Notre planification financière nous permet de contrôler la plausibilité de notre stratégie et de nous fixer des objectifs réalistes. Sur cette base, nous décidons par exemple quand de nouvelles surfaces de stockage sont nécessaires, combien de frais fixes nous pouvons prévoir ou les liquidités dont nous avons besoin. Afin d’optimiser continuellement nos processus, nous avons développé de A à Z la prévision de la demande, principal moteur de la planification financière, et contribué ainsi à améliorer la qualité et l’efficacité de celle-ci.
De nombreuses nouveautés conduisent à un modèle de demande nettement meilleur
L’amélioration se reflète également dans les métriques : le pourcentage d’erreur moyen a pu être réduit de 16 % à 7 % sur l’ensemble de la période d’évaluation d’un an. La métrique R-Squared (un peu plus technique), qui décrit quelle part de la variance de la variable cible peut être expliquée, a pu être améliorée de 34 % à plus de 90 %.
Meilleures prévisions sur toutes les hiérarchies de produits et leurs limites
Notre « demand forecast » prévoit la demande quotidienne de la clientèle en unités par groupe de produits, type de client, modèle commercial et pays de vente. Notre modèle financier en déduit des métriques telles que le chiffre d’affaires, la marge de contribution, le nombre de livraisons ou de retours. Dans la logistique, le nombre de pièces produites chaque jour est un indicateur pour la planification du personnel. Tous ces facteurs dépendent directement ou indirectement de la prévision de la demande, qui présentait des faiblesses connues. Les samedis ont été ainsi systématiquement surestimés ou la semaine Black Friday sous-estimée. La tendance à long terme de l’évolution des groupes de produits s’est écartée des attentes de notre Category Management, parfois dans une proportion à deux chiffres. De plus, il n’était pas possible d’identifier facilement les chocs de la demande et de les exclure de l’entraînement du modèle. Cela a conduit par exemple à une croissance insensée des désinfectants (après l’apparition de la pandémie de la Covid-19) ainsi que des accumulateurs d’énergie et des drones (après l’éclatement de la guerre en Ukraine).
Commandes quotidiennes de désinfectants en Suisse.
Pour éviter les faiblesses connues, nous avons procédé à de nombreux ajustements. À l’origine, nous estimions toutes les séries chronologiques à l’aide d’un seul et même modèle développé par Meta, appelé Prophet. Désormais, nous décidons dans un premier temps quel type de modèle est le plus approprié pour prédire la série sous-jacente. En nous basant sur la distribution des données, nous estimons séparément la tendance et les saisonnalités ou permettons au modèle de prendre en compte les jours où aucune pièce n’est vendue. Nous distinguons actuellement cinq types de modèles. Nous pourrons les élargir à l’avenir à volonté dès que nous constaterons qu’un modèle de données qui nous était jusqu’alors inconnu ne peut être modélisé correctement par aucun des types existants. Ceci est indispensable compte tenu de la diversité des différentes séries chronologiques. Par exemple, nous ne vendons pas de calendriers de l’avent en été, mais des salons de jardin et des accessoires auto. Nous vendons aussi de plus en plus de couches ou de lait d’avoine Oatly. Les entreprises ne commandent généralement pas le week-end. Pour la clientèle privée, en revanche, le dimanche est souvent le jour de la semaine où la demande est la plus forte.
En outre, il s’agissait de déterminer le niveau de granularité le plus approprié pour estimer la demande et le plus adapté à notre modèle financier. Dans un cas extrême, au niveau du produit, nous devons générer une prévision pour plusieurs millions de séries chronologiques et dans l’autre cas extrême, agrégé pour tous les produits, nous perdons de nombreuses caractéristiques spécifiques au produit. Après différents tests, nous avons trouvé un juste milieu, de sorte à rester suffisamment granulaires d'une part pour ne pas perdre les spécificités saisonnières des groupes de produits, tout en disposant d'autre part des données nécessaires pour faire des prévisions solides. Cela a entraîné une nette diminution du nombre de séries chronologiques pour lesquelles une demande avait été prévue jusqu’à présent, ce qui nous permet également de réduire les coûts de notre suivi. Ainsi, nous pouvons désormais mettre en œuvre des adaptations individuelles à un coût raisonnable, par exemple une période d’entraînement plus courte ou une configuration des paramètres du modèle différente de son type.
