La prévision de la demande est l’un des cas d’usage de l’IA les plus demandés par les entreprises industrielles, commerciales et agroalimentaires. C’est aussi l’un des plus souvent mal compris, tant dans ses capacités que dans ses limites.
Cet article explique comment fonctionne concrètement la prévision de la demande par l’IA, ce qui la distingue des méthodes traditionnelles, les conditions que l’entreprise doit réunir pour qu’elle donne de bons résultats, et ce qui se passe lorsque la demande suit des schémas que le modèle ne peut pas saisir.
La vraie différence avec les méthodes actuelles
La prévision de la demande n’est pas un problème nouveau. Beaucoup d’entreprises la pratiquent déjà : avec des tableurs, des moyennes mobiles ou l’expérience du responsable des achats, qui connaît bien la saisonnalité de l’activité.
Les modèles d’IA de prévision de la demande font mieux que ces méthodes sur trois points précis :
La capacité à intégrer de multiples variables. Les méthodes traditionnelles captent bien la saisonnalité et la tendance historique. Les modèles de machine learning peuvent intégrer des dizaines de variables supplémentaires qui influencent la demande : météo, calendrier des événements, données économiques, promotions en cours, prix de la concurrence, cycle de vie des produits. Plus le modèle peut traiter de variables pertinentes, plus la prévision est précise.
La détection automatique de schémas complexes. Un modèle de machine learning peut repérer que la demande d’un produit dans une zone donnée augmente le lundi lorsqu’il a plu le dimanche et qu’un match de football a lieu le samedi suivant : une combinaison de facteurs qu’aucun analyste ne relierait manuellement. C’est sur ces relations non linéaires que l’IA apporte le plus par rapport aux méthodes statistiques classiques.
Une prévision plus fine. Les méthodes traditionnelles prévoient généralement par famille de produits ou par catégorie. Les modèles d’IA peuvent prévoir par référence (SKU), par magasin ou par canal de vente, ce qui permet une gestion des stocks bien plus précise.
Quand la prévision par l’IA fait nettement mieux que les méthodes actuelles
L’IA appliquée à la prévision de la demande a le plus d’impact lorsque :
L’activité connaît une forte variabilité de la demande que les méthodes actuelles captent mal, avec à la clé des surstocks ou des ruptures fréquentes. L’entreprise gère individuellement un grand nombre de références. Des variables externes influencent clairement la demande, sans que les méthodes actuelles les intègrent de façon systématique. L’historique des ventes est assez long pour que le modèle apprenne les cycles saisonniers.
Dans d’autres situations, le gain est moindre : activités à demande très stable et prévisible, où les méthodes actuelles sont déjà précises, ou activités à demande très volatile ou fortement dépendante de facteurs imprévisibles (comme la météo, lorsque l’activité y est très sensible).
Le rôle des données : la variable qui pèse le plus sur le résultat
La qualité de la prévision dépend directement de la qualité de l’historique des ventes. Voici les problèmes qui dégradent le plus souvent la précision des modèles :
Des ventes qui ne reflètent pas la demande réelle. S’il y a eu des ruptures de stock sur la période historique, les ventes de cette période sous-estiment la demande réelle. Le modèle apprend à partir des ventes enregistrées, non de la demande qui existait, ce qui peut introduire un biais systématique à la baisse.
Des événements exceptionnels non signalés. La pandémie, une défaillance logistique, une promotion exceptionnelle : si ces événements ne sont pas identifiés dans l’historique, le modèle les interprète comme un comportement normal et risque de les apprendre à tort.
Des évolutions de produits ou de marché non prises en compte. Si la gamme de produits a sensiblement changé, l’historique des produits retirés peut ne pas être représentatif de la demande future des nouveaux.
La mise en œuvre : des données au système en production
La mise en place d’un système de prévision de la demande suit des phases bien définies. La première, l’audit des données, est celle qui détermine le plus le périmètre et la complexité du projet. La deuxième, le développement et la validation du modèle, est la phase technique. La troisième, l’intégration aux systèmes de planification (ERP, outils d’achat, systèmes de production), est celle qui boucle la chaîne de valeur.
Un modèle de prévision qui n’est pas relié aux systèmes où se prennent les décisions d’achat ou de production produit des rapports qu’il faut ressaisir manuellement : c’est utile, mais cela ne transforme rien. C’est l’intégration directe au système de planification qui permet de convertir la prévision en recommandations de commande automatiques.
Questions fréquentes
Le modèle peut-il bien prévoir sans historique (nouveaux produits, nouveaux marchés) ? C’est l’une des difficultés les plus courantes. Pour les nouveaux produits, on peut transférer l’apprentissage de produits similaires existants. Pour les nouveaux marchés, on peut s’appuyer sur les données de marchés comparables. Mais une prévision sans historique propre comporte toujours une incertitude plus forte, que les modèles bien conçus indiquent explicitement avec la prévision.
Que se passe-t-il lorsque la demande change de façon structurelle (crise, mutation du marché) ? Les modèles apprennent à partir des données historiques. Un changement structurel sans précédent dans l’historique, comme une pandémie ou une rupture de marché inédite, fait perdre de la précision au modèle jusqu’à ce qu’il soit réentraîné sur les données de la nouvelle période. Les systèmes bien conçus intègrent des mécanismes de détection de dérive (drift) qui alertent lorsque le modèle prévoit mal.
La prévision par l’IA peut-elle remplacer l’expertise de l’acheteur ? Elle ne la remplace pas, elle la complète. L’acheteur connaît un contexte que le modèle ignore : la négociation avec un fournisseur qui peut modifier les délais, l’événement local qui va stimuler les ventes cette année alors qu’il n’a pas eu lieu l’an dernier, l’information de marché qui ne figure pas dans les données historiques. Le dispositif le plus efficace combine la prévision du modèle et le jugement de l’expert.