Modèles de prévision de la demande pour entrepôts : séries temporelles vs machine learning, testés

Je commence par un coup de gueule : les suggestions de réassort d'Amazon ne remplaceront jamais une vraie prévision de la demande. Pendant la haute saison dernière, ça m'a dit de stocker 8,000 unités d'un SKU à succès. J'en ai stocké 6,000 — et j'en ai vendu 2,300. Le reste est resté quatre mois dans un entrepôt FBA, et rien que les frais de stockage faisaient mal. C'est ce jour-là que j'ai appris : pour planifier le stock, faites moins confiance à la plateforme qu'à vous-même, et moins confiance à votre instinct qu'à un modèle.

En 2025, notre catalogue est passé de 40 à 200 SKU et les commandes quotidiennes de 300 à 1,500. Planifier le stock dans Excel au pif s'est terminé exactement comme on s'y attend : le taux de rupture est monté à 12%, un produit phare est resté en rupture 21 jours, et j'ai vu un concurrent nous voler le badge Best Seller. Ces 21 jours ont coûté environ 9,000 commandes perdues. J'ai fait ce calcul. Ça fait encore mal.

Alors au Q1 2026, j'ai serré les dents et lancé de vrais modèles de prévision — séries temporelles et machine learning, en duel. La conclusion risque de vous surprendre.

Séries temporelles vs machine learning : d'abord le tableau comparatif de prévision de la demande

WAPE = erreur de prévision en part des ventes réelles ; plus c'est bas, mieux c'est. Nous avons fait tourner les deux sur les mêmes 120 SKU avec deux années complètes d'historique, même fenêtre de test. Combat équitable.

Lisez le tableau de biais : commencez par la ligne « appétit en données » — c'est la porte d'entrée ; la rater et rien d'autre ne compte. Puis « notre WAPE mesuré » — c'est le gain. Puis le coût de mise en route et de maintenance — c'est le prix. Porte × prix contre gain : faites ce calcul et le choix s'impose de lui-même.

Le machine learning a gagné de 6 points. Ça a l'air génial — mais faites le calcul complet avant de vous enthousiasmer : trois semaines de réglage et de travail sur les variables ; réentraîner après chaque grosse promo ou la précision glisse comme une action en chute libre ; et sur les SKU de longue traîne, le ML n'a amélioré la précision que de moins de 2 points — du pur théâtre.

Voilà donc notre vraie configuration : les 20 meilleurs SKU (70% du chiffre d'affaires) tournent sur XGBoost, actualisé chaque semaine. Les 100 autres roulent sur des moyennes mobiles plus 15% de stock de sécurité — dix minutes de travail. Les heures économisées sont allées négocier les délais de paiement fournisseurs — de 30 à 45 jours. Le cash-flow libéré vaut plus que ces 2 points de précision.

Quand ne pas toucher au machine learning

Voici la décision contre-intuitive : si vous êtes sous les ~100 SKU ou ~500 commandes par jour, le machine learning est un canon pour un moustique.

Pourquoi ? Le ML est une bête qu'on nourrit avec des données. Affamez-la et elle est pire que l'instinct. Nous avions un SKU de longue traîne vendant 400 unités par an — XGBoost a prédit avec assurance 1,200, parce qu'il a pris un mini-pic chanceux pour un motif. Pour des SKU comme ça, une honnête moyenne mobile gagne : stockez ce que vous vendez, plus 15% de stock de sécurité, terminé.

Deux autres catégories où même les séries temporelles ne peuvent rien : les produits nouveaux (pas d'historique — le modèle est aveugle) et les articles fortement saisonniers (les costumes d'Halloween ne se réveillent qu'en septembre, et la courbe de chaque année est différente). Sautez les modèles pour ceux-là. Observez le rythme de la catégorie, gardez un stock de sécurité généreux, et testez avec un premier petit lot.

Notre propre blague. En mars 2026, nous avons lancé un nouveau produit — zéro historique. XGBoost a quand même produit une assurée « première commande : 4,000 unités » basée sur des moyennes de catégorie. Je ne l'ai pas cru et j'ai commandé 1,500. Nous en avons vendu 900 ; les 600 autres ne sont toujours pas écoulées. Si j'avais écouté le modèle, 4,000 unités auraient aplati mon cash-flow. En phase de produit nouveau, la confiance d'un modèle est du pur théâtre. Premier petit lot, observez deux semaines de rotation, puis réapprovisionnez — ça bat n'importe quel modèle.

