Chapitre 3 - Prévisions et segmentation

Troisième et dernier épisode de notre série consacrée aux prévisions de vente:
Est-il incontournable de segmenter vos données?

🚨 Spoiler alert : la réponse est Oui 🙂

Pourquoi segmenter?

  • Identifier des groupes de produits (ou cluster) qui ont le même comportement et mieux comprendre son marché.
  • Mieux identifier les données internes ou externes qui ont un impact sur chaque groupe.
  • Faciliter la gestion par exception des prévisionnistes et investir du temps là où il le faut (sur les groupes de produits à enjeux).

Un gain non négligeable dans la fiabilité

Une démarche de segmentation peut apporter un gain de 10%, qui est non négligeable dans la fiabilité de la prévision pour les entreprises qui l’ont mise en place

Gartner: « Exécuter les meilleures pratiques de segmentation supply chain » (2023)

Comment segmenter?

  • Identifier les critères de segmentation. Dans les données métiers quels critères me semblent pertinents?
  • S’assurer de leur fiabilité. La donnée est elle bien maintenue? quelle gouvernance autour de cette donnée?
  • Eventuellement, lancer un algorithme de classification tel que le K-means (classification auto).
  • Valider avec le métier la pertinence des regroupements ou cluster.

Algorithme de classification

Le K-means permet de déterminer des regroupement de produits qui présentent les mêmes caractéristiques. On définit un nombre de clusters et l’algorithme permet de regrouper automatiquement les données.

Le principe est de minimiser la somme des distances entre les données d’un même cluster et le centroïde de ce cluster.

On peut aussi déterminer quel est le nombre optimal de clusters. Beaucoup de clusters permettent d’être plus précis mais pour un gain limité . On observe ci dessous qu’au-dela de 5 clusters les gains sont marginaux.

Notre conviction

  • Cadrer : définir si il y a un intérêt à segmenter. Si j’ai peu de références ou un marché très stable, il y peu d’intérêt. A l’inverse si j’ai des comportements produits très variés, cela peut être d’une aide précieuse.
  • Rester critique: Ne pas se laisser dominer par l’aspect data science : garder un esprit critique et un oeil métier. Les groupements proposés correspondent ils à ce que je perçois de mon quotidien?
  • Réaliser des gains dans le process de prévision. En regroupant les produits dans des segments de mutliples optimisations sont réalisables (adaptation des paramètres de prévisions, gestion par exception…).

Des questions ? Un avis divergent ou complémentaire ?

Contactez-nous!