Améliorer la prévision de la demande grâce à la détection de tendance (lissage exponentiel double)
L’exactitude des prévisions de la demande pour le plan industriel et commercial (PIC/S&OP) est extrêmement importante et fondamentale pour son succès au sein d’une entreprise. Certaines lacunes des méthodes de prévision basiques peuvent nuire à la crédibilité de votre PIC. Dans cet article, nous expliquerons comment résoudre certains problèmes associés au modèle de lissage exponentiel simple. Comme indiqué dans un précédent article de blog, ce modèle crée une prévision simple qui suppose que la série chronologique de la demande future est similaire à son passé. Un problème majeur avec ce lissage simple est son incapacité à identifier et à projeter une tendance. 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 Nous définissons la tendance comme la variation moyenne du niveau de série temporelle entre deux périodes consécutives . Dans notre article précédent, nous définissions le niveau comme la valeur moyenne autour de laquelle la demande varie dans le temps. Ainsi, par exemple, si vous aviez un niveau de vente la semaine dernière de 10 pièces et que cette semaine le niveau des ventes est d’environ 20 pièces, cela signifie que vous avez une tendance positive de 10 pièces par semaine. Si vous supposez que votre série chronologique suit une tendance, vous ne connaîtrez probablement pas son amplitude à l’avance; d’autant plus que cette ampleur peut varier dans le temps. Cependant, il existe maintenant un modèle qui permet de distinguer par lui-même la tendance dans le temps. Comme on le voit pour le niveau, ce nouveau modèle estimera la tendance sur la base d’un nouveau paramètre d’apprentissage appelé beta (), donnant plus ou moins d’importance aux observations les plus récentes. Rappelez-vous que alpha () déterminera l’importance accordée à la dernière observation de la demande. Ces techniques de prévision de la demande sont maintenant entièrement disponibles sur SKU Science, et nous expliquons ci-dessous certains de leurs concepts clés. Explications rapides sur la méthode de prévision de la demande à lissage exponentiel double L’idée générale des modèles à lissage exponentiel double est que le niveau et la tendance seront mis à jour à chaque période sur la base de l’observation la plus récente et de l’estimation précédente de chaque composante. Comme vous vous en souviendrez peut-être, avec le modèle de lissage exponentiel simple, nous avons mis à jour les prévisions pour chaque période, en partie en fonction de la demande précédente et en partie en fonction des prévisions précédentes. Nous allons maintenant faire la même chose pour le niveau () et la tendance (). Notre nouveau modèle de prévision de la demande mettra à jour son estimation du niveau à chaque période grâce à deux informations: la dernière observation de la demande et l’estimation du niveau précédent augmentées de la tendance. Ce modèle de prévision de la demande devra également estimer la tendance. Tout comme pour le niveau, elle représente le poids accordé à l’observation de niveau la plus récente. Dès que nous sommes sortis de la période de demande historique, nous prévoyons simplement chaque période comme la dernière prévision plus la tendance. Le modèle extrapolera donc la dernière tendance observée. Cependant, comme nous le verrons plus tard, cela pourrait poser un problème. Vous pouvez voir ci-dessous la représentation mathématique de la technique de prévision: Estimation de niveau: Estimation de tendance: Prévisions futures: Initialisation de notre modèle de prévision de la demande Comme nous l’avons vu avec l’initialisation prévue du lissage exponentiel simple, nous devons examiner comment initialiser les premières estimations de notre niveau et de notre tendance, et nous aurons deux options, décrites ci-dessous. Initialization simple Nous pouvons initialiser le niveau et la tendance simplement en prenant and . C’est une méthode d’initialisation simple et juste. Régression linéaire Une autre façon d’initialiser et serait de faire une régression linéaire des n premières observations de la demande, qui pourrait être définie comme un nombre arbitrairement bas (par exemple 3 ou 5). Nous ne traiterons pas dans cet article de comment faire des régressions linéaires. Compréhension de ces modèles de prévision de la demande Les modèles de lissage exponentiels sont très utiles car ils permettent de comprendre une prévision ou une série chronologique grâce à leur décomposition entre le niveau et la tendance et (comme nous le verrons dans un autre article de ce blog), la saisonnalité . Vous pouvez vérifier l’état de n’importe lequel des sous-composants de la demande à tout moment, tout comme vous pourriez vérifier ce qui se passe sous le capot d’une voiture. il n’en