Chapitre 1 - Prévisions via machine learning, évolution ou révolution?
En 3 chapitres, nos consultants vous proposent des axes de réflexion sur les prévisions de vente.
On commence cette série par les apports du machine learning sur les prévisions.
Le sujet vous inspire, vous souhaitez plus de précisions, vous avez un projet à mener, contactez nous!
Modèle classique
“Une approche unitaire de l’article ”
“Des efforts importants à fournir sur la dépollution pour avoir des résultats de qualité”
“Une correction de la prévision statistique qui peut reposer sur du ressenti à la fin du process”
Machine learning / IA
“Une approche globale du périmètre à prévoir : lien entre les articles avec leur hiérarchie ou entre eux, lien entre les articles et les facteurs explicatifs (taux de rupture, météo…)”
“Une approche plus quantitative dans l’ajustement des prévisions”
“Un investissement plus fort dans les données d’entrée”
Modèle classique VS machine learning
1) Modèle lançé sur chaque article, approche individuelle
2) Dépollution longue et fastidieuse
3) Modèle compréhensible et reproductible à la main
4) Beaucoup d’interventions manuelles post prévisions pour corriger
1) Modèle lançé sur tous le périmètre. Approche systémique globale
2) Dépollution automatique sur la base de données explicatives internes ou externes
3) Modèle non reproductible qui peut induire un sentiment de perte de contrôle
4) Investissement fort en entrée de modèle pour qualifier les facteurs explicatifs qui ont un intérêt
Notre conviction
C’est une évolution forte dans les tâches du prévisionniste qui devra plus fortement s’investir dans la data d’entrée mais qui conservera son rôle de communicant et de référent de la prévision.
C’est une révolution technologique dans l’automatisation de certaines tâches et dans l’approche globale du périmètre à prévoir.
Il faut démarrer petit avec ces nouveaux modèles pour bien apprendre à travailler avec cette nouveauté et convaincre les prévisionnistes par les résultats.
Dans le cas d’une crainte de perte de contrôle, opter pour des modèles qui permettent de comprendre l’impact de chacun des facteurs explicatifs.
Des questions ? Un avis divergent ou complémentaire ?