IA et Prévisions de Ventes : quelles opportunités ?

Que ce soit au travers de nouvelles fonctionnalités offertes par les outils APS (Advanced Planning System) du marché, via des modèles intégrés dans les ERP (Enterprise Resources Planning), ou par l’intermédiaire de solutions développées sur-mesure, l’Intelligence Artificielle est devenue incontournable dans les processus de prévisions de ventes.

En effet, la croissance du nombre de références, la complexité des assortiments produits, les changements de formulation / composition pour répondre à des enjeux règlementaires, la saisonnalité perturbée par les crises sanitaires ou politiques, le cours des devises ou les impacts climatiques, sont autant d’enjeux qui complexifient les exercices de prévisions. L’IA permet d’améliorer la prise en compte de ces aléas, et ainsi aider à mieux prévoir la demande à venir.

Avec des ROI rapides (ROI atteints en 11 mois en moyenne chez nos clients) et de très bons résultats en termes d’amélioration de la fiabilité, le déploiement de solutions IA sur-mesure dans le domaine des prévisions de ventes a le vent en poupe, notamment dans le secteur du Retail.

L’Intelligence Artificielle, une opportunité pour les prévisionnistes ?

Les modèles d’IA permettent de traiter un important volume de données, et démontrent une réactivité dans la prise en compte des aléas beaucoup plus rapide que pour les modèles statistiques. Sur des horizons allant jusqu’à 8 mois, chez nos clients, les prédictions IA sont en moyenne 15% plus performantes que des modèles statistiques classiques, et permettent de prendre en compte des phénomènes  complexes, tels que la corrélation entre différentes séries temporelles, le multi-saisonnalité ou des évènements externes. L’intégration des données exogènes de nature et de format variés, telles que la météo, les panels consommateurs, les données INSEE, ou même les commentaires liés à la satisfaction clients est également facilitée dans les solutions sur-mesure intégrant des modèles IA.

L’IA permettra également d’aider le prévisionniste à identifier les valeurs manquantes ou erratiques dans ses historiques, et les corriger. Comme le partage Julien Roussel, en charge du projet R&D Qolmat chez Quantmetry, différents modèles permettent d’aider à la reconstitution des historiques de manière très rapide, ce qui permet de robustifier les traitements (entrainement de modèles, visualisation, statistiques…), et de gagner en performance sur des tâches de prédiction ou de classification.

Exemple de corrections d’historiques (donnée manquante ou anomalies), montrant l’intérêt de l’IA pour reconstruire des prévisions de ventes manquantes

Figure 1 : Corrections avec l’algorithme RPCA d’historiques manquants et anomalies détectées

Les données historiques peuvent laisser apparaître des données manquantes ou aberrantes. Il existe des algorithmes (ici RPCA – Robust principal Components Analysis) qui permettent de venir compléter (« signal reconstruit ») ou corriger (« anomalies ») ces valeurs, en garantissant la cohérence de l’historique reconstruit.

Pour en savoir plus sur Qolmat :

Enfin, l’IA facilite le travail de modélisation des articles du catalogue de produits, en se fondant sur des données historiques, et peut également être en mesure d’accompagner le prévisionniste sur deux périmètres intéressants :

• La segmentation automatique des produits ou magasins / groupement de magasins via des techniques d’analyses de séries temporelles
• L’identification du niveau d’agrégation le plus pertinent pour travailler la prévision, afin d’optimiser charge métier et fiabilité, au travers de techniques de hiérarchisation de séries temporelles

Comment les incertitudes permettent de prendre de meilleures décisions ?

Au-delà de l’apport brut de performance de prévision permis par l’IA, l’estimation des incertitudes associées aux prédictions des modèles est d’une importance cruciale pour évaluer leur robustesse et leur fiabilité, ce qui a un enjeu double :

• permettre aux concepteurs d’IAs de mieux évaluer la fiabilité des modèles déployés
• donner les bons indicateurs pour les utilisateurs des modèles pour la prise de décision

Importance de la modélisation des intervalles de confiance pour les concepteurs d’IA et les utilisateurs & décideurs Métiers dans le cadre de processus de prévisions de ventes

Figure 2 : Importance de la modélisation des intervalles de confiance pour les concepteurs d’IA et les utilisateurs & décideurs Métiers.

