La prévision de la demande de produits et ses enjeux : expertise, méthode et collaboration interne

Rappel du contexte de notre étude de cas

L’entreprise MEDASIP, fabricant de meubles en série pour la Grande Distribution, rencontre des difficultés dans la prévision de la demande de ses clients. Ce groupe se trouve au moment où nous sommes appelés à l’assister en proie à une crise économique grave.

Nous découvrons toute l’ampleur de ces difficultés durant notre mission de diagnostic intégral metiScan™ commandée par le Président du Groupe. Nous apprenons que les prévisions de la demande sont produites par une équipe rattachée à la Direction Commerciale, dotée d’un outil logiciel répandu dans le secteur. Dorénavant, nous le nommerons pudiquement SOP. L’analyse des données que nous effectuons dans le cadre de notre diagnostic montre que les prévisions sont de piètre qualité, voire parfois aberrantes. L’équipe de prévisionnistes et la direction commerciale qui la chapeaute sont de ce fait déconsidérées et moquées au sein de l’entreprise.

Les facteurs à l’origine du problème

Nos investigations plus poussées montrent que le problème est dû à plusieurs facteurs :

• Les calculs pour fabriquer les prévisions sont effectués au niveau d’une maille intermédiaire dans la combinaison des hiérarchies clients x produits, située au croisement des sous-familles de produits et des zones géographiques. Le logiciel procède ensuite à une répartition proportionnelle pour en dériver la prévision fine sur tous les couples de produit x clients. Puis il consolide, par sommation sur tous les clients, la prévision de la demande totale par produit. Nous avons vu dans un article précédent que ce procédé est vicié par nature sur le plan statistique.
• On constate visuellement que la volatilité de la demande par article est très élevée. La demande d’un produit peut en effet présenter un caractère erratique, oscillant de 50 % d’un mois à l’autre.
• La méthode de prévision utilisée apparaît inadaptée. Basée sur une technique de lissage qui prolonge la tendance à court terme, elle ne tient pas compte d’autres caractéristiques importantes des données historiques. Elle néglige également l’effet des facteurs externes (dont notamment l’élasticité prix) pouvant agir sur la demande, ainsi que celui des opérations promotionnelles. Les sorties de SOP sont numériques et sans affichage d’intervalles de confiance.
• Les prévisions sont produites mécaniquement par le logiciel pour les articles de « fond de rayon » (FDR).  On y ajoute manuellement les projections des commerciaux des volumes relatifs aux campagnes promotionnelles en cours, sans considération des aléas affectant cette composante significative de la demande et en négligeant l’effet des promotions sur le FDR.
• Ces prévisions sont « trifouillées » de manière inconséquente par les prévisionnistes en cas d’apparition de valeurs aberrantes.
• L’utilisation des prévisions au niveau de la gestion commerciale manque de réalisme, celles-ci étant trop prises au pied de la lettre dans les échanges avec les clients.

Les conséquences d’un processus de prévision indigent

En conséquence, les prévisions de MEDASIP ne permettent pas de planifier efficacement la production. Leur crédibilité auprès de la direction industrielle est calamiteuse. Nous constatons d’ailleurs que la maîtrise du sujet laisse à désirer au sein de la direction commerciale. Dès lors, la planification de la production se contente d’heuristiques rudimentaires, engendrant des problèmes de gestion de stock et des gaspillages de matières visibles de tous. Fait aggravant, un manque de confiance mutuelle patent entache la coopération interservices, notamment à propos des produits à plus faibles volumes ou en phase de lancement sur le marché, qui se retrouvent trop souvent en rupture.

Pour résoudre ce problème, il nous semble qu’on ne peut échapper à la révision de fond en comble du processus de prévision. Une méthode plus adaptée à la volatilité de la demande doit être trouvée. De plus, libérer l’entreprise du piège de la boite noire dans lequel elle s’est fourrée, est capital pour avancer vers une solution plus adaptée.

Comment améliorer la prévision de la demande de produits ?

Une batterie de tests de fiabilité des prévisions

À la suite de discussions que nous organisons avec un groupe transverse réunissant Industrie, Commerce, Marketing, ADV, Prévisionnistes, une batterie de tests est convenue.

L’objectif poursuivi est double. D’une part, il faut être en mesure de garantir aux usines une meilleure prévisibilité à court terme de la demande qu’elles sont censées servir. D’autre part, savoir projeter avec plus de justesse le CA des mois à venir pour mieux anticiper et réduire le recours à l’intérim est tout aussi vital. Les ressources de MOD (main-d’œuvre directe) sont en effet empiriquement ajustées en fonction de ce seul indicateur (CA global traduit en tonnes produites). Il arait fallu s’y pencher en utilisant des techniques prédictives, mais le temps courait…

Ce double objectif ainsi défini nous impose de comparer différentes méthodes de prévision en complétant le test sur un échantillon de Produits seuls par un test de même type sur un échantillon idoine de clients.

