Notre entrepôt est petit : environ 3,000 mètres carrés, six personnes y compris moi. Cette expérience m'a appris davantage sur la qualité des données pour les prévisions IA que n'importe quelle démonstration de fournisseur. L'année dernière, j'ai enfin acheté un outil de prévision, en espérant arrêter de deviner le stock à détenir. Le premier mois m'a vite remis à ma place. Le système annonçait qu'une bouteille d'eau populaire se vendrait à plus de 400 unités la semaine suivante, alors j'ai fait le plein. Nous en avons vendu moins de 100. Le stock excédentaire est resté sur les étagères pendant des semaines, et l'argent immobilisé dedans était de l'argent que je ne pouvais utiliser pour rien d'autre. Mon premier réflexe a été de blâmer le modèle et de me disputer avec le fournisseur. Puis un ami qui travaille avec les données a passé une demi-heure à examiner nos registres d'entrées et de sorties et m'a dit la vérité : le modèle n'était pas le principal problème. Nos données étaient un désastre.

Nous ne pouvons pas nous permettre de brûler de l'argent comme une grande entreprise. Une grande exploitation embauche une équipe de données et nettoie les choses pendant des mois. Nous sommes six personnes, et chaque heure passée à corriger des enregistrements est une heure qui n'est pas passée à préparer, emballer ou expédier. Les méthodes que nous avons fini par utiliser sont donc d'une simplicité embarrassante : filtrer un tableur, vérifier les enregistrements à la main par rapport aux factures des transporteurs, et écrire une règle pour bloquer chaque erreur récurrente. Le simple fonctionne pourtant, car une prévision ne vaut que ce qu'on lui donne à manger. Donnez-lui des déchets et vous récupérerez des déchets coûteux.

Qualité des données pour les prévisions IA, premier problème fatal : codes en double et enregistrements manquants

Les codes en double nous ont frappés en premier. Le même produit finit avec deux ou trois codes, et le système traite chaque code comme un article différent. En septembre dernier, une de nos bouteilles isothermes a changé d'emballage, et les achats ont créé un nouveau code sans retirer l'ancien. Les commandes en ligne circulaient sous le nouveau code, les commandes hors ligne sous l'ancien, et chaque code pris isolément ressemblait à un article qui se vend lentement. La prévision est restée basse jusqu'à l'arrivée d'une grande promotion, quand nous avons soudain découvert que le stock combiné dépassait déjà largement notre niveau de sécurité. Nous avions surstocké des bouteilles pour une valeur de quelques milliers de dollars, qui ont ensuite mis des semaines à s'écouler.

Les enregistrements manquants sont l'échec inverse, et ils font tout aussi mal. Pendant un temps, nous saisissions les expéditions sortantes à la main, et les jours chargés, des saisies étaient oubliées. La courbe des ventes vue par le système était pleine de trous, et un jour manquant ressemblait exactement à un jour sans ventes. Les prévisions ont chuté, et nos meilleures ventes sont tombées en rupture. La solution a été ennuyeuse mais efficace : chaque vendredi après-midi, je passe environ une heure à rapprocher les enregistrements sortants de la semaine avec les factures des transporteurs, et tout ce qui manque est complété. Nous avons aussi établi une règle interne selon laquelle les commandes du jour sont clôturées le jour même, et tout ce qui reste la nuit est rapproché dès le lendemain matin. Deux mois de cette routine ont ramené les trous à un niveau acceptable pour moi.

Qualité des données pour les prévisions IA, autres problèmes fatals : promotions, canaux mélangés et mauvais pas de temps

Les trois autres problèmes fatals sont plus insidieux, et ils coûtent plus cher. Des promotions anormales peuvent entraîner une prévision dans un monde imaginaire. L'année dernière, une offre de trois jours « un acheté, un offert » a poussé un modèle de chaussette à plus de cinq fois ses ventes quotidiennes normales. Le système a traité ces trois jours comme une demande normale et a continué à recommander un réapprovisionnement massif pendant un mois ensuite. Désormais, nous étiquetons chaque promotion, déstockage et événement en direct séparément, et nous excluons ces jours des prévisions quotidiennes ou nous les modélisons comme leur propre catégorie. Une promotion est une promotion. La demande quotidienne est la demande quotidienne. Mélangez-les et aucun modèle ne peut vous sauver.

Les canaux mélangés provoquent la même confusion d'une autre manière. Nos rythmes en ligne et hors ligne n'ont presque rien en commun. Les ventes en ligne explosent avec les campagnes, tandis que les ventes hors ligne proviennent d'une poignée de boutiques voisines qui commandent régulièrement. Quand les deux flux ont été regroupés en un seul total, le chiffre de prévision ne convenait à personne. Désormais, nous les enregistrons séparément et nous les prévoyons séparément, en ne les additionnant que lorsque nous avons besoin d'une vue combinée. Cela demande un peu plus de discipline, mais chaque chiffre peut être retracé jusqu'à une vraie personne ou une vraie commande.

