Mon approche de la prévision de la demande

Au-delà des métriques

Quand on parle de prévision, la première question est souvent : "Quelle est la précision du modèle ?" C'est une question légitime, mais qui peut induire en erreur.

Un modèle avec une excellente MAPE ou un bon RMSE ne garantit pas qu'il sera utile pour le business. La vraie question devrait être : "Ce modèle permet-il de prendre de meilleures décisions ?"

Les pièges classiques

Optimiser la mauvaise métrique

Choisir une métrique de performance qui ne reflète pas l'impact business réel. Par exemple, minimiser l'erreur absolue moyenne quand le coût d'une sous-estimation est très différent du coût d'une surestimation.

Ignorer les contraintes opérationnelles

Construire un modèle qui donne des prévisions à un niveau de granularité inutilisable par les équipes terrain. Ou qui nécessite des données qui ne seront pas disponibles au moment de la décision.

Sur-complexifier

Empiler des couches de sophistication technique qui rendent le système difficile à maintenir et à débugger, sans gain de performance proportionnel.

Mon approche

Commencer par le problème métier

Avant de parler de modèles, je cherche à comprendre comment les décisions sont prises aujourd'hui. Quelles sont les contraintes ? Quels sont les coûts des erreurs ? Quel est l'horizon de décision ?

Établir une baseline solide

Avant toute chose, mesurer la performance des approches simples. Souvent, une moyenne mobile bien calibrée ou un modèle saisonnier basique donne déjà de bons résultats. C'est le point de référence pour évaluer l'apport de méthodes plus sophistiquées.

Itérer avec les utilisateurs

Les équipes qui vont utiliser les prévisions doivent être impliquées dès le début. Leurs retours permettent d'identifier rapidement les problèmes d'usage et d'ajuster la solution.

Mesurer l'impact réel

Au-delà des métriques techniques, suivre les indicateurs business : réduction des stocks, amélioration du taux de service, baisse des ruptures. C'est la validation ultime.

Conclusion

La prévision est un moyen, pas une fin. L'objectif n'est pas de construire le modèle le plus précis possible, mais de créer un système qui aide à prendre de meilleures décisions.

Cela demande de comprendre le contexte métier autant que les techniques de machine learning.