← Retour au blog

Prévision de la demande IA : méthode pour une PME industrielle

La prévision de la demande par IA peut apporter davantage qu’un tableur, mais seulement si elle améliore réellement une méthode de référence sur des données conservées pour le test. Pour une PME industrielle, le bon projet commence par la qualité des historiques, se poursuit par une comparaison entre méthodes classiques et apprentissage automatique, puis relie les prévisions aux décisions de stock, d’approvisionnement et de production. L’objectif n’est donc pas de choisir le modèle le plus sophistiqué, mais de fiabiliser une décision opérationnelle.

Que peut apporter l’IA à la prévision de la demande ?

Un tableur bien construit peut déjà produire une prévision utile à partir d’un historique de ventes, d’une moyenne mobile, d’une tendance ou d’une saisonnalité. Il devient insuffisant lorsque plusieurs facteurs influencent simultanément la demande : promotions, prix, ruptures, délais logistiques, portefeuille de commandes ou événements externes.

L’apprentissage automatique peut alors repérer des relations entre plusieurs variables et traiter un grand nombre de références ou de segments. La comparaison des approches IA pour l’industrie aide à distinguer ce qui relève d’un simple automatisme, d’un modèle statistique ou d’un projet de machine learning.

Mais l’IA n’est pas automatiquement plus précise. Des historiques incomplets ou erronés peuvent dégrader même un modèle avancé, et l’intégration avec l’ERP ou les outils existants peut devenir le principal obstacle selon IBM. La question à poser est donc : « quelle méthode réduit l’erreur et améliore la décision sur notre périmètre ? »

Quelles méthodes comparer avant de choisir l’IA ?

La démarche doit suivre une séquence structurée : préparation et vérification des données, visualisation, choix des modèles, entraînement, évaluation, puis production des prévisions selon OTexts. Le choix de l’algorithme intervient après cette préparation, et non avant.

Le tableur, le modèle statistique et le machine learning

Le tableur est un outil de calcul et de restitution. Il peut implémenter une moyenne, une tendance, une méthode naïve ou même certaines méthodes statistiques. Il ne constitue donc pas, à lui seul, une famille de modèles comparable au machine learning.

Un modèle statistique formalise une relation ou une structure dans la série temporelle, par exemple une tendance ou une saisonnalité. Il peut être calculé dans un tableur, dans un ERP ou avec un logiciel spécialisé. L’apprentissage automatique cherche plutôt à exploiter plusieurs variables et des relations parfois plus difficiles à écrire manuellement.

La comparaison pertinente porte donc sur les méthodes et sur leur mise en œuvre, pas seulement sur les outils. Il faut tester une prévision produite dans le tableur, une ou plusieurs méthodes statistiques, puis un modèle d’apprentissage automatique lorsque le contexte le justifie.

Les méthodes classiques

Commencez par établir plusieurs références simples :

  • une moyenne historique ou une moyenne mobile ;
  • une méthode naïve qui reconduit la dernière valeur connue ;
  • une méthode naïve saisonnière ;
  • une méthode intégrant une tendance ou une dérive.

La méthode naïve saisonnière reprend, pour chaque période future, la dernière valeur observée lors de la même saison, par exemple le même mois de l’année précédente selon OTexts. Elle constitue un benchmark utile pour une PME dont les ventes présentent un cycle régulier.

Ces modèles sont rapides à calculer, faciles à expliquer et simples à maintenir. Ils servent de point de comparaison au tableur comme au modèle d’apprentissage automatique. Une méthode plus complexe ne doit être retenue que si elle fait mieux que ces références sur des données de test selon OTexts.

L’apprentissage automatique

Le machine learning devient intéressant lorsque la demande dépend de variables nombreuses, non linéaires ou difficiles à intégrer dans une formule manuelle. Il peut exploiter les historiques de ventes, les stocks, les prix, les campagnes commerciales, les retards logistiques, la météo, les indicateurs économiques ou des données issues de capteurs selon IBM.

Cette capacité ne dispense pas du raisonnement métier. Un modèle peut confondre une baisse de ventes avec une baisse de demande si les produits étaient indisponibles. Il peut aussi apprendre une promotion passée sans savoir si une opération comparable est prévue à l’avenir. La variable doit donc être disponible, ou raisonnablement estimable, au moment où la prévision est produite.

