Le point de départ : de mauvaises prévisions font du réapprovisionnement un pari
Un e-commerçant d'articles ménagers avec 3 000 SKU réapprovisionnait à l'instinct des planificateurs plus une moyenne mobile sur 12 semaines. Chaque grande promotion cassait le système : les SKU stars tombaient en rupture et perdaient des commandes pendant que les SKU longue traîne immobilisaient 20 millions de dollars de capital. Le dirigeant a fait le calcul : chaque point de réduction des ruptures valait 4 millions de dollars par an. La prévision est l'une des applications de l'IA au plus fort ROI en entrepôt — pourtant 90 % des projets meurent sur « le modèle est précis mais l'exploitation ne peut pas l'utiliser ».
Le cadre central : quatre points
1. Ingénierie des variables : l'historique n'est que la moitié de l'histoire
Ne nourrir un modèle que de l'historique des ventes, c'est conduire avec un œil fermé. Cinq familles de variables qui marchent en pratique :
- Séries de ventes et de prix (y compris prix promo et profondeur des remises)
- Calendrier des promotions (mégas soldes, journées catégorie, déstockage — étiquetés à l'avance)
- Saisonnalité et fêtes (rentrée, Noël, Nouvel An lunaire)
- Signaux externes : température (fort pour le textile et l'équipement de la maison), trafic du canal
- Attributs SKU : stade nouveau/mature/déstockage, classification ABC
Règle empirique : partir d'au moins deux ans d'historique. Les SKU avec moins d'un an de données n'ont droit qu'à des prévisions par analogie — ne forcez pas des modèles complexes sur eux.
2. Modélisation par niveaux : la précision pour les SKU stars, la simplicité pour la traîne
| Niveau de SKU | Part | Stratégie de modélisation |
|---|---|---|
| Top 20 % | 80 % du chiffre d'affaires | LightGBM / modèles de séries temporelles, réglage par SKU |
| Moyen 30 % | 15 % du chiffre d'affaires | Prévision au niveau catégorie, puis désagrégée |
| Traîne 50 % | 5 % du chiffre d'affaires | Modèles de demande intermittente façon Croston ; éviter simplement les ruptures |
Un seul modèle pour tout est l'erreur classique du débutant. Les SKU de traîne ont une demande clairsemée — les modèles complexes surapprennent, les simples restent stables.
3. Boucler la boucle : la prévision n'est qu'un point de départ
Une prévision n'est pas un bon de commande. La boucle complète compte cinq étapes : prévision → stock de sécurité (par niveau de service : 98 % pour les articles A, 90 % pour les articles C) → proposition de réapprovisionnement → revue humaine des seules exceptions (SKU variant de plus de 50 %) → réinjection du réel pour le réentraînement.
Le principe clé : les humains ne revoient que les exceptions. Les planificateurs regardent les 5 % de SKU que le système signale en rouge chaque jour au lieu de passer en revue 3 000 lignes — voilà à quoi ressemble vraiment l'effet de levier de l'IA : les machines gèrent 95 % du jugement de routine, les gens les 5 % qui comptent.
4. Métriques : surveiller le sens du biais avant l'erreur absolue
Utiliser la WAPE (erreur absolue moyenne pondérée en pourcentage) pour la précision globale, mais surveiller le sens du biais encore plus attentivement : la sur-prévision systématique construit du surstock, la sous-prévision systématique construit des ruptures. Trois mois d'affilée de biais dans le même sens au-delà de 5 % signalent un problème structurel dans les variables ou le modèle — le renvoyer en refonte, pas seulement ajuster des hyperparamètres.
Cas de terrain : WAPE de 38 % à 24 %
Un e-commerçant d'articles ménagers, 4 000 SKU, six mois après le lancement de la prévision de la demande par l'IA : la WAPE est passée de 38 % à 24 %, le taux de rupture de 6,2 % à 3,1 %, les rotations de stock en hausse de 0,8. Le principal contributeur n'était pas la sophistication du modèle — c'était la variable du calendrier promotionnel. Les planificateurs prévoyaient les promos de mémoire ; systématiser cela a divisé par deux l'erreur en période promo du jour au lendemain.
Pièges à éviter
- Ne forcez pas de modèles historiques sur les nouveaux SKU. Amorcer la première prévision depuis des SKU analogues, puis recalibrer vite dès les quatre premières semaines de ventes — mise à jour hebdomadaire.
- Modéliser les promotions séparément. La demande en période promo vit dans une autre distribution que la demande quotidienne ; les entraîner ensemble pollue la référence.
- Ne jamais brancher les prévisions directement sur la commande automatique. Garder une « porte d'exception » humaine — pour les cygnes noirs que le modèle n'a jamais vus (un succès viral sur les réseaux sociaux), les gens sont la dernière ligne de défense.
Plan de déploiement en 90 jours
Jours 1–30 : gouvernance des données. Assembler 2 ans d'historique de ventes, calendriers de promotions et séries de prix ; publier un rapport de qualité des données et compléter tout champ manquant à plus de 10 %. Livrables : inventaire des variables plus rapport de qualité des données.
Jours 31–60 : modélisation et backtesting. Construire des modèles par niveaux selon la classe de SKU et faire un backtest hors échantillon sur les 3 derniers mois — une WAPE sous 25 % sur les SKU stars est le seuil. Livrable : rapport de backtest.
Jours 61–90 : pilote et déploiement. Faire tourner 200 SKU stars en parallèle : le système propose, les planificateurs revoient, et les taux de rupture pilote vs. témoin sont comparés. Une réduction des ruptures pilote de 1,5+ point donne le feu vert au déploiement complet.
90 jours est le plancher ; les entrepôts aux fondations de données fragiles doivent prévoir 120. Mieux vaut aller lentement au début que refaire après le lancement — un projet de prévision refait met à zéro la confiance du métier dans l'IA.
Le nouveau flux de travail du planificateur : la division humain-machine
Après la mise en service de l'IA, les planificateurs ne disparaissent pas — ils montent en gamme :
- 30 minutes chaque matin : ne revoir que les SKU d'exception signalés par le système (variations de plus de 50 % ou alertes de rupture), en confirmant ou ajustant chacun. Sur 3 000 SKU, seuls 100–150 ont typiquement besoin d'un œil humain.
- 1 heure par semaine : lire le rapport de sens du biais. Deux semaines d'affilée de biais systématique à la hausse/à la baisse signifient une session conjointe avec l'informatique sur les variables — sans régler les modèles soi-même, mais en sachant quelles questions poser.
- Une demi-journée par mois : participer à la revue de backtest, suivre les tendances WAPE et les post-mortems de promos, et mettre à jour les étiquettes du calendrier promotionnel — l'apport humain le plus irremplazable : l'intuition métier.
Le rôle passe de « personne qui fait les calculs » à « personne qui pilote les modèles ». Les planificateurs qui résistent se font distancer ; ceux qui l'embrassent gèrent trois fois plus de SKU en solo. Inconfortable, mais vrai.
À retenir
La formule de terrain pour la prévision de la demande par l'IA : de bonnes variables battent les modèles sophistiqués, modéliser par niveaux, boucler la boucle avec des humains sur les seules exceptions, et surveiller le sens du biais. Dix points de WAPE en moins se convertissent directement en profit grâce à moins de ruptures et à des rotations plus rapides.
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