Permettre à l’utilisateur de pouvoir facilement visualiser l’intervalle de confiance associé à une prévision, sera clé pour pouvoir simuler des scénarios et faire varier des paramètres, tout en analysant l’impact de différentes décisions.

Exemple d’intervalles de confiance d’une modélisation IA sur une prévision de ventes

Figure 3 : Modélisation de différents scenarios avec l’impact de confiance associé.

L’analyse des incertitudes permet d’aider les équipes métiers à prendre la bonne décision, en considérant différents scénarios avec l’intervalle de confiance associé.

Quelles sont les limitations à l’usage de l’IA ?

Comme dans tout projet Data, la qualité de la donnée est clé, tant au niveau des données de base (données référentielles de produits ou magasins), qu’au niveau de l’analyse des historiques de ventes. Car pour bien prévoir, il faut comprendre ce qui s’est déroulé par le passé, et l’identifier ! Ruptures, dates de promotions, assortiments produits, buzz sur les réseaux sociaux… si l’IA peut aider à identifier les valeurs erratiques, ces dernières doivent être qualifiées afin de pouvoir être analysées et bien prises en compte par le modèle.

Par ailleurs, réaliser des prévisions pour des produits avec peu de volumes ou peu d’historique reste complexe. La fiabilité des prévisions pour les produits à faible rotation reste moins élevée que celle des produits avec d’importants volumes de ventes, néanmoins « un masterdata propre pourra permettre d’aller chercher des corrélations au sein des caractéristiques des produits, et ainsi aider à la modélisation de références low runners pour améliorer la fiabilité des prévisions » indique Alexandre Henry, responsable de l’équipe des experts en prévisions et analyses temporelles chez Quantmetry.

Organisation Demand Planning : quels prérequis pour utiliser l’IA dans les prévisions de ventes ?

La mise en place de modèles d’Intelligence Artificielle est un changement important pour les entreprises, et cela devra se faire en parallèle des pratiques métiers. Pour Anne-Laure, en charge du Data Lab d’un grand groupe agro-alimentaire, impliquer le Métier et accompagner la transformation de ses processus en parallèle de la mise en place des modèles est clé.

Le besoin d’interprétabilité du modèle tout comme le travail sur l’analyse des historiques et l’explicabilité des résultats, nécessitent de faire évoluer les processus de prévisions, et d’assurer un accompagnement des utilisateurs sur ces méthodes.

Par ailleurs, « le Demand Planner reste un maillon indispensable du processus de prévisions, et une ressource rare à préserver » indique Annie, en charge de la communauté Demand Planning d’un grand groupe cosmétique. « Si certaines activités comme le nettoyage des historiques donnent de meilleurs résultats avec l’IA, il est indispensable que le Demand Planner apporte son expertise métier, particulièrement dans le cas des nouveautés ou des faibles rotations ».

Mêmes retours de la part d’Alexandre Henry, qui insiste sur le fait que l’ « on ne pourra pas uniquement reléguer les modèles à une équipe de data scientists ; l’outil doit être à la main du métier, et être utilisé comme aide à la décision au regard de l’importance commerciale des produits ». Pour cet expert des prévisions, l’enjeu lors de la mise en place de ces modèles est de proposer un modèle simple & documenté pour que les utilisateurs puissent en garder le contrôle. La pérennité du modèle doit être garantie malgré les évolutions de périmètres ou changements d’équipes : il est donc indispensable de trouver « le bon compromis entre performance, documentation et transparence ».

Pour en savoir plus sur Performance & Confiance, cliquez ici

Comment déployer avec succès des modèles IA dans les processus de prévisions de ventes ?

