La question qui détermine si le projet a du sens
Le point de départ n’est pas de savoir si l’IA peut prévoir la demande : elle le peut dans presque toute activité qui dispose de données historiques. La vraie question est de savoir si l’erreur de prévision actuelle engendre un coût mesurable, et si la réduire crée assez de valeur pour justifier l’investissement.
Si votre équipe de planification travaille avec le même MAPE qu’il y a trois ans, le problème ne vient probablement pas de la technologie : personne n’a chiffré ce que coûte l’erreur. Avant de juger de l’intérêt de l’IA, il faut calculer ce que coûtent les ruptures de stock, le capital immobilisé en stock de sécurité et les productions d’urgence. Ce montant fixe le plafond de la valeur disponible.
Évaluation de l’opportunité
La prévision de la demande par l’IA apporte le plus de valeur lorsque l’une de ces conditions est réunie : une demande très variable que les méthodes statistiques simples ne saisissent pas, de nombreuses références (SKU) aux comportements différents, difficiles à gérer manuellement, ou des variables externes importantes (saisonnalité, promotions, événements, météo) que l’équipe de planification intègre de manière inégale.
La difficulté consiste à chiffrer l’effet d’une meilleure prévision. Une baisse du MAPE qui paraît faible en valeur absolue peut avoir un effet très sensible sur le coût des stocks ou sur les ruptures, selon la marge et le coût d’immobilisation.
Données nécessaires
Historique de la demande. Il faut un historique propre, de préférence au niveau référence-site et avec une granularité hebdomadaire ou quotidienne. En règle générale, plus les données historiques couvrent de cycles saisonniers, mieux le modèle saisit ces comportements.
Variables externes. Les variables que l’équipe de planification utilise déjà à la main (promotions passées, calendriers d’événements, données de marché) doivent être disponibles sous forme structurée pour que le modèle puisse en tirer des enseignements. Si elles n’existent que dans la tête des personnes, la première étape consiste à les consigner.
Données propres. Les événements exceptionnels non représentatifs (ruptures qui faussent la demande enregistrée, commandes ponctuelles atypiques) doivent être signalés ou retirés de l’historique d’entraînement. Un modèle entraîné sur une demande qui inclut des ruptures apprend à sous-estimer.
Intégration à la planification. La prévision produite par l’IA doit parvenir au système où se prennent les décisions : ERP, APS, tableur de l’équipe. Sans cette intégration, le modèle tourne en parallèle sans effet réel.
Structure des coûts et complexité
Les postes de coût habituels sont la préparation et la validation des données historiques, le développement et le calibrage du modèle, l’intégration aux systèmes de planification, ainsi que le coût récurrent du suivi et du réentraînement périodique. Dans les projets de prévision de la demande, le coût d’intégration aux systèmes existants dépasse souvent celui du développement du modèle.
La complexité technique varie fortement selon le nombre de références, la granularité requise et la nécessité, ou non, d’intégrer des variables externes en temps réel plutôt qu’en traitement hebdomadaire par lots.
Évaluation des risques
Risque technique. Les modèles de prévision ont tendance à surajuster l’historique récent et peinent face aux changements de comportement (lancements de produits, nouveaux canaux de vente, perturbations du marché). Une bonne conception prévoit des mécanismes pour détecter le moment où le modèle n’est plus valable.
Risque d’adoption. Le principal risque n’est pas technique : c’est que l’équipe de planification continue d’utiliser ses méthodes habituelles et que le modèle d’IA tourne en parallèle sans peser sur les décisions. L’adoption suppose que le modèle soit durablement plus précis que le processus actuel et que les planificateurs fassent confiance au raisonnement du système.
Risque d’intégration. Un ERP aux données peu fiables produit des prévisions peu fiables. Si les données d’entrée sont dispersées entre plusieurs systèmes, le projet de prévision comporte implicitement une phase d’amélioration de la qualité des données, qui n’est pas toujours prévue dans le périmètre initial.
Indicateurs de réussite
- MAPE (erreur absolue moyenne en pourcentage) par rapport à la méthode de prévision actuelle, mesuré en production et non en backtesting
- Taux de service (% de commandes servies sans rupture) avant et après
- Jours de stock (DIO) et rotation des stocks
- Taux de rupture par catégorie
- Surstocks et pertes sur les produits à durée de vie limitée
Un point essentiel : le MAPE mesuré en backtesting est systématiquement meilleur que le MAPE en production. Séparer la période d’évaluation de la période d’entraînement et mesurer la performance réelle est indispensable pour fonder les décisions d’investissement.
Comment se crée le retour sur investissement
La prévision de la demande crée de la valeur par trois mécanismes : la baisse du stock de sécurité (même taux de service avec moins de stock immobilisé), la baisse des ruptures (ventes perdues aujourd’hui faute de produit disponible) et la baisse des productions d’urgence et des coûts logistiques exceptionnels.
Le retour réel ne se concrétise que si les prévisions de l’IA influencent les décisions effectives d’achat, de production et de distribution. Un modèle techniquement bon qui ne change pas les décisions opérationnelles ne rapporte rien.
Questions fréquentes
Quelle différence entre une prévision statistique et une prévision par l’IA ? Les méthodes statistiques classiques (ARIMA, Holt-Winters) modélisent la série temporelle de chaque référence de manière indépendante. Les modèles de machine learning et de deep learning peuvent apprendre des comportements communs à plusieurs références, intégrer des variables externes de façon non linéaire et mieux s’adapter aux demandes intermittentes ou irrégulières. L’écart de performance dépend du cas : pour des produits à demande stable et saisonnière, les méthodes classiques restent compétitives. Pour des catalogues de milliers de références aux comportements hétérogènes, le machine learning a un avantage structurel.
Le modèle doit-il être réentraîné en permanence ? Le réentraînement périodique fait partie de la maintenance normale de tout modèle de prévision. Sa fréquence dépend de la vitesse à laquelle évolue la demande : dans les secteurs où les lancements sont fréquents ou les promotions intenses, un réentraînement mensuel est courant. Ce coût de maintenance doit être intégré au calcul du retour sur investissement comme coût récurrent.