Une ligne : les données sont la nourriture du modèle. N'entretenez pas une bête que vous ne pouvez pas nourrir.

Ce qu'une mauvaise prévision de la demande coûte vraiment par an

Ruptures : un jour en rupture = unités quotidiennes × marge par unité. Notre SKU en rupture de 21 jours écoulait 430 unités par jour à environ $4 de marge — $36,000 de marge partis en 21 jours. Sans compter les dépenses publicitaires supplémentaires nécessaires pour remonter après la perte du rang Best Seller.

Surstock : frais de stockage longue durée FBA plus cash immobilisé. Ces 3,700 unités restantes sont restées quatre mois. Les frais de stockage étaient la petite part. La grosse : $6 de coût unitaire × 3,700 unités = $22,000 de cash gelé sur place — de l'argent dont j'avais besoin pour chasser de nouveaux produits pour la haute saison.

Comment ces 3,700 unités ont-elles fini ? Une baisse de prix de 30% et deux mois de déstockage. La marge est tombée à peu près à zéro, plus les dépenses publicitaires pour les écouler. Voilà la chaîne complète des coûts d'une mauvaise prévision : les ruptures perdent des commandes, le surstock gèle le cash, le déstockage tue la marge. Trois coupes, toutes profondes.

Donc chaque point de précision de prévision est de l'argent réel. Notre WAPE est passé de 18% à 12%, le taux de rupture de 12% à 7% — les commandes sauvées en un trimestre ont payé ces 3 semaines de travail sur le modèle avec beaucoup de reste.

Un mot rapide sur l'échelle : les vendeurs demandent souvent si le ML « se rentabilise ». Pour nous, le calcul n'a fonctionné que parce que 20 SKU portent 70% du chiffre d'affaires. Si votre chiffre d'affaires est réparti à plat sur 200 SKU sans tête claire, le coût du réglage mange le gain de précision. La concentration est ce qui fait que le canon vaut la peine d'être chargé.

Pièges : ne croyez pas tout ce que dit le modèle

Trois pièges, tous piétinés personnellement.

D'abord, ne faites pas confiance à la précision de démo. Les chiffres d'ajustement en échantillon sont des tigres de papier — magnifiques jusqu'à ce qu'ils rencontrent de vraies données futures. Ne regardez que les résultats de test hors échantillon ; tout le reste est du théâtre.

Deuxièmement, signalez séparément les anomalies comme Prime Day. En 2025, un SKU a vendu 20× son volume quotidien normal le Prime Day. Donnez ça au modèle sans le marquer et il pense que chaque jour est Noël — vous serez stocké jusqu'au plafond.

Troisièmement, chaque sortie du modèle passe par un humain. XGBoost dit de stocker 5,000 ; je le ramène à 3,500 — parce que le délai fournisseur est passé de 45 jours à 30 et que le modèle ne le sait pas. Les modèles comprennent les données ; ils ne comprennent pas la rue. Le dernier mot reste le vôtre.

Quatrièmement, nettoyez vos données avant de nourrir le modèle. Nos premiers runs mélangeaient retours et commandes annulées dans les « ventes » — le modèle a appris une demande 8% supérieure à la réalité, et chaque prévision est sortie trop lourde. Maintenant nous retirons retours et annulations avant chaque run hebdomadaire. Garbage in, garbage out — nulle part ce n'est plus vrai qu'en prévision.

Testé moi-même, ça marche. Machine learning pour les SKU de tête, moyennes mobiles pour la longue traîne, anomalies signalées séparément, et un humain signe chaque sortie — ces quatre règles m'ont coûté $36,000 de frais de scolarité. Un modèle de prévision n'est pas de la magie. C'est juste un collègue qui peut triturer des chiffres toute la nuit sans dormir. Et aussi bon soit le collègue, c'est toujours le capitaine qui tient la barre.

Par Ah K, vendeur e-commerce (5 ans)

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