En septembre 2025, j'ai réussi à me tromper dans les deux sens à la fois. Un bac de rangement est tombé en rupture de stock pendant 11 jours juste avant le Black Friday, alors que les publicités tournaient toujours et convertissaient. Un crochet que j'avais stocké pour 90 jours s'est vendu à moins d'un tiers en trois mois, et le reste est toujours dans l'entrepôt FBA à accumuler des frais de stockage. Même système de prévision de la demande, même historique, une rupture de stock et un tas de stock mort. Mon premier réflexe a été de blâmer le modèle et d'acheter un outil de prévision IA plus sophistiqué. Deux semaines à fouiller mon propre historique de commandes m'ont fait changer d'avis. Le modèle avait de vrais défauts, mais les données en dessous étaient pires.
Après cinq ans à vendre à l'international, j'ai appris à traiter une mauvaise prévision comme un mauvais diagnostic. On ne change pas simplement de médicament. Il faut déterminer si le problème vient des données d'entrée ou du calcul, parce que réparer le mauvais élément coûte de l'argent et les étagères restent mal remplies.
Quand une prévision de la demande se trompe, vérifiez d'abord les données
Prenons le bac de rangement. De juillet à août 2025, il se vendait environ 1,800 unités par mois, alors je me suis approvisionné pour le Black Friday sur ce chiffre plus une marge de 20%. Puis une promotion par un influenceur fin octobre a écoulé plus de 900 unités en une seule semaine et l'annonce est tombée en rupture. La prévision de la demande disait toujours 1,900 par mois. Elle n'a jamais vu le pic venir.
L'historique lui-même était faussé. J'avais fait deux promotions à -30% en juillet et août, et rien dans le système ne les marquait comme des promotions. Les ventes ressemblaient à une demande normale. Pire, nous avons été en rupture de stock pendant six jours à la mi-août. Ces six jours ont enregistré zéro vente, et le système a lu zéro comme une absence de demande. Une promotion a poussé le chiffre vers le haut, une rupture de stock l'a poussé vers le bas, et la moyenne qui en est sortie décrivait un produit qui n'a jamais existé.
Les retours ont causé le même genre de dégâts dans l'autre sens. Un crochet avait un taux de retour élevé, et les unités retournées remises en vente se sont vendues à nouveau. Le système a compté deux ventes pour un seul vrai client. S'approvisionner sur ce chiffre, c'était s'approvisionner sur une demande qui n'a jamais existé.
Je vérifie maintenant trois choses avant de toucher à un modèle. Les promotions étaient-elles marquées dans l'historique, une rupture de stock a-t-elle tronqué le relevé des ventes, et les retours ont-ils été comptés deux fois ? Si l'une des réponses est oui, la prévision de la demande était condamnée avant même que le modèle ne tourne. De mauvaises données ne s'améliorent pas avec un modèle plus intelligent. Elles sont simplement calculées plus précisément dans la mauvaise direction.
Les expéditions fractionnées FBA masquent aussi la demande. Le même produit se trouve dans trois entrepôts, l'un d'eux tombe à court, et l'acheteur achète chez un concurrent. Cette vente perdue n'apparaît nulle part. Vous pensez que la demande est stable. En réalité, c'est vous qui avez fermé la porte.
Une commande unique en gros peut fausser les chiffres de la même façon. En avril 2026, un seul client a acheté 200 unités d'une étagère en une commande. Le système l'a traitée comme une demande quotidienne et a relevé la prévision du mois suivant. Je ne l'ai repérée que parce que je rapprochais les commandes à la main cette semaine-là. Maintenant, je retire les commandes en gros et ponctuelles de l'historique avant de regarder une prévision.
Le modèle de prévision de la demande a ses propres angles morts
Des données propres ne rendent pas un modèle fiable. L'outil que j'utilisais trébuchait toujours sur les mêmes trois choses.
La première, ce sont les moyennes. Mon bac se vendait environ 1,800 unités par mois, ce qui semble stable, mais les ventes hebdomadaires oscillaient entre 300 et 700 unités. Le modèle a pris la moyenne et s'est arrêté là. Je me suis approvisionné sur la moyenne et je suis tombé en rupture chaque semaine forte. Pour un vendeur, la question n'est pas ce que vous vendez en moyenne. C'est ce que vous vendez pendant votre semaine la plus forte. Une prévision de la demande construite sur la moyenne a l'air nette sur le papier et échoue dans l'entrepôt.
La deuxième, c'est le démarrage à froid. En mars 2026, j'ai lancé un nouveau rack de rangement sans historique de ventes. Le modèle a emprunté la moyenne de la catégorie et m'a annoncé 1,200 unités par mois. L'annonce vendait une douzaine d'unités par jour pendant les deux premières semaines, alors que les publicités apprenaient encore et que le taux de conversion était encore faible. J'avais approvisionné le premier lot sur le chiffre du modèle et j'ai passé deux mois à l'écouler. Un nouveau produit n'a pas d'historique, donc le modèle ne fait que deviner. Je n'approvisionne plus un nouveau lancement que pour 30 jours. Je préfère me réapprovisionner souvent plutôt que de rester assis sur du stock mort.
