fbpx

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 préchargées – Aucune carte de crédit requise

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.

e_{t}=f_{t}-d_{t}

Notre premier KPI de prévision : le BIAIS

Le BIAIS représentera l'erreur moyenne historique, en indiquant la direction d'erreur globale.

biais=\frac{1}{n}\sum_n e_t

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.

EPAM : L'erreur de pourcentage absolu moyen

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.

EPAM=\frac{1}{n}\sum\frac{|e_t|}{d_t}

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.

EAM=\frac{1}{n}\sum{|e_t|}

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.

RMSE = \sqrt{\frac{ \sum e_t^2  }{n}}

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 préchargées – Aucune carte de crédit requise

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'EPAM 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 fois le biais et la précision du modèle d'erreur choisi.

La connaissance de certaines caractéristiques de votre demande vous permettra de démarrer dans la bonne direction: votre entreprise a-t-elle une demande constante ou saisonnière? Dans quelle mesure votre marché est-il vulnérable aux valeurs aberrantes? Êtes-vous confronté à une demande intermittente? Sur la base de votre expérience en gestion et de la connaissance globale de votre entreprise, il ne sera pas difficile de répondre à ces questions. Vous êtes maintenant prêt à essayer diverses options.

Surtout, soyez conscient de l'importance d'un KPI de précision en tant qu'outil clé pour gérer votre processus de prévision de la demande. SKU Science peut certainement vous aider à choisir le KPI approprié pour optimiser votre PIC (S&OP).

Des informations supplémentaires sur ces KPI de la chaîne logistique et un exemple sont disponibles sur supchains.com.

Référence bibliographique: “Data Science for Supply Chain Forecast – Nicolas Vandeput”