Forstock : prévision fondationnelle pour lancer vite
Déploiement d'un portefeuille de modèles fondationnels pour lancer rapidement une brique de prévision sans dette technique. +25% vs naïf en backtest, livré en 3 semaines.
La situation
Forstock lançait son produit avec une contrainte non négociable : aller vite.
Le contexte data était peu favorable aux approches "sur-mesure" classiques : peu d'utilisateurs au départ, des séries mensuelles, des historiques courts, et une équipe data réduite. Dans ce setup, multiplier les pipelines, tuner des modèles client par client et empiler de la dette technique est une erreur prévisible.
Le besoin réel n'était pas "le meilleur modèle possible". C'était une prévision exploitable, déployable rapidement, et maintenable quand la charge allait monter.
L'objectif
- Fournir une capacité de prévision rapidement déployable
- Assez précise pour soutenir le produit dès le lancement
- Maintenable à long terme (pas dix pipelines différents)
- Adaptée à une montée en charge progressive
Ce qui rendait le problème difficile
- Séries mensuelles + historiques courts : peu de signal, beaucoup d'incertitude
- Scope e-commerce : prévisions au niveau SKU par client et entrepôt
- Contraintes d'exécution : équipe réduite, peu de temps pour maintenir des pipelines spécifiques
- Risque produit : si la brique prévision est instable, elle freine le lancement au lieu d'aider
L'approche
Plutôt que d'optimiser un modèle spécifique par client, mise en place d'un portefeuille de modèles fondationnels capables de généraliser avec peu d'historique. L'objectif n'était pas "le modèle le plus sophistiqué", mais le meilleur compromis vitesse, coût, précision et maintenance.
La solution livrée
- Portefeuille de modèles fondationnels : TimeGPT, TiRex, TimesFM
- Interface unique : un wrapper Python standardisant l'usage côté produit, avec un contrat d'entrée/sortie homogène
- Support des variables exogènes : prix, typologie produit, variables calendaires
- Contrôle explicite du compromis coût vs précision : choisir un modèle rapide/moins coûteux quand "suffisamment bon" est l'objectif, basculer vers un plus performant quand le contexte le justifie
Résultats
- +25% de performance vs un modèle naïf (Weighted RMSE en backtest)
- Une brique de prévision utilisable immédiatement côté produit
- Complexité de maintenance contenue grâce à une interface unifiée
- Flexibilité pour évoluer à mesure que Forstock gagne en utilisateurs
- Livré en 3 semaines