Science peut vous aider à atteindre cet objectif. Certains concepts importants doivent être pris en compte avant de définir la manière dont les indicateurs de performance clés (KPI en anglais) seront mesurés, afin de tirer le meilleur parti de leurs résultats. Nous présentons ici quelques approches et méthodes, avec leurs principales caractéristiques, avantages et inconvénients. Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT Paramètres de fiabilité clés Le premier concept à prendre en compte est la différence entre la précision d’une prévision et son biais.Tout d’abord, l’erreur est définie comme la prévision moins la demande. Notre premier KPI de prévision : le BIAIS Le BIAIS représentera l’erreur moyenne historique, en indiquant la direction d’erreur globale. La précision mesurera l’écart que vous aurez entre la prévision et la valeur réelle, en indiquant l’ampleur des erreurs, que vous pouvez visualiser à la figure 1. Figure 1: Précision et Biais. Par conséquent, l’efficacité de votre indicateur de précision des prévisions peut être évaluée à l’aide d’un critère quantitatif. Cela vous permettra de prendre de meilleures décisions en matière d’ajustement ou vous dirigera vers l’utilisation d’une autre métrique. EAMP : L’erreur absolue moyenne en pourcentage Ce KPI est mesuré par la somme des erreurs absolues individuelles divisées par la demande (chaque période séparément). Ce modèle divise chaque erreur individuellement par la demande; Par conséquent, le principal inconvénient est que des niveaux d’erreur élevés pendant les périodes de faible demande auront un impact majeur sur le résultat, ce qui compromettra l’efficacité de votre prévision. Pour cette raison, nous vous recommandons d’éviter ce KPI en particulier. EAM : L’erreur absolue moyenne également nommée l’écart absolu moyen L’EAM est un KPI de prévision défini au moyen d’une erreur absolue. Toutefois, comme il n’est pas adapté à la demande moyenne, le résultat obtenu est un nombre absolu qui ne permet pas de déterminer directement si votre prévision de demande est bonne ou mauvaise – à moins que vous ne connaissiez parfaitement les chiffres de votre entreprise. Pour résoudre ce problème, il est courant de diviser l’EAM par la demande moyenne afin d’obtenir un indicateur sous la forme d’un pourcentage, qui fournit ensuite un très bon KPI pour mesurer la précision de vos prévisions. RMSE : L’erreur quadratique moyenne (RMSE en anglais) La RMSE est définie comme la racine carrée de l’erreur quadratique moyenne. Comme pour l’EAM, ce KPI de prévision n’est pas adapté à la demande et doit donc être ajusté de la même manière que précédemment, en le divisant par la demande moyenne pour produire un indicateur sous la forme d’un pourcentage. Comparé à l’EAM, la RMSE ne traite pas chaque erreur de la même manière et accorde plus d’importance aux erreurs les plus graves. Une seule grosse erreur suffit donc pour obtenir un très mauvais résultat RMSE. Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT Facteurs importants à considérer lors du choix d’un KPI de prévision Lors de la comparaison de toutes les alternatives de KPI de prévision, vous avez peut-être noté que l’EAMP devrait être évité car il attribue un poids élevé aux erreurs de prévision lorsque la demande est faible. Cette situation n’est pas observée sur les deux autres KPI car l’EAM cible la demande médiane, alors que le RMSE vise la demande moyenne . Mais quelle serait alors la meilleure alternative? Vous constaterez que pour de nombreux produits, la médiane n’est pas la même que la demande moyenne, en particulier sur les marchés saisonniers. Cela signifie qu’une prévision basée sur la médiane, comme l’EAM, générera un biais, ce qui entraînera un décalage élevé par rapport à la demande réelle. Le RMSE, d’autre part, n’est pas non plus exempt de quelques défauts. Comme vu précédemment, le RMSE accorde une plus grande importance aux erreurs les plus élevées. Cela a un coût: la sensibilité aux anomalies. Par exemple, un mois exceptionnel sur une demande de produit donnée aura, en raison de facteurs externes, un impact important sur la demande moyenne et, à son tour, sur la fiabilité de la mesure RMSE. En outre, il convient de prendre en compte la demande intermittente, commune à de nombreuses chaînes logistiques. Si votre demande ne suit aucun schéma commun, la médiane ne constituera pas un moyen fiable d’analyser son évolution. Par conséquent, l’EAM ne doit pas être utilisé dans ces cas. Choisir avec discernement votre premier KPI de précision de prévision En conclusion, l’EAM offre une bonne protection contre les valeurs aberrantes, tandis que le RMSE fournira une prévision non biaisée. En outre, si votre entreprise traite des articles à faible demande sur une base hebdomadaire, vous devez envisager de regrouper la demande sur un horizon temporel supérieur, en utilisant des périodes mensuelles ou même trimestrielles afin d’obtenir de meilleurs résultats de prévision. Comme vous l’avez peut-être déjà remarqué, choisir le KPI de prévision à utiliser n’est pas si facile et il n’y a pas de réponse définitive. Vous devez expérimenter et ajuster vos paramètres en fonction de votre apprentissage, en vérifiant à la
Gérer la saisonnalité pour une bonne gestion des stocks (lissage exponentiel triple)