François, Data Scientist chez Quantmetry, insiste sur le fait que « L’interprétabilité des prévisions est indispensable pour que l’utilisateur puisse s’approprier les résultats des modèles » :

• Au niveau global dans l’entraînement des modèles, afin de comprendre les caractéristiques privilégiées par le modèle dans la construction de sa prévision
• Au niveau de la prédiction, en donnant à l’utilisateur la possibilité de comprendre les paramètres qui ont joué un rôle dans la proposition de prévision (figure 4)

L’effet « boîte noire » trop souvent évoqué par les utilisateurs, même dans les cas de modèles simples, est trop souvent un frein à l’adoption de solutions de prévisions. Pouvoir décomposer la prévision pour en comprendre les variables impactantes (tendance de fond, saisonnalité annuelle, saisonnalité dans la semaine, impact des promotions par exemple), permet à l’utilisateur à la fois d’augmenter son niveau de confiance et de faire évoluer le modèle s’il le juge en incohérence avec les indicateurs métiers. Cela permet également de pouvoir justifier et valoriser une prévision au niveau de la Direction, et ainsi améliorer le processus de décision stratégique.

Graphique de présentation de la contribution de différentes variables (ventes J-7 ; ventes J-14 ; impact des promotions ; type de boutique,…) dans la prévision de ventes avec IA

 Figure 4 : Exemple de contribution de différentes variables dans la proposition de prévision

Pour en savoir plus sur l’explicabilité des prévisions, cliquez ici !

IA de confiance & domaine de validité de la prévision de vente : quel cadre donner à l’Intelligence Artificielle ?

Au-delà des notions de qualité de données, explicabilité et performance chère à l’IA de confiance, la robustesse du modèle doit permettre également de garantir le bon niveau de confiance des utilisateurs. Pour cela, il est indispensable de s’appuyer sur les connaissances métier pour documenter, entraîner et fiabiliser les modèles, qui doivent continuellement être analysés et réentraînés en cas de dérives (‘drift’) trop importantes. « Conserver les historiques de qualité des prévisions permet d’identifier les dérives et garantir un bon niveau de confiance » partagent les experts Reliable AI des équipes Quantmetry.

C’est dans ce contexte que l’on parle de la « validité d’un modèle », qui repose à la fois sur des composantes de validation scientifiques et métiers.

Illustration du domaine de validité : documentation et cohérence de la donnée d’entrée, et validation de la prédiction en sortie via l’intervalle de confiance et les validations métiers – intérêt de l’IA dans les prévisions de ventes

Figure 5 : Domaine de validité et robustesse du modèle, Quantmetry – 2022

« Donner des indicateurs précis et fiable permet à l’utilisateur d’identifier s’il doit rejeter une prévision » ce qui garantit la robustesse du modèle, et donc sa validité.

Pour en savoir plus sur le domaine de validité, cliquez ici !

Prévisions de ventes, Data et IA, quelles opportunités pour demain ?

1. L’omnicanalité : un enjeu pour les retailers

Dans un contexte d’omnicanalité de plus en plus présent, il devient complexe de positionner le bon niveau de stock, au bon endroit. Si le client achète en ligne un produit et le retire

en magasin, si le client achète en magasin et se fait livrer son produit à domicile, comment et où positionner le stock ?

La possibilité de modéliser des réseaux de distribution complexe et d’anticiper les impacts, permet de limiter les risques de ruptures en prenant en compte tous les canaux de ventes. Ici encore, la capacité à proposer différents scénarios facilitera l’aide à la décision, et ainsi permettra de piloter au mieux les stocks dans la distribution.

2. L’impact environnemental des décisions

Pour Vianney, Leader de la BU forecast pour un retailer spécialisé, l’IA, en offrant l’opportunité d’intégrer des données multiples et de considérer différentes variables, va permettre l’ajout de données environnementales, telle que l’impact carbone des produits.

Ainsi, les scénarios évolueront et la prise de décision ne sera plus limitée à des enjeux économiques. La marque souhaite d’ailleurs intégrer, à partir de 2023, l’impact carbone dans le ROI :

• Dans un premier temps en moyennant l’impact carbone par produit
• Dans un second temps en prenant en compte l’impact de la fabrication au niveau de chaque produit

L’ambition est, à terme, d’intégrer ces informations environnementales sur l’ensemble de la chaîne de valeur, jusqu’aux approvisionnements.

Outil du marché ou solution IA de Prévisions de Ventes sur-mesure ?

Si les outils du marché intègrent de plus en plus des modèles d’IA dans leurs prévisions, l’effet « boîte noire » reste important pour les utilisateurs. Développer une solution sur-mesure permettra de travailler avec et pour le Métier sur les modèles les plus adaptés, les variables les plus impactantes, et permettra d’offrir aux utilisateurs la possibilité de modéliser différents scenarios, en considérant toujours l’explicabilité de la prévision et le niveau de confiance associé comme un prérequis.

