NE MANQUEZ AUCUNE ANALYSE - CLIQUEZ SUR CE MESSAGE POUR SUIVRE NOTRE PAGE LINKEDIN
sparkling ai

Les prévision pilotées par l’IA dans un environnement de données

Qu’ont en commun des fonctions internes aussi diverses que l’évaluation des risques, la planification des dépenses d’investissement et la planification des effectifs ? Chacune d’entre elles consiste fondamentalement à comprendre la demande, ce qui fait de la prévision de la demande un processus analytique essentiel. Dans un contexte de pression croissante pour améliorer la précision des prévisions, de plus en plus d’entreprises s’appuient sur les algorithmes d’IA, qui sont devenus de plus en plus sophistiqués pour apprendre à partir de modèles historiques.

Trop d’entreprises s’appuient encore sur des prévisions manuelles car elles pensent que l’IA nécessite des données de meilleure qualité que celles dont elles disposent.

L’application de prévisions pilotées par l’IA à la gestion de la chaîne d’approvisionnement, par exemple, peut réduire les erreurs de 20 à 50 % et se traduire par une réduction des ventes perdues et de l’indisponibilité des produits pouvant atteindre 65 %. En poursuivant le cercle vertueux, les coûts d’entreposage peuvent diminuer de 5 à 10 %, et les coûts administratifs de 25 à 40 %.

LIRE ÉGALEMENT Chaîne agroalimentaire : utilisation des données et des jumeaux numériques

Les prévisions automatisées pilotées par l’IA favorisent ces avantages en consommant des données en temps réel et en identifiant continuellement de nouveaux modèles. Cette capacité permet des actions rapides et agiles car le modèle anticipe les changements de la demande au lieu de simplement y répondre.
En revanche, les approches traditionnelles de la prévision de la demande nécessitent une mise à jour manuelle constante des données et des ajustements des résultats des prévisions. Ces interventions prennent généralement beaucoup de temps et ne permettent pas de répondre de manière agile aux changements immédiats des modèles de demande.

Pourtant, malgré les nombreux avantages de l’IA, les organisations ont été confrontées à des défis qui limitent son adoption. En 2021, une solide majorité – 56 % – des organisations interrogées ont déclaré avoir adopté l’IA dans au moins une fonction. Pour de nombreuses organisations, la disponibilité limitée des données – ou l’utilité limitée des données disponibles – reste un problème.

S’il est généralement vrai qu’un plus grand nombre de données peut améliorer les résultats, les expériences d’entreprises présentant des niveaux de qualité de données très disparates montrent que la plupart des organisations disposent de suffisamment de données pour tirer de la valeur des prévisions pilotées par l’IA. Il s’agit d’élaborer des stratégies spécifiques et exploitables pour appliquer ces modèles, même dans des environnements pauvres en données :

  • Choisir le bon modèle d’IA. Dans de nombreux cas, les modèles d’apprentissage machine (ML) peuvent tester et valider plusieurs modèles pour trouver le choix optimal, avec une implication humaine minimale.
  • Tirer parti des techniques de lissage et d’augmentation des données. Cette technique fonctionne lorsqu’une période au sein d’une série chronologique n’est pas représentative du reste des données.
  • Se préparer aux incertitudes des prévisions. Les outils sophistiqués de planification de scénarios qui permettent d’insérer un large éventail de paramètres peuvent être utiles lorsque les modèles de prévision n’atteignent pas une précision satisfaisante.
  • Intégration de données externes grâce aux API. Cette option est applicable lorsque des sources de données externes sont nécessaires pour renseigner les valeurs prévisionnelles.

Choisir le bon modèle d’IA

Disposer de plus de données historiques permet généralement d’établir des prévisions plus fiables. Les données historiques à long terme ne sont pas disponibles pour tous les cas. Dans de telles situations, une prévision réussie fournit des sorties raisonnables pour les cas dont la taille de l’échantillon est faible, tout en maximisant la précision des sorties pour les cas disposant de données historiques à long terme.