Notre premier test est réalisé sur un ensemble de 10 produits bien choisis, en recourant au même algorithme de prévision de la demande que celui employé en standard dans le logiciel. Les prévisions obtenues produit par produit en agrégeant l’ensemble de la clientèle apporte des améliorations en moyenne par rapport à celles produites à l’aide de la maille mère utilisée dans SOP en matière de prévision (agrégat sous-familles produits par zones géographiques). Celle-ci est d’ailleurs meilleure que celle issue de la procédure actuelle. Nous démontrons ainsi que la procédure actuelle est contreproductive.

Notre second test est basé sur un panachage de 10 clients dont les 5 plus gros, 5 indépendants et sites E-commerce. Il ouvre des perspectives intéressantes. On compare alors les prévisions de CA dressées au moyen du logiciel SOP puis affinées par les prévisionnistes en vue de les présenter en réunion mensuelle de PIC (Plan Industriel et Commercial), à celles issues d’une approche simplificatrice consistant à intégrer tous les produits consommés par cet échantillon. On s’aperçoit clairement que la prévision se réduit avec la seconde approche. Ce point apparait de manière nette sur le graphique ci-contre.

De plus cette approche simplifiée s’avère substantiellement moins chronophage pour les prévisionnistes.

La procédure de prévision de la demande revue

Il reste que les prévisions qui en découlent ne peuvent suffire à elles seules pour informer la Direction Industrielle de ce qu’il convient précisément de produire pour satisfaire la demande. Il faudrait pouvoir la traduire en prévisions par article. En complément, un carnet de commandes fermes mieux fiabilisé serait extrêmement utile pour améliorer la visibilité à court terme des usines du Groupe sur les articles à produire. Le carnet de commande brut était d’ailleurs le seul élément factuel pris en compte par la direction industrielle dans l’établissement de ses plans de charge.

Il n’était pas possible dans le temps imparti de notre mission de tester d’autres méthodes algorithmiques de prévision. Nous préconisons donc, pour améliorer à l’avenir la projection de la demande, d’adopter une nouvelle maille de prévision hybride, utilisée de la manière suivante :

1. Le traitement individualisé des comptes clés (1^e composante) ;
2. Le groupement en un seul bloc du reste des clients français (2^e composante) ;
3. Idem pour tout le reste de l’Export en un autre bloc (3^e composante) ;
4. Des prévisions par article de chacune de ces trois composantes de la demande client pour les produits de classe de Pareto A :
5. La prise en compte des carnets de commande de chaque composante en tant que niveau plancher pour les produits de classe A ;
6. Des prévisions par sous-familles des produits de classe B et C pour chacun des trois blocs, suivie d’une répartition par produit proportionnelle au mix actuellement constaté ;
7. Le calcul des projections des CA individuels des comptes clés ainsi que des composantes « Autres France » et « Autres Export » ;
8. La confrontation des CA calculés par compte clé à la prévision du CA établie par le Commerce, avec ajustement éventuel des prévisions par produit :
9. L’élimination dans les écrans de suivi des clients de l’affichage en clair des résultats des calculs par couple produit x client, quitte à le remplacer par un système d’alertes automatiques pour l’ADV portant sur les surconsommations ou les commandes statistiquement hors normes.

La méthode préconisée est d’expérience d’autant plus efficace qu’elle est complétée par des revues de business mensuelles formelles. Celles-ci servent à valider les prévisions assistées par logiciel, en amont des réunions mensuelles de planification (PIC). Ce dispositif nouveau que nous mettons en place aussitôt, en cours de mission de diagnostic, devra par la suite s’adosser à un système de plans de comptes annuels, révisés trimestriellement, incluant un focus particulier sur les opérations promotionnelles majeures.

Les revues mensuelles de business que nous menons à deux reprises ne portent délibérément que sur les comptes clés. Leurs versions trimestrielles et annuelles, à tenir ultérieurement, devront adresser le reste des territoires commerciaux en sus de ces comptes clés.