Par ailleurs, la solution sur-mesure permettra d’élargir le périmètre de couverture des modèles, afin de coupler les prévisions avec des recommandations de stocks et des préconisations de taux de service, ce qui permettra d’exploiter bien plus loin le potentiel de l’intelligence artificielle, et réellement créer de la valeur pour l’entreprise, depuis les niveaux opérationnels jusqu’aux décisions stratégiques.

Pour en savoir plus sur nos réalisations d’outils sur-mesure, cliquez ici

Key takeaways

• La croissance du nombre de références, la complexité croissante des assortiments produits, les changements de formulation / composition  pour répondre à des enjeux règlementaires, la saisonnalité perturbée par les crises sanitaires ou politiques, le cours des devises ou les impacts climatiques, sont autant d’enjeux qui complexifient les exercices de prévisions.
• Les modèles d’IA permettent d’intégrer de nombreuses variables internes et exogènes dans les prévisions, tout en accompagnant le prévisionniste dans le nettoyage de ses historiques et la segmentation de son catalogue produit et / ou magasin.
• L’estimation de l’incertitude couplé aux prévisions IA permet au prévisionniste de travailler sur différents scénarios et améliorer ainsi sa prise de décision
• L’usage de l’IA requiert une grande qualité dans les données de référentiel, et un besoin de compréhension des historiques, apporté par les prévisionnistes.
• La mise en place de solutions IA de prévisions de ventes sur-mesure requiert un fort accompagnement au changement des équipes, pour travailler sur les analyses et l’explicabilité des résultats. L’IA ne remplacera pas le rôle clé du prévisionniste, qui apporte une expertise métier précieuse notamment sur les nouveautés ou produits à faibles volumes ou rotation.
• L’interprétabilité des prévisions de ventes est clé pour que les équipes s’approprient le modèle, en permettant notamment de visualiser les paramètres qui ont influencé la prévision.
• « Donner des indicateurs précis et fiable permet à l’utilisateur d’identifier s’il doit rejeter une prévision » ce qui garantit la robustesse du modèle, et donc sa validité.
• Les modèles IA de prévisions de ventes permettent de modéliser des réseaux de distribution complexes, ce qui permet d’intégrer rapidement la complexité de l’omnicanalité par exemple, ou les enjeux liés au développement durable.
• Réaliser un outil IA de prévisions de ventes sur-mesure permet de répondre aux enjeux d’explicabilité, documentation, précision et fiabilité, tout en assurant une réactivité dans la prise en compte des évolutions des entreprises, ce qui, in fine, garantit l’utilisation et l’adhésion des parties prenantes.

Contactez-nous pour en savoir plus sur l’IA et les prévisions de ventes !

Sources :

• Botterman, H. L., Roussel, J., Morzadec, T., Jabbari, A., & Brunel, N. (2022). Robust PCA for Anomaly Detection and Data Imputation in Seasonal Time Series. arXiv preprint arXiv:2208.01998.
• Quant Blog
• With MAPIE, uncertainties are back in Machine Learning, Vianney Taquet, 2021

La mission de l’expertise Data & Performance est de répondre aux enjeux opérationnels des grandes fonctions d’entreprise pour optimiser leurs processus, grâce à la mise en œuvre de solutions IA sur-mesure.

La mission de l’expertise Time Series est d’exploiter le potentiel de vos séries temporelles à l’aide de solutions d’IA : analyse des données historiques, prévisions de demande, de parts de marché, de production, détection d’anomalies sur des données IoT.

Les membres de l’expertise AI Product conçoivent, développent et industrialisent des produits IA de plus en plus complexes (Web et mobile apps, API, etc.) en s’appuyant sur une approche « ROIste ».

Julie Richon

Senior Manager Supply chain & Développement Durable chez Quantmetry

Senior Manager chez Quantmetry, Julie s'appuie sur ses expériences opérationnelles & de conseil dans la Supply Chain et le Développement Durable, pour accompagner les différentes fonctions de l'entreprise dans l'identification et le déploiement de cas d'usage Data & IA.