Alors que, par le passé, il était difficile d’établir des prévisions précises pour la semaine Black Friday et celles précédant et suivant Noël, des modèles supplémentaires nous permettent à présent de prévoir ces deux périodes avec une précision comparable à celle du reste de l’année. D’une part, il était difficile pour le modèle d’apprendre l’effet de l’interaction entre le jour de la semaine et le jour férié pendant Noël (si le 23 décembre tombe un samedi, aucun colis ne sera livré le 24 décembre), car cette combinaison du jour de la semaine et du jour férié n’apparaît qu’une à deux fois au maximum dans les données historiques. D’autre part, la semaine Black Friday a été introduite il y a deux ans afin de mieux répartir le pic du Black Friday sur la semaine et de soulager ainsi la logistique. Nous avons résolu le premier problème en entraînant des modèles distincts pour les jours fériés. Ces derniers apprennent à partir des données de plusieurs séries chronologiques à la fois et retrouvent ainsi la combinaison du jour de la semaine et du jour férié à plusieurs reprises dans les données d’entraînement. Nous avons pu remédier à ce dernier point en entraînant un autre modèle supplémentaire. Celui-ci effectue une prévision de la demande totale pendant la semaine Black Friday et la répartit ensuite judicieusement sur les différents jours de la semaine.
Évolution des quantités commandées quotidiennement en Suisse.
L’effort en valait-il la peine ? Le graphique ci-dessus nous indique les prévisions agrégées pour la Suisse. Afin de pouvoir les comparer de manière équitable, nous avons entraîné l’ancien et le nouveau modèle avec les mêmes données jusqu’à début novembre 2023 et avons généré une prévision pour les 12 prochains mois. Cela correspond exactement au processus de planification budgétaire. Une comparaison montre que la ligne bleue (la nouvelle prévision) est presque identique à la ligne noire (les valeurs réelles). La saisonnalité hebdomadaire, la semaine Black Friday, Noël, ainsi que la tendance générale se sont toutes améliorées. Si les samedis étaient encore constamment surestimés par le modèle de prévision précédent (comme le montrent les barres verticales vertes positives à intervalles réguliers), on ne constate plus d’erreur systématique dans les barres verticales bleues positives (les résidus).
En fin de compte, la prévision agrégée se compose, comme dans le graphique ci-dessus, de nombreuses prévisions à des niveaux hiérarchiques inférieurs. La précision des prévisions au niveau le plus élevé dépend donc directement de la précision de celles aux niveaux les plus bas. Le graphique ci-dessous, à gauche, montre par exemple la demande pour le groupe de produits Informatique en Suisse. La représentation de la saisonnalité hebdomadaire est ici aussi nettement plus précise que jusqu’à présent.
Commandes quotidiennes de matériel informatique en Suisse
Quantités de commandes quotidiennes pour les sports nautiques en Suisse.
Le nouveau modèle n’est toutefois pas une solution miracle. Il y a toujours des choses qu’un modèle de prévision à long terme ne peut pas savoir un an à l’avance. L’estimation pour le groupe de produits Sports nautiques en est un bon exemple. Comme le montre le graphique de droite ci-dessus, la demande effective d’articles de sports nautiques en juillet et août a été sous-estimée. Cela est dû à la météo, que nous ne pouvons pas prédire à l’avance. Le modèle prend en compte une valeur moyenne sur les dernières années, qui est nettement trop basse. Enfin, des activités de marketing, comme des bons d’achat ou des ajustements de dernière minute du prix, peuvent faire en sorte que la réalité soit différente de ce que nous avions prévu. Notre modèle de demande ne peut pas connaître ces facteurs un an avant.
En somme, nous pouvons dire que le développement d’un nouveau modèle de prévision de la demande pour la planification financière en valait clairement la peine. Nous pouvons désormais estimer avec une grande fiabilité l’évolution de la demande de la clientèle. Cela nous donne confiance dans nos objectifs ambitieux et le courage de continuer à saisir les opportunités de manière « pirative ». Aujourd’hui, nous ne savons pas encore tout, mais nous sommes en mesure de réagir rapidement à l’évolution du contexte.
