L’utilisation des données : un enjeu majeur pour la prévision de la demande

L’enjeu d’une bonne exploitation des données

L’utilisation des données est un enjeu majeur pour la prévision de la demande pour plusieurs raisons. Tout d’abord, les données permettent d’améliorer la précision des prévisions. En effet, en analysant les données historiques, il est possible d’identifier les modèles de la demande et de les utiliser pour projeter la demande future.

Deuxièmement, les données permettent de prendre en compte les tendances du marché ainsi que sa saisonnalité. En effet, ces deux facteurs peuvent avoir un impact significatif sur la demande. En analysant les données historiques, il est possible de les mettre en évidence et de les prendre en compte dans l’établissement des prévisions.

Troisièmement, les données permettent de personnaliser les prévisions. En effet, il est possible de segmenter les données par client, par produit, par région, etc., afin de produire des prévisions détaillées par segment. De plus, en tenant compte d’hypothèses d’évolution de ces segments, il est possible d’établir des prévisions scénarisées et de meilleure qualité.

Les types de données utilisés dans la prévision de la demande

Les données utilisées dans la prévision de la demande peuvent être classées en 2 catégories :

• Les données historiques : ces données concernent les ventes passées, les stocks, les prix, etc. Elles permettent de comprendre les tendances passées et de les utiliser pour prédire la demande future.
• Les données en temps réel : ces données concernent les ventes actuelles, les conditions du marché, etc. Elles permettent de prendre en compte les dernières tendances et de réagir rapidement aux changements.

Les méthodes de collecte des données

Les données peuvent être collectées de différentes manières, notamment :

• Les systèmes de gestion de la relation client (CRM) : les CRM permettent de collecter des données sur les comportements des clients, telles que les cycles de vente, les taux de conversion, les commandes, les retours et les avis de clients.
• Les systèmes de gestion de l’inventaire (WMS) : les WMS permettent de collecter des données sur les stocks, telles que les niveaux de stock, les écoulements de stock et les commandes en cours de préparation.
• Les systèmes de surveillance des prix : ces systèmes de surveillance permettent de collecter des données sur les mouvements de prix des concurrents.
• Les enquêtes auprès des clients : ces enquêtes permettent de collecter des données sur les intentions d’achat des clients.

Les méthodes d’analyse des données

Les données peuvent être analysées de différentes manières, notamment :

• Les méthodes statistiques : les méthodes statistiques utilisent des modèles mathématiques pour analyser les données et prédire la demande future. Nous en avpns donné un large aperçu dans notre article du 7 décembre dernier.
• Les méthodes d’intelligence artificielle : les méthodes d’intelligence artificielle, telles que l’apprentissage automatique, permettent de créer des modèles capables d’apprendre, de réapprendre et de s’adapter en permanence aux données.

Les compétences nécessaires sont celles d’un prévisionniste formé à la data science. Il n’existe pas, à l’heure que nous écrivons ces lignes, de baguette magique en la matière, quoiqu’en disent les fournisseurs de logiciels de prévision de la demande.

L’influence des facteurs externes

Outre des compétences minimales en data science, le prévisionniste doit être capable d’intégrer dans ses prévisions des facteurs externes impactant la demande. En effet, ces facteurs peuvent avoir un impact significatif sur les prévisions, même si elles sont basées sur des données historiques fiables.

Parmi les facteurs externes à prendre en compte, on peut citer :

• Les conditions météorologiques, qui peuvent influencer la demande pour certains produits ou services.
• Les événements externes prévus, tels que des manifestations, des grèves ou des événements sportifs, qui peuvent entraîner une variation de la demande.
• Les événements externes imprévus, tels que des catastrophes naturelles ou des crises sanitaires ou autres, qui peuvent provoquer une baisse de la demande.

Pour tenir compte de l’influence des facteurs externes, il est possible de :

• Utiliser des méthodes de prévision qui intègrent ces facteurs.
• Collecter des données sur les facteurs externes et les intégrer au processus de prévision.
• Utiliser des logiciels de prévision qui permettent de simuler l’impact des facteurs externes sur les prévisions.

Le prétraitement des données

Enfin, il est important de prétraiter les données brutes avant de les exploiter pour la prévision de la demande. Cela permet d’éliminer les valeurs aberrantes et de remplacer les valeurs manquantes, qui sont susceptibles de fausser les prévisions.

Les valeurs aberrantes sont des valeurs qui s’écartent de manière significative des autres valeurs de la série. Elles peuvent être dues à des erreurs de saisie ou à des événements exceptionnels.

Les valeurs manquantes sont des valeurs qui ne sont pas disponibles. Elles peuvent être dues à des erreurs de collecte de données ou à des périodes où les données n’étaient pas disponibles.

Pour éliminer les valeurs aberrantes, il est possible d’utiliser des méthodes statistiques, telles que l’élimination des valeurs extrêmes ou des méthodes de correction de valeurs aberrantes.