Le choix du bon modèle de prévision de la demande

Le modèle de lissage exponentiel

La technique de prévision de lissage exponentiel double offerte par défaut par le logiciel SOP est quasi systématiquement utilisée par MEDASIP et souvent appliquée sans précaution ici et ailleurs. Pour mieux comprendre ses limites, il faut savoir qu’elle utilise deux paramètres de lissage. Le premier permet de s’appuyer sur les mesures passées en leur appliquant un amortissement dans le temps. Le second effectue un travail analogue pour la tendance (croissante ou décroissante) suivie par ces mesures passées. Cette méthode empirique est bien adaptée aux séries chronologiques qui présentent des variations régulières et stables. Elle offre certains avantages, comme sa simplicité de calcul, sa réactivité aux changements au cours du temps, et sa capacité à fournir des prévisions sur plusieurs périodes. Elle est extrêmement répandue dans l’Industrie et la Distribution.

Cependant, et en particulier telle que pratiquée par MEDASIP, elle pâtit de nombreux inconvénients :

• Le choix des constantes de lissage est arbitraire et il n’existe pas de méthode universelle pour déterminer les valeurs optimales de ces paramètres. Nous suspectons d’ailleurs que ces paramètres ont été figés une fois pour toutes chez MEDASIP et qu’ils n’ont pas été revus périodiquement.
• La prévision est extrêmement sensible à la valeur de ces paramètres. Un mauvais choix peut entraîner une surestimation de la tendance, ou sa sous-estimation, ce qui nuit grandement à la qualité de la prévision.
• Le postulat de départ est que la tendance est suffisamment régulière, ce qui n’est pas souvent le cas dans la réalité. L’outil peut mal fonctionner pour les données de séries chronologiques dont l’évolution est plus complexe ou présentant des irrégularités. C’est le cas en l’occurrence pour MEDASIP, au vu de la volatilité mise en évidence dans notre précédent article:
• L’algorithme ne prend pas en compte le phénomène de la saisonnalité, qui est une composante importante de beaucoup de ces séries concernant la demande de produits. Il peut donc sous-estimer ou surestimer les prévisions selon les périodes de l’année. Or on sait que la vente de meubles comporte des saisonnalités marquées.

Cette méthode a bénéficié de nombreuses améliorations et raffinements depuis la fin des années 1950 où elle a été introduite et sa version plus aboutie traite différents phénomènes incluant la saisonnalité et la variation (toujours régulière) dans le temps du bruit statistique.

Les autres modèles de prévision

Une autre classe de modèles est généralement fournie dans les logiciels de prévision, à savoir ARIMA. Conçue 20 ans plus tard, cette typologie de modèles est extrêmement flexible et peut s’adapter à différents types de séries temporelles. Qu’elles soient stationnaires ou non, avec ou sans saisonnalité, voire comportant des cycles, elle permet aisément de les traiter. Elle est basée sur des principes théoriques plus solides et offre des estimations efficaces des paramètres du modèle. Elle permet de calculer des intervalles de confiance (voir ci-contre en grisé) et fournit les tests statistiques pour évaluer la qualité du modèle et des prévisions. Elle peut enfin incorporer directement des variables externes pour améliorer la précision des prévisions. Notre intuition est que ce modèle de prévision est bien plus adapté à la nature du business de MEDASIP et qu’il aurait dû être tenté. Mais malheureusement, le temps manquait cruellement dans le cadre d’un diagnostic y compris intégral, effectué en situation d’urgence.

Mais à l’heure où l’IA générative envahit le champ médiatique, on ne peut passer sous silence les méthodes basées sur les réseaux de neurones. Apparues 20 ans plus tard, celles-ci utilisent comme les techniques précédentes des procédés d’apprentissage automatique, quoique d’une manière bien plus sophistiquée, pour détecter les caractéristiques de la série temporelle à partir des données disponibles. Plusieurs systèmes ont été développés sur ces principes (LSTM, RNN, etc.). Ces méthodes sont généralement performantes, robustes et capables de modéliser des séries complexes, non linéaires, ou bruitées. Elles peuvent aussi s’adapter aux changements abrupts de la série et incorporer des variables externes de nature extrêmement variée. Cependant, elles présentent aussi des inconvénients, comme la complexité de leur mise en œuvre, la puissance et le temps de calcul nécessaire, le manque d’interprétabilité de leurs résultats, la sensibilité et le besoin de grandes quantités de données pour éviter le surapprentissage. Elles ne sont donc pas à mettre dans toutes les mains.

Les précautions à prendre en matière de prévision

Les étapes à suivre sont celles du diagramme ci-contre. Un pré-traitement des données peu être nécessaire (Tidy). Après vérification visuelle, on peut procéder au test de différents méthodes (Specify). Puis une fois le choix fait, les paramètres du modèle doivent être calculés (Estimate). En tout état de cause, une fois qu’un modèle a été soigneusement ajusté et semble a priori performant sur le jeu de données d’apprentissage, il est important de vérifier ses performances sur des données sur lesquelles il n’a pas appris (Evaluate). Il existe plusieurs outils disponibles pour vérifier le comportement du modèle sur le jeu de données de test, permettant de comparer un modèle à un autre.

