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 - Solution de prévision de la demande
Facile et abordable - Aucune carte de crédit requise
Essayez SKU Science maintenant!
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 mesure de la valeur ajoutée de prévision. Le suivi de la valeur ajoutée de chaque membre de l'équipe vous permettra d'améliorer l'efficacité du processus de prévision (et d'affiner la périodicité de prévision pertinente et les parties prenantes).
? Valeur ajoutée de prévision. Un processus de prévision qui contrôle la valeur ajoutée de chaque équipe / étape de processus par rapport à un benchmark (ou à la contribution de l'équipe précédente). Ce cadre de travail a été imaginé et promu par Michael Gilliland dans les années 2010 (voir son livre ici).
Nos conseils pour votre processus de prévision de la demande
- Prévisions à court terme. Supposons que vous deviez décider chaque semaine de ce que vous souhaitez expédier dans vos magasins. La prévision pourrait être mise à jour chaque semaine, avec un horizon de quelques semaines à venir. La granularité serait "SKU par magasin". Comme vous devez renseigner les prévisions chaque semaine, le temps pour les examiner sera limité. Les modèles de machine learning en boîte noire devraient généralement être préférés ici.
- Prévisions à moyen terme. Vous souhaitez évaluer ce qu'il faut produire dans les mois à venir. Il s'agit de votre prévision S&OP typique où vous devez recueillir les contributions de nombreuses parties prenantes (ventes, finances, marketing, planificateurs, clients, fournisseurs). La prévision peut être générée (et sa précision mesurée) au niveau global par SKU et une fois par mois.
- Prévisions à long terme. Vous devez définir le budget pour l'année à venir. Il s'agit d'une prévision à long terme à un niveau très agrégé (très probablement effectuée à un niveau de valeur / revenu par marque / segmenté). Pour créer divers scénarios (basés sur la tarification, le marketing, l'introduction de nouveaux produits), vous souhaiterez utiliser un modèle statistique dans lequel le poids des entrées peut être défini et discuté. Les modèles de machine learning doivent être évités car ils se comportent comme des boîtes noires et ont du mal à prévoir sur le long terme en raison du manque de données.
Vous pouvez vous référer au livre Data Science for Supply Chain Forecast, de Nicolas Vandeput pour des exemples concrets et plus de détails.