Pour remplacer les valeurs manquantes, il est également possible d’utiliser des méthodes statistiques, telles que la moyenne, la médiane ou la régression linéaire, pour ne citer que les plus simples.

La compétence en data science

La compétence en data science est essentielle pour une utilisation efficace des données dans la prévision de la demande. En effet, les logiciels de prévision utilisent des méthodes statistiques et mathématiques complexes qui nécessitent une bonne compréhension des techniques utilisées par lesdits logiciels pour analyser les données et inférer une prévision.

L’absence de compétence en data science peut conduire à une mauvaise utilisation des logiciels de prévision par des prévisionnistes insuffisamment formés. Cela peut entraîner des prévisions inexactes, qui peuvent entraîner des conséquences négatives pour l’entreprise, telles que des surstocks, des ruptures de stock, ou une perte de compétitivité par manque de réactivité à la demande solvable.

Pour éviter ce problème souvent rencontré dans les entreprises de taille moyenne, il est important de former les prévisionnistes aux méthodes de prévision et aux logiciels utilisés. Il est également important de mettre en place une gouvernance des données qui garantit que les données disponibles sont de qualité et que les prévisions sont dûment validées avant d’être utilisées.

L’utilisation des données dans le cas d’ETI ou de grosses PME

Dans le cas d’ETI ou de grosses PME, les dirigeants sont souvent proches du terrain et très impliqués sur le plan opérationnel. Cela peut rendre les choses plus difficiles, car les dirigeants peuvent ne pas avoir le temps ou les compétences nécessaires pour vérifier que la collecte et l’analyse des données se font correctement.

Pour faciliter l’utilisation des données dans ce type d’entreprise, il est important de mettre en place les processus et les outils appropriés. Les entreprises peuvent notamment mettre en place les mesures suivantes :

• Nommer un responsable de la prévision de la demande : un responsable de la prévision de la demande compétent sera chargé de collecter et d’analyser les données et de produire les prévisions.
• Mettre en place des outils de visualisation : les outils de visualisation permettent de présenter les données de manière claire et concise et de détecter facilement des tendances ou des anomalies.
• Former les employés à l’utilisation des données : la formation des employés permet de les sensibiliser à l’importance de la collecte de données pertinentes par rapport au métier de l’entreprise.
  .

Un cas concret d’ETI dans le contexte de l’utilisation des données pour la prévision

Voici un exemple concret de l’utilisation des données dans la prévision de la demande :

L’entreprise X est une ETI spécialisée dans la fabrication de produits électroniques. L’entreprise utilise les données suivantes pour produire ses prévisions de la demande :

• Les données historiques des ventes : l’entreprise utilise les données des ventes des dernières années pour identifier les tendances passées.
• Les données en temps réel des ventes : l’entreprise utilise les données des ventes en cours pour prendre en compte les dernières tendances.
• Les données des enquêtes auprès des clients : l’entreprise utilise les données des enquêtes auprès des clients pour comprendre les intentions d’achat des clients.
• Les revues des ventes : l’entreprise conduit des revues commerciales mensuelles de ses comptes clients clés pour affiner ses prévisions obtenues par calcul.

L’entreprise X utilise un modèle statistique pour analyser les données et produire les prévisions. Le modèle est mis à jour régulièrement pour tenir compte des nouvelles données et de l’expérience accumulée sur la validité du modèle sous-jacent.

Par ailleurs, l’entreprise procède systématiquement à une revue des prévisions présentées par ses prévisionnistes en présence du Directeur Général, du Directeur Commercial et Marketing, du Directeur Industriel, du Directeur de la Supply Chain et du Directeur Financier. Cette revue, qui intervient en début de réunion S&OP (Sales & Operations Planning) mensuelle, lui permet d’examiner les implications de ces prévisions sur le plan opérationnel et financier, et d’effectuer les arbitrages nécessaires pour capter la demande rentable tout en préservant ses équilibres fondamentaux.

Grâce à l’utilisation des données et à sa méthode rigoureuse de validation des prévisions, l’entreprise X est en mesure de produire des prévisions plus fiables. Cela lui permet d’éviter les ruptures de stock et les retards de livraison, et d’améliorer sa satisfaction client.

En conclusion, la bonne utilisation des données est un enjeu majeur pour la prévision de la demande. En s’appuyant sur des données de qualité et en considérant les facteurs externes, les ETI-PME peuvent améliorer la précision de leurs prévisions et prendre des décisions plus éclairées. Toutefois, ce facteur essentiel fait partie d’un ensemble plus vaste de composantes permettant la construction d’un dispositif managérial robuste de prévision. Ces différents éléments sont développés séparément dans des publications séparées. Le tout forme une mini-série, dont l’article introductif est disponible ici.