En définitive, il n’a pas de méthode universelle (et surtout entièrement automatisée) pour modéliser et prévoir la demande de produits. Il convient donc de se méfier de toute affirmation du contraire. La spécification d’un modèle adapté pour les données dont on dispose est une étape délicate mais essentielle pour produire des prévisions réellement utiles dans la vraie vie. Or le choix de la méthode dépend du contexte, de l’objectif business, et des caractéristiques inhérentes aux données. Il est donc toujours recommandé de procéder par étapes en comparant plusieurs modèles sur vos données et les évaluant selon des critères précis, comme l’erreur de prévision, la praticité, la rapidité de mise en œuvre, ou tout autre critère pertinent.

En outre, les modèles se dérèglent au fil du temps et il faut périodiquement procéder au rafraichissement de leur apprentissage. Or ceci est facilement oublié par les utilisateurs en entreprise.

Manifestement chez MEDASIP, on s’en est remis à la compétence d’un cabinet externe et la robustesse de la solution n’a pas été régulièrement revérifiée. Les utilisateurs au sein de l’entreprise manquaient de surcroit des compétences et du temps nécessaires pour en maîtriser tous les arcanes. Ils se sont finalement rendus dépendants et prisonniers d’un système boite noire.

Les 7 facteurs clés de succès pour améliorer la prévision de la demande

A la lumière des enseignements tirés de l’exemple de MEDASIP, il nous possible de mettre le doigt sur 7 facteurs clés de succès. Ceux-ci doivent être présents à l’esprit de tout dirigeant de PME ou d’ETI diffusant des produits physiques en volume, et soucieux d’améliorer la performance de son entreprise du point de vue de sa rentabilité et de son BFR. Le sujet des prévisions est loin d’être de nature purement technique, même si cette dimension ne saurait être négligée. Il est aussi de nature organisationnelle et managériale. Il nécessite l’implication forte du dirigeant, qui, par son autorité et son leadership parviendra à réunir les Ventes, le Marketing, les Opérations et la Finance autour de la table dans le cadre d’une démarche PIC performante.

Ces sept facteurs se résument ainsi :

1. Procéder par expérimentations successives dans le choix de la modélisation de la demande en testant différentes méthodes de prévision et cherchant pour la méthode retenue les réglages qui permettent de tenir compte au mieux des fluctuations de la demande.
2. Garder à l’esprit le fait qu’il n’y aura pas d’unicité de comportement de tous les clients et de tous les produits. Une segmentation est souvent nécessaire à ce titre.
3. Trouver le bon compromis entre finesse de la prévision et temps nécessaire pour la produire. Le mieux est toujours l’ennemi du bien en matière d’analyse des données en général et de prévision en particulier.
4. Utiliser la connaissance par les commerciaux de leurs clients mais ne jamais s’en remettre complètement à leur intuition. Leur input doit surtout servir à éviter de commettre d’importantes erreurs de prévision sur les plus gros clients. Il permet aussi de parachever le travail de prévision à travers un débat sous l’égide du directeur commercial permettant de jauger le réalisme du résultat obtenu (à l’occasion des revues mensuelles et trimestrielles).
5. Intégrer les volumes d’opérations promotionnelles dans les prévisions. Les promotions peuvent avoir un impact significatif sur la demande, par cannibalisation des ventes d’autres produits ou par anticipation des ventes des mois à venir. Il est donc important de bien les prendre en compte dans les prévisions en estimant leurs effets passés. Ils ne peuvent donc être superposés à la main comme le faisait MEDASIP.
6. Rechercher à travers des méthodes dites de régression, qui permettent de tester l’influence de variables explicatives externes à la série de données étudiée, tels que le pricing, les stocks présents dans le canal de vente, les actions des concurrents, etc. Cela permet d’incorporer des termes complémentaires pour améliorer la fiabilité de la prévision.
7. Développer un processus de validation qui implique les différents services de l’entreprise. La validation collaborative des prévisions permet de s’assurer de leur cohérence et de leur pertinence, ainsi que d’améliorer la coordination interservices.

En suivant ces recommandations, toute société de taille moyenne PME ou ETI vendant en volume pourra grandement améliorer la qualité de ses prévisions. A travers une meilleure maîtrise de sa production, de ses stocks et de ses coûts directs, elle ne pourra que stimuler sa performance globale, opérationnelle et économique.

S’agissant de sociétés produisant à l’unité ou fonctionnant par affaire ou par projet, les méthodes de prévision sont de nature très différente. Nous y reviendrons dans un article à paraître prochainement.