Quelles données faut-il préparer ?

La première étape consiste à définir précisément ce que l’entreprise veut prévoir. Il faut préciser le produit ou la famille de produits, le site, le canal de vente, l’horizon et la fréquence de mise à jour. Une prévision mensuelle par famille ne répond pas au même besoin qu’une prévision hebdomadaire par référence et par usine.

Les données internes à réunir

Le socle comprend généralement :

  • l’historique des ventes ou des sorties de stock ;
  • les commandes prises et leur date prévue de livraison ;
  • les annulations, retours et avoirs ;
  • les ruptures et les périodes d’indisponibilité ;
  • les prix, remises et promotions ;
  • les stocks disponibles et les délais d’approvisionnement ;
  • les changements de gamme ou de nomenclature ;
  • les capacités de production et les arrêts planifiés.

Le point souvent oublié est la distinction entre demande observée et demande servie. Une vente faible peut traduire une faible demande, mais aussi une rupture, un délai trop long ou une capacité saturée. Sans cette distinction, l’algorithme risque de reproduire les contraintes passées plutôt que de prévoir le besoin réel.

Les variables externes

Les données externes peuvent enrichir une prévision lorsqu’elles ont un lien causal ou opérationnel avec les ventes. IBM cite notamment la météo, les indicateurs économiques, les retards logistiques et les données IoT parmi les facteurs exploitables selon IBM.

Nous recommandons de retenir une variable externe seulement si les conditions suivantes sont réunies :

  • elle est historisée avec une qualité acceptable ;
  • sa relation avec la demande peut être expliquée par les équipes métier ;
  • elle est connue ou estimable au moment de calculer la prévision.

Une variable disponible uniquement après la vente donne une prévision artificiellement bonne. Elle ne sera pas exploitable en production.

La grille de préparation des données

QuestionDécision attendue
Que prévoit-on ?Référence, famille, marché, site ou canal
À quelle fréquence ?Jour, semaine, mois ou autre rythme métier
Quel horizon ?Délai d’achat, délai de production et période de planification
Quelle demande ?Ventes facturées, commandes, sorties ou demande corrigée des ruptures
Quelles anomalies ?Promotions, changements de gamme, arrêts, ruptures et valeurs extrêmes
Quelle disponibilité ?Données présentes au moment où la prévision doit être calculée
Quelle décision ?Achat, stock, capacité, charge, PIC ou PDP

Cette grille permet aussi de savoir si le projet relève d’un nettoyage de données, d’un paramétrage ERP ou d’un véritable modèle prédictif.

Comment mesurer l’erreur de prévision ?

Une moyenne d’erreur unique ne suffit pas. L’entreprise doit choisir des indicateurs cohérents avec ses décisions, puis les calculer sur un périmètre clairement défini : références, familles, sites, horizon et niveau d’agrégation.

Le MAPE, utile mais insuffisant

Le MAPE exprime l’erreur absolue en proportion de la demande réelle. Il est facile à comprendre, mais il devient instable lorsque les ventes réelles sont nulles ou proches de zéro. De mauvaises prévisions peuvent alors produire des valeurs arbitrairement élevées selon scikit-learn.

Pour une PME industrielle avec des références à faible rotation, complétez-le par :

  • une erreur absolue en unités, qui mesure l’écart en valeur absolue entre la prévision et la valeur réelle. Elle indique l’ampleur de l’écart, mais ne permet pas à elle seule de distinguer une sous-prévision d’une sur-prévision ; cette distinction relève de l’indicateur de biais ;
  • une erreur pondérée par les volumes, qui donne davantage de poids aux références à fort volume, lesquelles ne sont pas nécessairement les références stratégiques ;
  • un indicateur de biais, pour repérer une tendance systématique à surestimer ou sous-estimer ;
  • une mesure par segment, afin de distinguer les produits réguliers, saisonniers, nouveaux ou intermittents.

Le biais est particulièrement important pour la production. Une sous-estimation répétée peut provoquer des ruptures et des urgences. Une surestimation répétée peut gonfler les stocks et mobiliser inutilement la capacité.

Comment organiser un test fiable ?

