Diagnostiquer les erreurs de prévision
Reconnaissez les causes fréquentes d'une mauvaise prévision et appliquez la bonne correction.
Quand un produit présente une forte erreur de prévision, la première question n'est pas « quel devrait être le chiffre ? » mais « pourquoi la prévision est-elle fausse ? ». La plupart des erreurs viennent d'un petit nombre de causes, et beaucoup d'entre elles tiennent aux données dont le modèle apprend plutôt qu'au modèle lui-même. Cette page vous aide à nommer la cause et à choisir la correction.
Les trois causes les plus fréquentes
1. Une baisse de la demande que le modèle n'a pas encore intégrée
Ce que vous voyez : la demande reste plus basse depuis plusieurs mois, mais la prévision suit toujours l'ancien niveau.
Pourquoi cela arrive : Flowlity s'adapte vite à un changement durable, sauf quand la saisonnalité est forte. Le modèle apprend aussi de la même période des années précédentes : une baisse sur un mois qui était élevé l'an dernier met donc plus de temps à être intégrée.
Comment vérifier : dans le détail du produit du module Demande, activez Demande passée brute (N-1) et Demande passée brute (N-2) depuis la légende du graphique. Si les mêmes mois étaient élevés les années précédentes, c'est la saisonnalité qui maintient la prévision à un niveau élevé.
Que faire :
Vérifiez la cause avec l'équipe commerciale. Est-elle structurelle (client perdu, gamme déréférencée, produit arrêté) ou temporaire ?
Si elle est structurelle et liée à un produit arrêté, voir Fin de vie et remplacements de produits ci-dessous.
Si elle est structurelle et que le produit continue à se vendre au nouveau niveau, appliquez un modèle expert qui suit la demande récente, comme le Modèle moyenne des dernières périodes ou le Modèle moyenne + tendance, dans Stratégie de produit > Prédiction > Modèles de prévision. Cliquez sur Calculer la prévision pour voir le résultat avant le prochain calcul hebdomadaire.
Si elle est temporaire, laissez le modèle poursuivre et observez lors des revues suivantes à quelle vitesse il s'adapte.
2. Un lancement avec peu ou pas d'historique
Ce que vous voyez : un nouveau produit avec quelques semaines ou quelques mois d'historique et une Prédictibilité de la demande Faible ou Non. Souvent, une nouvelle version ou une nouvelle couleur qui remplace un produit plus ancien.
Que faire :
Pour un produit entièrement nouveau, appliquez le modèle expert Modèle de lancement : il apprend le profil de lancement de produits similaires, choisis par Flowlity ou par vous.
Pour un produit qui en remplace un plus ancien, liez l'ancien produit comme produit similaire pour que le modèle puisse reprendre son historique. Voir Similarités produits.
3. Un historique anormal
Ce que vous voyez : des semaines qui ne reflètent pas la demande normale, comme une baisse due à une rupture de stock, un pic ou un creux ponctuel, ou une promotion passée.
Que faire : vérifiez les corrections apportées par l'agent d'anomalies de demande pour les ruptures, les valeurs anormales et les promotions passées : conservez-les, modifiez leur valeur ou supprimez-les, et ajoutez les vôtres avec Ajouter un ajustement de la demande passée. Voir Analyser et corriger les anomalies de demande. Confirmez la cause avant de nettoyer : une vraie commande ponctuelle est une demande réelle, pas du bruit.
Autres situations à reconnaître
Fin de vie et remplacements de produits
Ce que vous voyez : un produit important dont la demande tombe presque à zéro après une longue période stable, alors qu'il ne reste qu'un ou deux produits dans sa famille.
Pourquoi cela arrive : le produit a été arrêté ou remplacé, mais l'information n'est pas parvenue jusqu'à Flowlity. L'ancien produit garde une prévision, et le nouveau démarre sans historique.
Que faire :
Définissez la date de Fin de vie de l'ancien produit dans Stratégie de produit > Prédiction, pour qu'il cesse de piloter le plan. Pour plusieurs produits, sélectionnez-les et utilisez ⋮ > Modifier la stratégie de produit > Modifier le cycle de vie. Une automatisation peut aussi ajuster le cycle de vie de façon planifiée.