La troisième, c'est le tournant saisonnier. Les produits de rangement culminent de septembre à novembre et chutent en janvier et février. Un modèle qui lisse les 12 derniers mois arrive toujours avec un demi-pas de retard au tournant. En octobre 2025, il prévoyait encore au rythme de l'été alors que j'entrais déjà dans le Black Friday. Pour un produit saisonnier, un modèle qui ne voit pas le tournant est à son pire exactement quand la précision compte le plus.
Le fil commun est simple. Un modèle connaît les chiffres. Il ne sait pas que vous venez de lancer une nouvelle campagne publicitaire, qu'un influenceur s'apprête à publier, ou que vous liquidez une gamme. Il ne peut pas voir l'activité changer autour de lui.
Corriger une prévision de la demande : les données d'abord, le modèle ensuite
Quand une prévision de la demande se trompe aujourd'hui, je travaille dans cet ordre et je perds rarement une étape.
Les données d'abord. J'exporte les trois derniers mois de commandes et je les compare à mon calendrier de promotions, mon journal de ruptures de stock et mes retours. Les promotions étaient-elles marquées, les jours de rupture étaient-ils vraiment à zéro, les retours ont-ils été comptés deux fois ? Une demi-journée ici règle la plupart des problèmes. Mon bac a été diagnostiqué à cette étape.
La volatilité ensuite. Je ne regarde pas seulement la moyenne mensuelle. Je décompose les ventes par semaine et je compare la semaine la plus forte à la plus faible. Plus l'écart est grand, plus le stock de sécurité doit être épais. Ma couverture n'est plus un chiffre fixe. Les produits volatils reçoivent 45 jours, les stables reçoivent 30, et la haute saison en ajoute 15 autres.
Ce n'est qu'ensuite que je regarde le modèle. Si je pense à changer d'outil, je pose d'abord trois questions : comment gère-t-il un nouveau produit, reconnaît-il un tournant saisonnier, et que fait-il face à une forte volatilité ? S'il ne peut pas répondre, je ne change pas, aussi cher que cela puisse paraître. Cette vérification m'a évité d'acheter des outils qui auraient fait les mêmes erreurs plus vite.
Les problèmes de données et les problèmes de modèle se ressemblent jusqu'à ce qu'on les mette côte à côte :
| Symptôme | Plus probablement un problème de données | Plus probablement un problème de modèle |
|---|---|---|
| La prévision est trop haute, le stock continue de s'accumuler | Retours comptés deux fois, ventes en promotion traitées comme normales | Nouveau produit évalué sur la moyenne de la catégorie |
| La prévision est trop basse, le stock s'épuise sans cesse | Jours de rupture enregistrés comme demande nulle | Moyenne utilisée, semaines de pointe ignorées |
| La prévision casse à chaque haute saison | Promotions non marquées, historique tiré vers le haut et vers le bas | Tournant saisonnier lissé jusqu'à disparaître |
| La prévision d'un nouveau produit est complètement fausse | Aucun historique contre lequel vérifier | Démarrage à froid traité comme un vrai chiffre |
L'argent est facile à compter. Prenons mon bac : 2,000 unités par mois, $6 de coût par unité. Avec 60 jours de couverture, je détenais 4,000 unités, soit $24,000 immobilisés dans l'entrepôt. Après avoir nettoyé les données et ajouté du stock de sécurité uniquement pour les semaines volatiles, j'ai réduit la couverture à 45 jours, soit 3,000 unités. C'est $6,000 de moins en espèces sur une étagère. Une prévision n'a pas besoin d'être parfaite. Quinze jours de couverture en moins, c'est de l'argent réel. Et l'autre côté coûte plus cher qu'il n'y paraît : 11 jours de rupture de stock m'ont coûté des ventes, de la dynamique publicitaire et des semaines pour reconstruire le classement après le réapprovisionnement.
Amazon change ses règles tous les quelques mois, les coûts publicitaires ne cessent de grimper, et il y a moins de marge pour se tromper dans l'approvisionnement. Ma règle est désormais simple : quand une prévision se trompe, lisez d'abord les données, regardez la volatilité ensuite, et ne blâmez le modèle qu'après. De vraies données donnent de la valeur au modèle. Là où le modèle a un angle mort, je le comble à la main — du stock supplémentaire avant la haute saison, moins de stock pour un nouveau lancement — au lieu de confier toute la décision à un outil qui ne sait que faire des moyennes.
Quelle a été votre dernière erreur d'approvisionnement, une rupture de stock ou du stock mort ? Sortez l'historique de ce mois-là et vérifiez les trois points : promotions, jours de rupture et retours. L'un d'eux est généralement non marqué.
Par Ah K, Vendeur e-commerce (5 ans) Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.