va pas de même avec un algorithme à base d’intelligence artificielle. Dans l’exemple ci-dessous, nous avons tracé ces différents composants pour vous montrer comment notre modèle interprète l’évolution de la courbe de demande d’un produit. Nous sommes ainsi capable d’expliquer la valeur de chaque point de prévision. La valeur des différents paramètres de lissage vous indiquera également quelque chose sur la variabilité ou la régularité de votre produit. Les valeurs élevées désigneront un produit où chaque variation devrait avoir un impact sur les prévisions; les valeurs faibles désigneront des produits ayant un comportement plus constant et qui ne devraient pas être affectés par des fluctuations à court terme. Limites du modèle de prévision de la demande à lissage exponentiel double Notre modèle à lissage exponentiel double est maintenant capable de reconnaître une tendance et de l’extrapoler dans le futur. C’est une amélioration majeure par rapport au lissage exponentiel simple ou à la moyenne mobile. Malheureusement, cela comporte un risque. Notre modèle suppose que la tendance se poursuivra éternellement. Cela pourrait entraîner des problèmes pour les prévisions à moyen / long terme. Nous allons résoudre ce problème grâce au modèle de tendance amorti, un modèle publié il y a 25 ans, en 1985! Outre le risque de tendance infinie, nous avons encore Le manque de saisonnalité. Ce problème sera résolu via le modèle de lissage triple exponentiel détaillé dans notre prochain article de blog. L’impossibilité de prendre en compte des informations externes (telles que le budget marketing ou les variations
Comprendre les modèles de prévision de la demande pour améliorer la gestion des stocks
La prévision de la demande future constitue la base de toutes les décisions stratégiques et de planification dans une chaîne d’approvisionnement. Une entreprise définit ses efforts en fonction de l’orientation de son activité, qui peut être déterminée en l’appuyant sur une méthode appropriée de prévision de la demande. De plus, celle ci est à la base d’un processus de planification industrielle et commerciale (PIC) couvrant la production, les ventes, le marketing et les domaines de la finance, pour permettre aux gestionnaires de diriger correctement et aligner leurs actions sur des données plutôt que fondées sur des hypothèses individuelles. 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 Pour réussir à suivre cette approche et garantir des résultats fiables, les responsables doivent prendre des décisions importantes concernant les prévisions et le type de technique de prévision de la demande. Différentes techniques sont disponibles, mais avec des différences substantielles entre elles qu’il convient de choisir en tenant compte de plusieurs facteurs. La plupart des techniques étant quantitatives , ces facteurs doivent inclure le niveau de complexité des produits ou du marché, la maturité des processus de la chaîne d’approvisionnement de l’entreprise et la disponibilité de données fiables.Plusieurs techniques de prévision de la demande de base bien connues, pouvant servir de point de départ, utilisent des données historiques pour prédire l’avenir, mais avec quelques différences qui seront expliquées ci-dessous et dans les articles suivants. Le modèle de prévision de la moyenne mobile Le premier et le plus élémentaire est le modèle de moyenne mobile, une méthode de prévision de la demande basée sur l’idée que la demande future est similaire à la demande récente observée. Dans ce modèle, on suppose simplement que la prévision est la moyenne de la demande au cours des n dernières périodes. Si vous regardez la demande sur une base mensuelle, cela pourrait se traduire par «Nous prévoyons que la demande en juin sera la moyenne de mars, avril et mai». L’une des conditions de base du modèle est de commencer à créer une base de données historique, car vous ne disposerez pas de prévisions avant que suffisamment d’observations de la demande aient été collectées. Une fois sorti de la période historique, vous définissez simplement les prévisions futures comme les dernières faites sur la base de la demande historique. Cela signifie qu’avec ce modèle, la prévision de la demande future sera stable. Par conséquent, l’une des principales restrictions de ce modèle sera son incapacité à extrapoler les tendances. Modèle de prévision de la demande de lissage exponentiel En ce qui concerne la moyenne mobile, on suppose que l’avenir sera plus ou moins le même que le passé. De même, le modèle de lissage exponentiel sera capable d’apprendre le niveau à partir de l’historique de la demande. Le niveau est la valeur moyenne autour de laquelle la demande varie dans le temps. Il est important de comprendre qu’il n’existe pas de définition mathématique définitive du niveau; à