Séparez les données ayant servi à ajuster le modèle des périodes conservées pour l’évaluation. Il faut comparer le tableur, les méthodes classiques et le modèle d’apprentissage automatique sur des périodes passées que le modèle n’a pas vues. Une validation croisée temporelle peut compléter cette comparaison selon OTexts.

Ne mélangez pas aléatoirement les observations comme dans un problème classique de classification. Pour une série temporelle, l’ordre des événements compte. Le test doit reproduire la situation réelle : prévoir le futur à partir du passé.

Une fiche d’évaluation peut contenir les éléments suivants :

  • périmètre des produits et des sites ;
  • fréquence des prévisions ;
  • horizon de prévision ;
  • méthode de référence ;
  • modèle testé ;
  • indicateurs d’erreur ;
  • biais observé ;
  • conséquences sur les stocks et la capacité ;
  • appréciation des planificateurs.

Un modèle légèrement meilleur statistiquement peut être moins utile s’il est incompréhensible, trop lent, instable ou impossible à corriger lors d’un événement commercial.

Quel outil choisir : ERP, solution dédiée ou développement sur mesure ?

Le choix dépend moins du mot « IA » que de la maturité des données et du degré de transformation attendu.

Utiliser les fonctions de l’ERP

L’ERP est souvent le meilleur point de départ lorsque les historiques, stocks, commandes et paramètres articles y sont déjà correctement renseignés. Cette option limite les interfaces et facilite l’adoption par les équipes. Elle peut toutefois rester limitée pour les variables externes, les scénarios avancés ou les règles propres à certaines familles.

Ajouter une solution spécialisée

Une solution dédiée peut apporter des modèles plus riches, des scénarios et des écrans adaptés à la planification. Elle exige néanmoins une vérification attentive des interfaces, de la gouvernance des données, des règles de calcul et des conditions de réversibilité.

Les solutions prêtes à l’emploi adaptées aux besoins spécifiques des PME restent encore largement immatures, et un paramétrage expert demeure souvent nécessaire selon l’étude Bpifrance publiée par France Num. Il faut donc tester la solution sur les données réelles avant de conclure à sa pertinence.

Développer sur mesure

Le sur-mesure se justifie lorsque le processus comporte des règles métier spécifiques, plusieurs sources de données ou une articulation étroite avec la production. Il ne consiste pas seulement à entraîner un modèle. Il faut aussi construire les flux, les contrôles, les alertes, les droits d’accès, l’historisation des versions et le dispositif de supervision.

Pour approfondir la démarche de cadrage, consultez la méthode d’audit IA. Elle permet de traiter le processus, les données et les conditions d’adoption avant de choisir une technologie.

Comment intégrer la prévision au PIC et au PDP ?

Une prévision n’a de valeur que si elle déclenche une décision. Elle doit donc être reliée au processus de planification industrielle et commerciale, sans être confondue avec une commande ferme.

Dans le PIC, la prévision sert à comparer la demande attendue aux familles de capacité, aux stocks, aux approvisionnements et aux contraintes de main-d’œuvre. Dans le PDP, elle contribue à transformer cette vision en décisions plus détaillées sur les produits, les périodes et les ressources.

Nous recommandons un rituel simple :

  • le commerce explique les événements connus et les changements de marché ;
  • la supply chain examine les hypothèses et les niveaux de stock ;
  • la production vérifie les capacités et les contraintes ;
  • la finance teste la cohérence avec le budget et les objectifs ;
  • l’informatique sécurise les flux, les accès et la traçabilité ;
  • une décision est prise sur les écarts importants et leurs responsables.

Cette articulation est nécessaire car une erreur statistique ne se traduit pas de la même façon selon la capacité disponible. En juillet, l’Insee indiquait que 42 % des entreprises industrielles déclaraient ne pas pouvoir accroître leur production avec leurs moyens actuels en cas de commandes supplémentaires. La prévision doit donc être évaluée avec les stocks, les approvisionnements et les capacités, pas uniquement avec un indicateur de précision.

Comment organiser un pilote court sans promettre un résultat ?

Un pilote peut être cadré sur un périmètre réduit : quelques familles, un site ou un horizon précis. France Num recommande de commencer par un cas d’usage simple, visible et utile, puis d’analyser la qualité des données avant d’industrialiser selon France Num.