Liez le produit de remplacement à son prédécesseur comme produit similaire, ou demandez à votre contact Flowlity de transférer l'historique.
Vérifiez le stock restant du prédécesseur quand vous validez des commandes pour le produit de remplacement : dans Planification, la série Stock des produits similaires l'affiche.
Si les remplacements sont fréquents, convenez d'un processus régulier avec votre contact Flowlity (par exemple un rechargement plus fréquent de l'historique) plutôt que de corriger les produits un par un.
Cannibalisation par une nouvelle variante
Ce que vous voyez : une nouvelle édition ou variante progresse pendant qu'une variante existante recule. Chaque SKU présente une forte erreur, mais le total de la famille est proche de la prévision.
Que faire : jugez la précision au niveau de la famille ou du modèle pour ces produits : dans la liste Demande, cliquez sur Grouper > Ajouter un groupe et regroupez par la catégorie de tags famille pour lire le sous-total de la famille. Liez la nouvelle variante à la variante existante. Si les nouvelles éditions font normalement partie de votre modèle commercial, conservez ce regroupement dans votre vue de revue.
Une baisse sur toute une catégorie
Ce que vous voyez : la demande baisse sur toute une catégorie en même temps, sans rupture de stock.
Que faire : vérifiez avec l'équipe commerciale si la cause est externe (situation économique, événement majeur, évolution du marché) et si elle est ponctuelle ou durable. Si une perturbation similaire est attendue à nouveau sur une période connue, créez un événement de prévision pour cette période. Voir Créer et appliquer des événements de prévision.
Une baisse inexpliquée
Ce que vous voyez : une forte baisse sur un produit sans rupture de stock, alors que des produits similaires de la même famille sont bien prévus.
Que faire : notez-la et demandez à l'équipe commerciale ou au contrôle des ventes s'il y a une raison, comme une action commerciale, un changement chez un client ou une décision de prix. S'il y a une cause systématique, l'équipe de planification doit en être informée pour la prochaine prévision. Si elle est vraiment aléatoire, elle ne peut pas être prévue et ne doit pas entraîner de changements dans votre processus.
Aide-mémoire
Demande plus basse depuis des mois, prévision toujours haute
Baisse pas encore intégrée
Équipe commerciale, superpositions N-1 / N-2
Attendre et surveiller, ou traiter comme une fin de vie
Demande plus basse depuis des mois, pas de saisonnalité
Changement durable
Superpositions N-1 / N-2
Modèle expert sur la demande récente
Peu d'historique, faible prédictibilité
Lancement ou remplacement
Modèle de lancement ou produit similaire défini ?
Modèle de lancement, ou lier le prédécesseur
Semaines à zéro ou basses, puis reprise
Rupture de stock
Correction de rupture
Conserver ou modifier la correction
Pic ou creux isolé
Valeur anormale ou commande ponctuelle
Correction de valeur anormale, équipe commerciale
Conserver, modifier ou supprimer la correction
Demande proche de zéro après une période stable
Fin de vie ou remplacement
Stratégie de produit, famille de produits
Définir la fin de vie, lier le successeur
Une variante en hausse, une autre en baisse
Cannibalisation
Total au niveau de la famille
Revue au niveau de la famille
Toute une catégorie en baisse
Événement externe
Équipe commerciale
Événement de prévision s'il se reproduit
Forte baisse, pas de rupture, produits voisins corrects
Inconnue
Équipe commerciale ou contrôle des ventes
Noter et faire remonter
Pages associées
Réaliser une revue de la précision des prévisions : la place du diagnostic dans la routine de revue.
Analyser et corriger les anomalies de demande : ruptures, valeurs anormales et promotions passées.
Similarités produits : reprendre l'historique pour les remplacements.
Demande : modèles experts, Stratégie de produit et Calculer la prévision.
Événements de prévision et ajustements de la demande : comment les événements et les corrections modifient la prévision.
La prévision de la demande expliquée : comment le modèle apprend de l'historique.
Mis à jour