Les mauvais pas de temps sont les plus faciles à négliger. Pendant un temps, notre outil produisait des prévisions hebdomadaires alors que nous nous réapprovisionnions chaque jour, si bien qu'une semaine qui semblait correcte le lundi pouvait être à sec dès le jeudi. L'inverse est tout aussi mauvais : les prévisions quotidiennes n'aident pas quand un accord d'achat est négocié mensuellement. Ma règle désormais est de fixer d'abord le rythme de réapprovisionnement, puis de choisir le pas de prévision qui lui correspond. Un réapprovisionnement quotidien reçoit des prévisions quotidiennes ; un achat mensuel reçoit un cumul mensuel. Si le pas ne correspond pas à la décision, même un bon modèle est inutile.

Cinq façons dont les données sales tuent une prévision, et ce que coûte chaque correction

Problème de données sales Ce que vous voyez sur le terrain Comment le vérifier Coût de la correction
Codes en double Les ventes d'un produit réparties sur plusieurs codes Rechercher par nom de produit et code-barres pour trouver les répétitions Faible : un nettoyage plus une règle pour les nouveaux codes
Enregistrements manquants Des trous inexpliqués dans la courbe des ventes Rapprocher les enregistrements sortants des factures des transporteurs Faible : environ une heure de rapprochement par semaine
Promotions anormales Les prévisions restent gonflées longtemps après la fin d'une vente Étiqueter les jours de promotion et les exclure de la demande de base Faible : changer le calcul, pas l'outil
Canaux mélangés Un seul chiffre de prévision qui ne convient à aucun canal Enregistrer les ventes en ligne et hors ligne séparément Moyen : exige un changement des habitudes quotidiennes
Mauvais pas de temps Une prévision hebdomadaire qui ne peut pas guider le réapprovisionnement quotidien Fixer d'abord le rythme de réapprovisionnement, puis le pas de prévision Faible : changer le format de sortie

Voici la partie contre-intuitive, et c'est le point que je veux surtout faire entendre aux autres petits exploitants : nettoyer les données coûte bien moins cher que de mettre à niveau un modèle, et cela aide souvent davantage. Quand nous avons demandé une mise à niveau du modèle, le surcoût annuel se chiffrait en milliers de dollars, sans garantie de meilleurs résultats. Nettoyer les cinq problèmes ci-dessus ne nous a coûté presque rien en argent, juste quelques heures de travail du personnel par semaine. Il y a aussi un retournement plus net. Plus le modèle est cher, plus il se trompe avec assurance sur des données sales. Un modèle bon marché nourri de données propres vous donne un chiffre utilisable. Un modèle cher nourri de données sales vous donne un chiffre faux déguisé en précision. Pour un petit entrepôt, ce calcul de retour sur investissement doit précéder toute décision de mise à niveau, et non la suivre.

Après environ deux mois de nettoyage, le changement n'a pas été un spectaculaire graphique de précision que j'aurais pu encadrer au mur. C'était quelque chose de plus pratique : j'ai commencé à faire suffisamment confiance aux recommandations pour passer réellement des commandes à partir d'elles. Les ruptures de stock sur les meilleures ventes sont devenues nettement moins fréquentes, et le stock lent a cessé de grignoter silencieusement l'espace des étagères. Je ne citerai pas une amélioration précise de la précision, car nos enregistrements avant le nettoyage étaient trop peu fiables pour en étayer une, et inventer un chiffre répéterait exactement l'erreur contre laquelle cet article met en garde. La mesure honnête est de savoir si la prévision est utilisable, et la nôtre est finalement devenue utilisable.

Si vous gérez un entrepôt de notre taille, voici la routine que je copierais. Avant de créer un nouveau code, recherchez un ancien code couvrant déjà ce produit, et exigez une étape de confirmation avant d'en retirer un. Clôturez les expéditions le jour même, et rapprochez-les des factures des transporteurs un jour fixe chaque semaine. Étiquetez les jours de promotion avant le début de la promotion, pas après. Gardez les enregistrements en ligne et hors ligne séparés, et laissez votre rythme de réapprovisionnement fixer votre pas de prévision. N'essayez pas non plus de tout corriger en un seul week-end héroïque. Notre premier nettoyage complet a pris près de deux semaines, et tout depuis n'a été que petit entretien hebdomadaire. Les données sales s'accumulent chaque jour, donc le nettoyage doit être une habitude quotidienne, pas un événement annuel. Mettez-le au planning à côté des comptages de stock et du réapprovisionnement, au même niveau d'importance.

Les petits entrepôts ont leur propre façon de survivre. Nous ne dépensons pas plus que les grandes entreprises et nous n'avons pas plus de personnel qu'elles. Nous gagnons en gardant nos données suffisamment propres pour qu'un outil modeste puisse faire un travail honnête pour nous. Mettez d'abord les données en ordre, et seulement ensuite discutez de savoir si le modèle est assez bon.

Par Xiao Ma, Propriétaire d'un petit entrepôt Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.