la place, il appartient à notre modèle de l’estimer. Comme vous pouvez le constater, le modèle de lissage exponentiel prévoira ensuite les demandes futures en tant que dernière estimation du niveau. L’idée de base de tout modèle de lissage exponentiel est que, à chaque période, le modèle apprendra un peu à partir de l’observation de la demande la plus récente et se rappellera un peu de la dernière prévision établie. La magie à ce sujet est que la dernière prévision du modèle comprend une partie de l’observation de la demande précédente et une partie de la prévision précédente. Et ainsi de suite. Par conséquent, cette prévision précédente inclut en réalité tout ce que le modèle a appris jusqu’à présent, en fonction de l’historique de la demande. Le paramètre de lissage (ou taux d’apprentissage) alpha () déterminera quelle importance est accordée à l’observation de la demande la plus récente. Représentons ceci mathématiquement: représente l’observation de la demande précédente multipliée par le taux d’apprentissage. représente la manière dont le modèle se souvient de sa prévision précédente. Sur la figure ci-dessous, nous voyons qu’une prévision faite avec une valeur alpha basse (ici 0,1) mettra plus de temps à réagir à une demande changeante, tandis qu’une prévision ayant une valeur alpha élevée (ici 0,8) suivra de près les fluctuations de la demande. Vous pouvez trouver plus d’informations sur ce modèle sur supchains.com Un modèle de prévision de la demande avantageux et un point de départ important Il convient de souligner deux avantages clés sur le lissage exponentiel: • Le poids associé à chaque observation diminue de manière exponentielle avec le temps (l’observation la plus récente a le poids le plus élevé). • Nous pouvons réduire l’impact des valeurs aberrantes et du bruit grâce à alpha (α), le poids exponentiel. Comme expliqué dans le livre “Data Science for Supply Chain Forecast” écrit par Nicolas Vandeput, un compromis important doit être fait entre apprendre et se souvenir; entre être réactif et être stable. Si le taux d’apprentissage est élevé, le modèle accordera une plus grande importance à l’observation de la demande la plus récente et sera réactif à une modification du niveau de la demande. Mais il sera également sensible aux valeurs aberrantes et au bruit. D’autre part, si le taux d’apprentissage est faible, le modèle ne remarquera pas de changement de niveau rapidement, mais ne réagira pas de manière excessive avec le bruit et les valeurs aberrantes.Mais il faut aussi prendre en compte certaines contraintes de planification de la demande: • Le modèle de lissage exponentiel ne projette pas de tendances et ne reconnaît aucun schéma saisonnier.• Il ne peut utiliser aucune information externe (telle que les prix ou les frais de marketing). Réflexions finales sur le choix d’une méthode de prévision de la demande pour améliorer la gestion des stocks Ce premier modèle de lissage exponentiel sera probablement trop simple pour obtenir de bons résultats, mais il constitue une bonne base pour la création ultérieure de modèles plus complexes.
Comment obtenir le bon déroulement de votre processus PIC (S&OP)
Au sein du processus de planification de la chaîne logistique d’une entreprise, la rupture des silos fonctionnels et l’intégration des différents secteurs d’activité concernés ont été depuis longtemps encouragées. Cependant, même avec l’adoption de systèmes de gestion intégrés, l’obtention de résultats tangibles et quantifiables reste un défi pour la plupart des entreprises. Dans ce scénario, les entreprises mettent de plus en plus en œuvre le plan industriel et commercial (PIC ou S&OP en anglais), en utilisant des pratiques simples visant à améliorer simultanément les coûts (niveaux de stock et coût de production) et les services (disponibilité du produit). Ces résultats globaux sont obtenus en améliorant le plan industriel et commercial, basé sur un équilibre non seulement entre la demande et la disponibilité du produit (englobant la production et les approvisionnements), mais également entre le volume et la gamme de produits. Les facteurs de succès critiques Le PIC est fondamentalement un processus assez simple, qui englobe deux activités – les méthodes de prévision de la demande et la planification des stocks – déjà discutées lors de réunions et exécutées par une entreprise. Cependant, pour réussir, le PIC nécessite la combinaison de plusieurs facteurs, à savoir: L’engagement de l’entreprise Le premier aspect à considérer concerne le degré d’implication effectif de l’organe de direction de la société dans le PIC. À quelle fréquence les gestionnaires sont-ils présents aux réunions et quel est leur niveau d’interaction en matière de prise de décision?Le deuxième aspect concerne l’implication de toutes les zones directement