Quand une prévision de demande se trompe, la pire chose à faire est de se disputer sur la faute de qui c'est. J'ai vu cette dispute se jouer entrepôt après entrepôt : la planification accuse le système, l'équipe système accuse les données sales, et pendant ce temps les rayons se vident et le stock lent continue de s'accumuler. Voici mon verdict d'emblée : la plupart des prévisions manquées peuvent être ramenées aux données ou au modèle en quatre vérifications, et dépenser de l'argent pour le mauvais est pire que de ne rien dépenser du tout.

Prévision de demande inexacte ? Quatre vérifications qui distinguent les données du modèle

En 2021, je travaillais avec un entrepôt tiers près de Los Angeles, et un client d'articles pour la maison est tombé droit dans le piège classique. Deux semaines avant le Black Friday, la prévision disait qu'une lampe de table se vendrait environ 800 unités par jour, alors l'entrepôt a stocké et doté le personnel en conséquence. Le premier jour des soldes, à peine 300 unités se sont vendues. Le deuxième jour, rupture de stock — parce que le vrai pic était concentré dans les premières 48 heures de la promotion, et que la prévision avait étalé ce volume uniformément sur toute la semaine. L'analyse a posteriori a trouvé deux coupables partageant la faute : le modèle était alimenté par un historique agrégé à la semaine, donc il ne pouvait jamais voir le pic d'ouverture, et les données de la promotion de l'année précédente ne mentionnaient pas que le client avait changé le prix en cours d'événement. Un trou dans les données, un grain erroné dans le modèle. Les chiffres qui suivent sont une estimation illustrative : cette seule catégorie a terminé la semaine avec environ 40% de surstock, et le reliquat a mis plus de deux mois à s'écouler.

Il existe une façon bête et fiable de poser le diagnostic. D'abord, regardez l'historique lui-même : y a-t-il des trous dans les relevés de ventes, les promotions sont-elles étiquetées, les retours et les transferts sont-ils mélangés aux ventes ? Ensuite, regardez la granularité : la prévision est-elle quotidienne ou hebdomadaire, par SKU unique ou agrégée par catégorie ? Troisièmement, regardez les variables externes : prix, promotion, saisonnalité, changements de canal — sont-elles vraiment dans le modèle, ou ne fait-il que projeter les chiffres de l'année dernière ? Quatrièmement, regardez la queue : le volume est-il concentré sur quelques SKU vedettes ou étalé sur une longue traîne ?

Symptôme Le plus probable Ce que l'entrepôt vérifie d'abord
Chaque promotion fait exploser la prévision Données : promotions et changements de prix jamais enregistrés Si les fichiers de promotion et les journaux de changement de prix sont complets
Correct presque toute l'année, faux à chaque changement de saison Modèle : saisonnalité non captée Si les facteurs saisonniers sont calculés ou estimés à la main
SKU vedettes corrects, longue traîne purement devinée Modèle : la longue traîne ne peut pas être modélisée SKU par SKU Si les SKU de traîne devraient être prévus par groupes
Même SKU précis un mois, faux le mois suivant Données : délais et réceptions sont désordonnés Si les délais d'achat reflètent la réalité

Les problèmes de données sont lents à corriger et la correction tient. Les problèmes de modèle se changent vite et s'aggravent facilement. Ma règle est de corriger d'abord les données — un bon modèle tournant sur des données sales, c'est pêcher en eaux troubles.

Quand la prévision de demande est fausse, ce que fait l'entrepôt

Une prévision sera fausse. C'est la prémisse, pas l'accident. La vraie compétence de l'entrepôt n'est pas de rendre la prévision parfaite ; c'est de ne pas tomber en rupture de stock et de ne pas inonder le sol quand la prévision se trompe. En 2024, j'ai aidé un distributeur de pièces automobiles à revoir son exploitation. Plus de 70% de ses SKU étaient des articles de longue traîne, dont beaucoup se vendaient à un chiffre par mois — aucun modèle ne peut les prévoir un par un avec honnêteté. Leur réponse n'a pas été de lutter contre la prévision, mais d'intégrer le filet de sécurité dans la politique : les articles de traîne étaient stockés sur les ventes réelles des 90 derniers jours plus une marge dimensionnée au coût d'une rupture de stock, tandis que seuls les articles vedettes suivaient la prévision, revue chaque semaine. Pendant la haute saison cette année-là, les ruptures de stock des articles vedettes ont baissé et le stock mort des articles de traîne a cessé de croître. Les chiffres ici sont une estimation illustrative : détenir deux unités supplémentaires d'un article de traîne coûte quelques dizaines de dollars ; une rupture de stock peut coûter toute la commande. L'entrepôt doit savoir faire ce calcul.