Le pilote doit comporter un seuil de décision explicite. Par exemple, l’équipe peut comparer le gain d’erreur obtenu avec la complexité d’intégration, puis vérifier si la méthode améliore effectivement les ruptures, le niveau de stock ou le nombre d’expéditions urgentes. Si le gain statistique est faible et que les interfaces sont lourdes, l’industrialisation n’est pas justifiée. À l’inverse, une amélioration opérationnelle nette peut justifier de poursuivre même si l’écart de précision reste modéré.

Exemple de calcul (hypothèses) : si l’équipe consacre une semaine au cadrage, deux semaines à la préparation des données, deux semaines à la comparaison des modèles, deux semaines au test métier et une semaine à la restitution, la durée théorique du pilote est : 1 + 2 + 2 + 2 + 1 = 8 semaines. Ce calcul illustre un planning possible, pas un délai garanti.

Le planning doit être ajusté selon l’accès aux données, la disponibilité des équipes, le nombre de références et la complexité des interfaces. Le dispositif Diag Data IA prévoit 8 jours d’intervention d’un expert, répartis sur 3 mois maximum, mais cette durée d’expertise ne constitue pas la preuve qu’un modèle opérationnel complet peut être déployé en huit semaines.

Le pilote doit se conclure par une décision parmi les options suivantes : généraliser, poursuivre la préparation des données ou arrêter parce que le gain ne compense pas la complexité. Cette dernière option est saine. Une méthode simple, stable et comprise par les planificateurs peut être préférable à une IA plus ambitieuse mais fragile.

Limites et points de vigilance

  • Données biaisées : les ventes observées ne représentent pas toujours la demande réelle, notamment en cas de rupture ou de capacité insuffisante.
  • Fuite d’information : une variable connue seulement après la vente ne doit pas entrer dans une prévision future.
  • Références intermittentes : le MAPE peut devenir trompeur lorsque les ventes sont nulles ou très faibles selon scikit-learn.
  • Surapprentissage : un modèle peut très bien expliquer le passé et mal prévoir les périodes nouvelles.
  • Acceptation métier : une prévision sans explication ni possibilité d’ajustement risque d’être ignorée.
  • Maintenance : les gammes, prix, clients et délais changent. Le modèle doit être surveillé et réévalué.
  • Intégration : un bon algorithme ne compense pas des interfaces manuelles, des données dupliquées ou des responsabilités floues.
  • Périmètre du pilote : un résultat obtenu sur une famille régulière ne se généralise pas nécessairement aux produits nouveaux ou à faible rotation.

La décision doit donc porter sur un système complet : données, modèle, indicateurs, processus et utilisateurs.

Questions fréquentes

L’IA est-elle plus précise qu’un tableur ?

Pas systématiquement. Il faut la comparer à une moyenne, une méthode naïve ou une méthode naïve saisonnière sur des données de test. Si elle ne réduit pas l’erreur ou n’améliore pas la décision, le tableur ou une méthode statistique reste préférable.

Faut-il beaucoup d’historique pour commencer ?

Il faut surtout un historique cohérent, correctement daté et interprétable. La quantité seule ne résout pas les ruptures, les changements de gamme ou les données manquantes. Un pilote limité permet d’abord d’évaluer la qualité disponible.

Peut-on prévoir les ventes d’un produit récemment lancé ?

Un produit sans historique ne peut pas être traité comme une référence mature. Il faut utiliser des produits comparables, les commandes commerciales, les hypothèses de lancement et l’avis des équipes, en signalant l’incertitude. Le modèle doit être suivi de près lorsque les premières ventes arrivent.

Quelle erreur faut-il suivre pour une référence à faible rotation ?

Le MAPE seul est déconseillé lorsque les ventes sont nulles ou proches de zéro selon scikit-learn. Combinez une mesure en unités, une mesure pondérée par les volumes et un indicateur de biais, avec une lecture séparée des références intermittentes.

Le pilote doit-il forcément intégrer l’ERP ?

Pas nécessairement. Une extraction contrôlée peut suffire pour tester la qualité des prévisions, à condition de documenter les données et de reproduire le fonctionnement futur. L’intégration complète doit intervenir lorsque la méthode, les indicateurs et les responsabilités sont validés.

Sources