Comment booster vos prévisions de ventes avec le machine learning

Le machine learning intégré à la solution SAP IBP est un allié précieux pour aider les planificateurs à améliorer leurs prévisions de ventes, au travers d’une meilleure prise en compte des données d’historique, ainsi qu’une révision automatique des modèles de prévision et de la segmentation des produits.

SAP Integrated Business Planning (SAP IBP) est un puissant outil de planification avancée de la production. Une solution capable de s’appuyer sur la data pour optimiser la supply chain.

Accaparés par les urgences du quotidien, les demand planners n’ont toutefois souvent pas le temps de mener à bien les analyses qui leur permettraient d’optimiser la production. Le machine learning vient en renfort pour les aider dans ces tâches.

Time Series Analysis : pour les historiques de données

L’analyse des historiques de données est primordiale pour aider les planificateurs à se concentrer sur les produits et les clients les plus stratégiques et rentables pour l’entreprise. Au travers de la technique Time Series Analysis, il est possible de confier les données d’historique à un moteur de machine learning qui va analyser l’allure de la demande, afin de mettre en exergue certaines caractéristiques relatives à la façon dont les clients consomment tel ou tel produit.

L’avantage du machine learning réside dans sa capacité à détecter des corrélations qui échappent habituellement à la sagacité des analystes : par exemple, une saisonnalité de consommation mouvante, avec des pics parfois en juin, juillet ou août, suivant la météo de l’année. La détection d’une telle tendance par la machine permettra aux planificateurs d’y assigner un algorithme statistique de prévision adapté. Dans notre exemple, un modèle prenant en compte la saisonnalité des ventes.

Gradient Boosting of Decision Trees : pour les modèles de prévision

Faute de temps, les modèles de prévision ne sont que rarement remis en cause. Et pourtant, des paramètres exogènes peuvent radicalement influer sur les ventes. Des taux d’intérêt en baisse vont ainsi se traduire par une augmentation du nombre de permis de construire, et donc par une hausse des ventes de matériaux, meubles, équipements, etc. Il reste toutefois difficile d’estimer dans quelle mesure un tel paramètre va effectivement booster les ventes de l’entreprise.

C’est ici que le Gradient Boosting of Decision Trees entre en piste. Le machine learning va rapprocher l’historique du nombre de permis de construire avec celui des ventes de l’entreprise, afin de comprendre l’impact de cette variable sur les ventes passées, afin d’en tirer une projection pour le futur. Le Gradient Boosting permet ainsi d’évaluer le poids de chacune des variables susceptibles d’impacter les prévisions, qu’il sera alors possible d’intégrer (ou pas) dans le modèle de prévision de la demande de l’entreprise. La capacité d’apprentissage du machine learning permettra par ailleurs d’affiner ces paramètres au fil du temps, en réévaluant continuellement le poids de chaque variable dans le résultat final.

K-Means : pour la segmentation automatique des produits

La prédiction de la demande est toujours plus facile à réaliser lorsque les produits sont regroupés par catégories. En général, l’agrégation se fait par famille de produits. Toutefois, une segmentation optimale des produits peut prendre des formes inattendues. Certains produits faisant partie de la même famille peuvent en effet présenter des caractéristiques de ventes différentes. Y appliquer le même modèle statistique de prévision de la demande serait alors contre-productif.

Avec l’algorithme K-Means, la machine va se charger de définir une segmentation regroupant les produits dont les caractéristiques de ventes sont proches. Une méthode purement statistique, qui peut donner des résultats intéressants et permettre de détecter des tendances de segmentation qui auraient échappé aux planificateurs et qu’ils pourront adopter, si leur pertinence se confirme dans la durée.

Et bien d’autres usages…

Le machine learning et les techniques d’intelligence artificielle peuvent avoir bien d’autres usages pratiques. SAP IBP propose ainsi d’améliorer la qualité des master data au travers d’un moteur de machine learning. Ce dernier analyse les master data, afin d’y détecter certaines incohérences. Par exemple un numéro de lot qui comprendrait 12 ou 13 chiffres au lieu des 11 habituels, la présence d’espaces surnuméraires ou encore des fautes de frappe, comme « Pink » remplacé par « Pinque ».

Après avoir identifier des patterns dans les master data, le moteur de machine learning pourra de lui-même détecter ces anomalies, puis créer des rapports détaillés, afin d’avertir les utilisateurs concernés. Un outil clé pour aider à préserver la qualité des master data dans le temps.

Auteur : Thomas Cuvelier, SAP IBP & APO Consultant @TeamWork