Le filet de sécurité compte quatre éléments. Un, arrêtez de fixer le stock de sécurité avec une seule règle pour tout : échelonnez-le par catégorie et par coût de rupture de stock — les articles chers, urgents et irremplaçables reçoivent plus de couverture ; les articles bon marché et faciles à réapprovisionner, moins. Deux, raccourcissez le cycle de réapprovisionnement : moins vous faites confiance à la prévision, plus vous réapprovisionnez souvent, pour que chaque erreur coûte moins cher. Trois, utilisez des seuils de déclenchement au lieu de plans fixes : quand les ventes réelles s'écartent de la prévision au-delà d'un seuil, un humain intervient maintenant, pas à la revue de la semaine prochaine. Quatre, laissez une porte ouverte aux dérogations manuelles — l'équipe de terrain connaît les promotions et les changements de clients avant tout système — et consignez chaque dérogation pour pouvoir voir ensuite qui avait raison.

Voici la partie contre-intuitive : quand les prévisions ne sont pas fiables, détenir un peu de stock supplémentaire coûte parfois moins cher qu'acheter un meilleur modèle. Je ne vous dis pas de thésauriser. Je vous dis de peser. L'étude 2026 d'IHL Group sur la distorsion des stocks évalue les pertes mondiales dues aux ruptures de stock et au surstock à environ $1.7 trillion, soit environ 6.2% des ventes totales du commerce de détail — les ruptures de stock en représentent 65.6%, et les rayons vides à eux seuls coûtent environ $690.9 billion. Et 78% des détaillants sont confrontés à des stocks inexacts chaque semaine ou chaque mois. Le coût d'une rupture de stock est réel, et celui d'une mise à niveau du modèle l'est aussi. Mettez les deux sur la balance avant de décider.

La question de l'IA : ce que cela coûte avant ce que cela fait économiser

Donc, la prévision par IA. Oui, elle peut consommer plus de variables — promotions, météo, élasticité des prix. Mais chaque solution a deux faces, et celle-ci ne fait pas exception : le vrai coût n'est pas l'achat du logiciel, c'est de préparer les données et de les entretenir ensuite. Donnez à une IA des données sales — promotions non étiquetées, délais périmés — et vous obtiendrez des résultats sales, seulement mieux habillés.

Jugez-la avec une règle : le MAPE. Les lignes de référence couramment utilisées sont moins de 10% excellent, 10–20% bon, 20–35% typique, et au-dessus de 35% cela signifie que quelque chose doit être examiné. Mesurez d'abord où vous en êtes. Si vos catégories principales se situent déjà dans la bande 10–20%, gagner quelques points de plus grâce à l'IA ne se rentabilisera probablement pas. Si vous êtes bloqué au-dessus de 35%, vérifiez les données avant d'acheter quoi que ce soit — au-dessus de 35%, c'est généralement un problème de données, et l'IA ne le sauvera pas. Et mesurez le ROI correctement : non pas « de combien la prévision est plus précise », mais « combien de ruptures de stock en moins, combien de stock détenu en moins, combien de main-d'œuvre de réapprovisionnement d'urgence en moins ». Ces trois éléments ensemble constituent le vrai retour. Une estimation illustrative : un entrepôt qui effectue une douzaine de transferts d'urgence par mois, chacun brûlant une demi-journée de main-d'œuvre plus du fret accéléré, économise souvent davantage en les réduisant qu'en grignotant quelques points de MAPE.

Un dernier conseil : ne croyez pas l'argument selon lequel l'IA signifie plus d'humains. J'ai vu trop d'équipes confier entièrement la prévision au système, cesser de regarder les chiffres, et découvrir deux mois plus tard que le modèle avait discrètement dérivé. L'IA calcule plus vite. Elle n'assume pas la responsabilité. La personne qui parcourt le sol, si.

Une prévision manquée n'est pas le désastre. Ne pas savoir pourquoi elle a manqué, et ne rien avoir pour rattraper l'erreur, c'est cela le désastre. Distinguez données et modèle, construisez le filet de sécurité, et seulement ensuite parlez d'IA. À quelle étape votre entrepôt est-il bloqué ?

Par Lao Mi, vétéran de la chaîne d'approvisionnement (20 yrs)

Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.