ou indirectement touchées par le processus de planification des stocks. Comme exemple de domaine indirectement lié, nous pouvons citer la maintenance ou l’ingénierie. Dans certains cas, il peut être nécessaire de passer de l’interruption programmée à la maintenance pour libérer de la capacité de production et répondre à la planification de la demande. Sur la base de cet exemple, il est possible d’identifier l’importance non seulement de la présence de tous les domaines liés à la planification des besoins en composants, mais également que les responsables de ces domaines ont le pouvoir de prendre des décisions. La planification des réunions En raison des nombreux événements qui peuvent avoir un impact sur le plan industriel et commercial, les réunions PIC sont très souvent sujettes à un manque de concentration et à des discussions sur des points spécifiques et moins pertinents. Ainsi, les réunions devraient être planifiées de manière à suivre un ordre du jour défini pour les principaux points à discuter afin d’éviter que des questions mineures ne gagnent une importance excessive. 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 définition des responsabilités En plus de clarifier les responsabilités des gestionnaires de chaque domaine du plan, il est conseillé de désigner un sponsor et une personne responsable du PIC dans son ensemble. Il incombe au commanditaire de garder toute l’attention de la société sur le processus; éliminer les obstacles éventuels pour incorporer les ressources supplémentaires nécessaires (participation de nouvelles personnes ou acquisition d’outils) et, enfin, apporter un soutien général au processus. En ce qui concerne la personne en charge du plan, sa responsabilité principale est de gérer l’exécution de chaque étape du processus, y compris le respect des délais impartis, et de tenir des réunions de planification. L’horizon de planification Cela concerne non seulement la période de planification totale, mais aussi le moment où la planification devient plus détaillée (par exemple, la planification de cinq mois, mais en détaillant la composition de la production du prochain mois uniquement), et la présence ou l’absence d’une période de planification gelée. L’importance de ces définitions est basée sur les besoins spécifiques de planification de chaque département concerné. Par exemple, le service en charge des approvisionnements peut exiger la planification de la demande à trois mois en raison des contraintes d’achat, alors que la production peut être indifférente aux besoins à long terme, mais exiger un plan pour le mois prochain, en raison de son calendrier de production. Les outils de support Dans tout processus de planification nécessitant des techniques de prévision de la demande, l’utilisation de logiciels et de modèles de données démontre clairement que les décisions prises tiennent compte de tous les compromis impliqués dans le problème. Par exemple, il est possible d’optimiser certains modèles de prévision en utilisant plusieurs outils de planification de la demande et en utilisant un logiciel permettant plus de précision, de transparence et d’agilité au cours du processus.Il convient de noter que l’utilisation d’outils pour chacune des activités de planification ne dépend pas de l’existence d’un PIC, et elle peut avoir lieu avant ou après la mise en œuvre du PIC. L’utilisation de ces outils, associée au PIC, a pour effet d’amplifier leurs potentialités. On passe ainsi de l’obtention de gains locaux à un gain intégré lié à l’efficacité de la planification. Le suivi financier Les réunions du PIC peuvent être utilisées pour surveiller et examiner le budget global de l’entreprise, non seulement du point de vue du volume, mais également du point de vue des revenus et de la rentabilité. Cette influence sur l’aspect financier se traduit par de possibles changements dans la planification de la composition des ventes. De cette manière, il est conseillé d’évaluer l’impact de toutes les alternatives de planification discutées au cours des réunions. Cette évaluation peut être effectuée avant la réunion proprement dite, ou même pendant la réunion, ce qui donne plus de flexibilité et de dynamique au processus. Cependant, les outils d’aide à la décision doivent être plus efficaces. La documentation du processus Le degré de formalisation d’un plan industriel et commercial est généralement étroitement lié au niveau de documentation du processus. Ainsi, les PICs réussis doivent avoir une politique de planification détaillée et documentée incluant les participants, les responsabilités, les délais et les objectifs pour chaque étape du plan. Le suivi de la performance Conformément au volet de suivi financier, le suivi du PIC devrait porter sur la performance dans son ensemble, ainsi que sur les activités de
