Adaptez votre méthode de prévision à la décision en jeu

Les entreprises utilisent les prévisions à de nombreuses fins, allant de la budgétisation financière à la planification de la production ou de la main-d'œuvre à la gestion des stocks. Chacune de ces décisions peut nécessiter un type de prévision différent. Par conséquent, avant de vous lancer dans les données et le modèle, il est important de comprendre d'abord le but de la prévision et comment elle peut améliorer les décisions. Pour ce faire, il est utile de poser les questions suivantes.

Quel est le rôle de l'incertitude?

L'incertitude imprègne toutes les prévisions, mais le niveau et l'importance de l'incertitude varieront selon les applications. Pour une prévision de croissance du marché, l'incertitude informe des risques pour chaque choix stratégique, nous devons donc l'intégrer complètement dans le processus de prévision. Pour la gestion des stocks, l'incertitude de la demande porte sur la question de savoir si une entreprise atteindra le niveau de service souhaité. Pour la tarification, les décisions sont généralement prises à un niveau agrégé, de sorte que la taille de l'incertitude diminue et est moins importante. Les résultats des prévisions peuvent être des prévisions ponctuelles sans incertitude, des résultats probabilistes avec plusieurs intervalles de prédiction ou des résultats de prévision basés sur des scénarios correspondant à différents niveaux d'incertitude.

Quelle demande essayez-vous de prévoir?

Bien que nous parlions couramment de prévision de la demande, la plupart du temps, nous ne pouvons pas observer la demande réelle en raison des limites du monde réel. Un détaillant perd des ventes en raison de ruptures de stock ou de mauvais assortiments. Un fabricant ne remplit pas toutes les commandes en raison de limites de capacité de production ou de pièces rares. Par conséquent, les quantités que nous observons, telles que les commandes ou les expéditions, peuvent être inférieures à la demande réelle.

Bien que la demande réelle soit difficile à observer, nous pouvons parfois l'estimer en combinant différentes quantités observées et ensuite prévoir une telle demande réelle estimée, c'est-à-dire une prévision sans contrainte. À d'autres moments, nous n'avons pas besoin de prévoir la demande réelle; il suffit de prévoir la demande contrainte observée, c'est-à-dire une prévision contrainte. Par exemple, la planification de la production mérite une prévision sans contrainte car l'organisation peut prendre des mesures pour répondre à la demande réelle. En revanche, une prévision contrainte a du sens pour le ciblage des ventes ou la projection financière, car il est inutile de planifier une demande que vous ne pouvez pas satisfaire.

Nous avons récemment aidé une entreprise d'équipement industriel à améliorer le processus de planification de la production et de la sous-location d'équipement. Auparavant, la société avait prévu la probabilité de ventes en fonction de l'historique du projet, qui consiste en des opportunités réalisées - une demande contrainte. En passant à une prévision de la probabilité de ventes à différents niveaux d'opportunité, la société a réalisé des millions de dollars d'économies grâce à une meilleure utilisation des équipements et une meilleure gestion du fret et des stocks.

Quelles informations devez-vous prendre en compte?

Pour une prévision de croissance du marché, des facteurs externes tels que la macro-économie, les politiques gouvernementales et les décisions des concurrents ont tendance à avoir une grande influence. Pour la gestion des revenus, des facteurs internes tels que les prix et les promotions se combineront à des facteurs externes tels que le comportement des concurrents pour influencer les revenus. Pour les prévisions de niveau opérationnel, les facteurs internes sont généralement les plus importants.

Comment voulez-vous interpréter les prévisions?

Pour la tarification, l'effet du prix sur la demande ou les ventes est évidemment critique pour les décisions, de sorte que les prévisions doivent inclure un modèle explicite pour capturer ces relations. Pour l'inventaire, les facteurs qui stimulent la demande n'affectent généralement pas la décision, de sorte qu'une entreprise peut utiliser des modèles interprétables ou des modèles de boîte noire.

Quelles valeurs de prévision sont préférables?

Pour une demande intermittente, c'est-à-dire une demande faible entrecoupée de périodes de demande nulle, les prévisions pourraient être soit un mélange de zéros et de non-néros, soit de petites valeurs stables proches de zéro. Pour la planification des marchandises, les deux méthodes fonctionneraient, mais pour la gestion des stocks, cette dernière fonctionne généralement mieux car elle faciliterait le réapprovisionnement et réduirait les coûts associés à la variabilité du réapprovisionnement.

Comment mesurez-vous les performances des prévisions?

La mesure des performances des prévisions n'a de sens qu'au niveau de la décision. Cela s'applique au niveau hiérarchique, par exemple, le réapprovisionnement des stocks au niveau de la référence SKU en magasin. En raison de la nature bruyante des données à ce niveau, nous pouvons les modéliser à un niveau légèrement supérieur de la hiérarchie, tel que le niveau SKU-dans-région, puis désagréger la prévision de haut niveau jusqu'au niveau bas. Dans ce cas, la mesure de la performance des prévisions au niveau de la modélisation n'a pas de signification réelle; il s'agit plutôt d'un sous-produit du processus de prévision.

En ce qui concerne le niveau de fréquence temporelle, un exemple est la planification du travail pour chaque quart de travail. Parfois, nous modélisons la demande à une fréquence différente: si le quart de travail est de huit heures, nous pouvons modéliser la demande horaire, tandis que si le quart est en semaine ou en week-end, nous pourrions modéliser la demande quotidienne. Ensuite, nous convertissons les informations de prévision de la demande à la fréquence de temps de modélisation en fréquence de décalage, en utilisant des méthodes de demande de pointe ou de demande moyenne pendant la période de décalage. La précision des prévisions pendant la fréquence temporelle de modélisation est moins utile que la précision pendant la fréquence temporelle concernant les cadres qui prendront des décisions en matière de planification du travail.

Le point central à garder à l'esprit est que la prévision ne peut aider à améliorer les décisions commerciales que si la méthode de prévision convient à la décision particulière à prendre.