En outre, d’autres facteurs peuvent compliquer davantage le processus de prévision. Par exemple, les modèles de saisonnalité peuvent être très complexes, variant sur une base hebdomadaire, mensuelle et annuelle. Ces modèles peuvent également changer progressivement au fil du temps, en raison de différentes initiatives commerciales. De même, les tendances observées peuvent être incohérentes dans le temps et présenter de multiples points de changement.

L’essai d’une série de modèles présentant différents niveaux de complexité pour chaque ensemble de données a permis d’améliorer la précision des prévisions de près de 10 % pour le volume, et d’environ la moitié pour le temps d’attente moyen. Dans l’ensemble, cette approche prévisionnelle a permis de réduire les coûts de 10 à 15 %, tout en améliorant les niveaux de service de 5 à 10 %, notamment en accélérant le temps de transaction.

Tirer parti des techniques de lissage et d’augmentation des données

Souvent, les données de séries chronologiques sont influencées par des périodes anormales qui perturbent les tendances générales et rendent extrêmement difficile l’apprentissage et la prévision d’un modèle d’IA. Le lissage est une technique permettant de réduire la variation importante entre les étapes temporelles. Il supprime le bruit et crée un ensemble de données plus représentatif à partir duquel les modèles peuvent apprendre.
L’impact du lissage devient plus évident lorsque les données de la série chronologique sont affectées par un événement particulier dans le passé qui ne devrait pas se reproduire régulièrement à l’avenir.

L’objectif de l’entreprise était de prévoir les ventes dans ses magasins de détail. Bien que la baisse du volume des ventes en avril et mai semble avoir été un événement ponctuel, elle a considérablement affecté le processus d’apprentissage automatique. La période anormale présente des modèles de saisonnalité et de tendance complètement différents du reste de la série chronologique. Mais les modèles d’apprentissage automatique ne traiteront pas automatiquement cette période comme anormale. Au contraire, ils essaieront d’en tirer des enseignements en même temps que du reste de la série temporelle, en généralisant les modèles généraux. Dans cet exemple, la période anormale a perturbé le modèle, qui n’a pas été en mesure d’apprendre les modèles de saisonnalité intrinsèques comme prévu.

ai retail sales

Se préparer aux incertitudes des prévisions

S’appuyer uniquement sur des prévisions statistiques peut ne pas fournir la vision commerciale requise. Cela est particulièrement vrai pour les prévisions à long terme, car les événements inattendus qui affectent les tendances et la saisonnalité rendent plus difficile l’apprentissage à partir de modèles historiques. Étant donné l’incertitude inhérente à l’analyse des prévisions dans de tels cas, il est utile d’utiliser des scénarios de simulation.

Les scénarios d’hypothèses sont particulièrement importants lorsque les échantillons de données sont trop petits, ce qui rend la prévision avec un degré de confiance élevé presque impossible. Ils sont également utiles pour faire face à la grande incertitude des prévisions sur une période de temps très éloignée dans le futur.

Les outils de scénarios de simulation sont particulièrement utiles lorsque les modèles de demande et d’offre sont volatils et que plusieurs nouvelles initiatives commerciales se succèdent.

Intégration de données externes grâce aux API

Les données provenant de l’extérieur peuvent couvrir une grande variété de sources et de contenus, notamment l’activité des médias sociaux, le contenu du web, les transactions financières, les prévisions météorologiques, les données de localisation des appareils mobiles et les images satellite. L’incorporation de ces ensembles de données peut améliorer considérablement la précision des prévisions, en particulier dans les environnements où les données sont rares. Ces sources constituent une excellente option pour les entrées requises par les modèles pilotés par l’IA et créent des sorties raisonnables.

Les fournisseurs de données externes proposent souvent leurs services par le biais d’API, ce qui permet aux utilisateurs d’accéder facilement aux données et de les intégrer dans leurs processus actuels.

Après avoir appliqué les prévisions pilotées par l’IA à une multitude de secteurs d’activité avec différents paysages de données, les entreprises ont constaté une amélioration considérable des performances de leurs modèles par rapport aux prévisions traditionnelles et basées sur des feuilles de calcul. En tirant parti des techniques d’IA adaptées aux environnements légers en données, les entreprises peuvent améliorer considérablement leurs opérations.