Les produits saisonniers sont courants dans de nombreux secteurs et peuvent impliquer un grand nombre de facteurs tels que l’influence des changements climatiques. Par définition, ce sont tous les changements qui influencent constamment votre demande au cours des mêmes périodes. Cela complique quelque peu les modèles de prévision de la demande et limite l’utilisation de certains d’entre eux. Les modèles de prévision à lissage exponentiel simple et lissage exponentiel double (abordés dans les articles précédents) ne reconnaissent pas ces tendances saisonnières et ne peuvent donc pas extrapoler un comportement saisonnier futur. Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT Comprendre le concept afin d’améliorer votre processus de planification de la demande Commençons par récapituler. La prévision (f) dans le lissage exponentiel double est calculée par deux couches, le niveau (a) plus la tendance (b). En insérant la saisonnalité dans le modèle, à l’aide du facteur saisonnier (s), une nouvelle couche de lissage exponentiel est ajoutée. L’estimation est basée sur l’observation la plus récente et son estimation précédente. Un taux d’apprentissage gamma (), est appliqué à la métrique du facteur saisonnier (s). Le modèle utilisera donc une méthode de pondération exponentielle afin de déterminer le pourcentage en poids attribué à l’observation la plus récente par rapport à l’estimation précédente. En d’autres termes, $gamma$ déterminera si la prévision doit répondre rapidement ou non à une certaine variation de la demande. Considérant que la saisonnalité en général n’a pas de changements significatifs d’une année sur l’autre, le maintien d’un taux d’apprentissage faible (par exemple inférieur à 0,3) évitera une adaptation inutile pour s’adapter aux situations exceptionnelles et aux cas particuliers, et fera de cette méthode un modèle de prévision plus régulier. Néanmoins, cela peut nécessiter un certain degré de compréhension de la demande de votre marché, mais savoir si votre saisonnalité est mensuelle, trimestrielle ou annuelle devrait vous donner une bonne idée du meilleur taux d’apprentissage à utiliser. Choisir la bonne méthode pour une prévision précise de la demande saisonnière La technique de lissage exponentiel triple a deux approches différentes et vous devez connaître la nature de votre saisonnalité afin de savoir laquelle utiliser. Le lissage multiplicatif Si vous vendez 20% de plus de votre produit en décembre qu’en novembre, vous avez probablement un caractère saisonnier multiplicatif . Dans ce cas, le ou les facteurs saisonniers sont simplement multipliés dans la prévision: Cette formule prédit avec une précision fiable, répond de manière très efficace aux variations de la saisonnalité et suit la tendance générale de la demande. C’est ce que montre l’exemple ci-dessous qui compare la demande à la prévision. Toutefois, cette méthode peut entraîner des erreurs mathématiques si les volumes ou les facteurs de saisonnalité sont trop proches de 0. Une faible variation de la demande absolue peut également générer une grande différence. Malheureusement, cela signifie que ce modèle ne convient pas à tous les produits et renforce l’importance de connaître le caractère saisonnier de vos produits.Afin de résoudre ce problème, une deuxième approche de prévision de la demande à base de lissage exponentiel triple est préférable: Le lissage additif Si vous vendez 20 000 produits de plus en Décembre qu’en Novembre, alors vous avez un caractère saisonnier de type additif. Avec cette approche, un facteur saisonnier est ajouté au niveau prédit par le modèle de prévision, de sorte que la prévision réponde avec plus d’adhérence, même à de faibles volumes. Maintenant, nous ajoutons le facteur saisonnier (s) dans les prévisions: En mettant les deux approches sur un même graphique, cela nous donne une idée plus claire de la façon dont elles réagiront face à la variation de la demande, montrant ainsi la meilleure adéquation du modèle additif pour le cas ci-dessous. Mais la méthode additive possède aussi ses limites en matière de prévision de la demande, telles que son incapacité à gérer des données externes (budget marketing ou impact des niveaux de prix par exemple). En outre, cette méthode pose un problème pour les articles ayant une tendance significative. La manière dont le modèle de lissage exponentiel triple additif est défini ne permet pas à la saisonnalité d’évoluer rapidement dans le temps, ni d’extrapoler les changements. Ce nouveau modèle additif est en fait le mieux adapté aux articles à demande stable ou à demande faible. Approfondir votre connaissance des méthodes de prévision de la demande pour optimiser votre gestion des stocks Comme vous pouvez le constater, nos deux modèles saisonniers sont complémentaires et devraient vous permettre de prévoir tout produit saisonnier. Cependant, l’obtention de résultats fiables nécessite une compréhension sensible du comportement de la variation de la demande de votre produit au fil du temps. La meilleure façon de savoir lequel vous devez utiliser est bien sûr d’expérimenter, ou de laisser une solution comme SKU Science décider pour vous. Le concept du modèle triple n’est pas si complexe, mais approfondir les équations peut être un peu compliqué sans les outils appropriés. Pour plus d’informations sur ce modèle et d’autres modèles de lissage exponentiel, vous pouvez consulter le livre de référence en ligne, disponible gratuitement, intitulé “Forecasting: Principles and Practice », de Rob J Hyndman et George Athanasopoulos, deux leaders mondiaux dans le domaine de la prévision, et “Data Science for Supply Chain Forecast” par Nicolas Vandeput. SKU Science possède tous ces modèles et outils et peut vous apporter tout le soutien dont vous avez besoin pour appliquer ces méthodes de prévision de la demande de manière fiable et efficace. Ainsi votre processus de planification vous permettra d’améliorer grandement la gestion de vos stocks. Vous pouvez également voir une analyse plus détaillée des deux modèles sur supchains.com Essayez notre solution de prévision simple et rapide ! Inscrivez-vous aujourd’hui gratuitement sur SKU Science Données d’échantillon rechargées – Aucune carte de crédit requise INSCRIVEZ-VOUS GRATUITEMENT
