Wiki

(Définition communautaire Wikipédia : Prévision | Série temporelle)

Une série temporelle, ou série chronologique, est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps. De telles suites de valeurs peuvent être exprimées mathématiquement afin d'en analyser le comportement, généralement pour comprendre son évolution passée et pour en prévoir le comportement futur. Une telle transposition mathématique utilise le plus souvent des concepts de probabilités et de statistique. L’utilisation principale de ces prévisions est de piloter et d’aligner l’entreprise en fonction de ces anticipations.

 

 

 

 

Point de vue d'expert

Expert

Voici venu le temps de parler de prévision, en ce mois de juin, où vous achevez peut-être votre processus de prévision de vos congés d'été. Les plus avancés d'entre nous ont sûrement déjà prévu leur congé de Noël ! "Prévoir" est un acte banal de la vie de tous les jours, mais revêt un caractère particulièrement stratégique en entreprise et ce,  quel que soit le secteur d'activité.

La grande distribution prévoit ses volumes de ventes pour dimensionner ses achats et ses stocks notamment. L'industrie automobile va prévoir ses volumes de ventes, pour dimensionner sa production. L'industrie aéronautique va prévoir le trafic passager sur le long terme pour dimensionner ses  futurs avions ou ses aéroports. Le secteur de l'énergie, calcule des profils horaires de consommation pour optimiser sa production et ses achats d'électricité. Le ministère des finances va prévoir le montant des impôts perçus jour après jour, pour dimensionner ses emprunts. Un opérateur télécom va prévoir les appels entrants afin de dimensionner ses plateformes téléphoniques. Bref, on pourrait en citer encore beaucoup. Mais en définitive, la finalité est toujours la même : prévoir pour dimensionner, pour ajuster, pour piloter.

Pour autant, l'exercice de prévision se décline de multiples façons, suivant que l'on parle de prévision court terme ou de prévision long terme ; suivant que l'on prévoit un volume ou un montant ; suivant que l'on modélise du stock ou du flux ; suivant que l'on considère la maille temporelle heure, semaine  ou mois ... Les fonctions et profils qui ont la charge de prévoir, sont en conséquence très variés. On retrouve des statisticiens bien-sûr, mais aussi des ingénieurs, des informaticiens, des financiers, des contrôleurs de gestion, des « business analysts », ou encore des commerciaux ou des profils marketing… Il en va de même avec les techniques employées. Elles vont du plus sophistiqué au plus inavouable : l'expertise métier, la modélisation par série chronologique, la simulation, l'analyse de similarité, l'ajustement de courbe, la modélisation prédictive, la moyenne mobile, la projection, l'intuition, le lancer de dé, le copier-coller d'objectifs de vente, la prise de ses désirs du jour pour la réalité de demain, l'optimisation court terme de son P&L…

Les outils dans tout ça ?

Il y en a beaucoup et de nature très variée (ERP, APS, outils statistiques ...), mais c'est le tableur qui tient le haut du pavé. Connu de tous, et très répandu, il permet à tout un chacun de mettre des chiffres dans des cases, et donc de répondre à la question "combien et quand". Bien que certains arrivent à en faire des systèmes "aux petits oignons" (passons sur l'investissement en temps consenti), de manière générale quelles garanties offre-t-il  sur la sécurité de la données ? Sur la robustesse des méthodes ? Sur la réconciliation hiérarchique ? Sur l'archivage ? Sur l'automatisation du processus ? Sur la collaboration ? Sur l'unicité de la version validée ? Sur le traitement de grosse volumétrie ? Sur sa pérennité ? Restons-en là ...

Bien que la prévision soit hautement stratégique, et souvent politique, les moyens qui lui sont consacrés ne sont pas toujours à la hauteur des enjeux. Des outils inadaptés, et surtout des processus plus artisanaux qu'industrialisés, mettent la vie du prévisionniste sous pression. En plus d'être peu nombreux, les prévisionnistes ne sont pas des moutons à cinq pattes, en général. Par exemple un profil métier peut manquer de connaissance statistique, un statisticien de connaissance en informatique et un informaticien de connaissance métier ... Cette pression est accentuée lorsque le management fixe des objectifs de précisions élevés, et parfois même plus élevés que ce qu'il est statistiquement raisonnable d'attendre d'un historique donné. Il suffit de consulter ce graphique pour s'en convaincre. Un historique hautement volatile ne permettra pas de prévoir de façon aussi précise qu'un historique plus stable. Et que dire lorsqu'il n'y a pas d'historique du tout (produits nouveaux), ou que l'historique est "troué" ou n'est pas fiable (qualité de la donnée) ? Décidemment, la prévision en entreprise offre bien des challenges qui rendent sa pratique ardue.

 

Alors comment s'y prendre ?

Pour bien commencer, attachons-nous à la matière première : la donnée. Pas de haute gastronomie sans bons produits ! Eh bien, il en va de même avec la prévision. Il faut être capable de drainer l'ensemble des bases de données (disparates, il va de soi) qui contiennent l'information potentiellement pertinente (l'historique certes, mais aussi des indicateurs macro-économiques, les ruptures de stocks, la météo, le cours de l'action ...). Une fois récoltée, cette matière première est brute voire moribonde. Il faut donc être capable de lui faire subir toutes sortes de transformations sans pour autant suer à grosses gouttes : corriger les historiques (valeurs manquantes notamment), caler des historiques divers sur une même maille temporelle,  créer des nouvelles variables (par exemple changer une courbe de prix en une variable catégorielle "hausse, baisse,…" ), consolider un catalogue d'événements (une promotion, un volcan en éruption, …), réconcilier des référentiels disparates, créer plusieurs hiérarchies (géo>produit ou produit>géo). Il arrive aussi que des entreprises n'aient pas les informations pertinentes pour la prévision. Dans ce cas, une fois au clair sur l'ensemble des variables que l'on souhaite avoir, il faut influer sur les processus de l'entreprise (voire en créer de nouveau) pour que ces données émergent, de façon pérenne.

Une fois que l'on a amassé ce trésor de guerre ?

Eh bien c'est parti pour la visualisation interactive, et l'analyse des historiques. Dans certains secteurs, la visualisation des historiques pourrait être suffisante pour un expert métier. Au détail près qu'il  faudra dans ce cas, qu'il puisse naviguer sans contrainte dans une multitude de graphiques. Le statisticien, lui, va se lancer dans le diagnostic des historiques (décomposition tendance, saisonnalité) voire dans la segmentation des séries grâce à l'analyse de similarité, et construire des modèles ad hoc. Mais, quel que soit le ou les profils en charge des prévisions, le business de façon générale est aujourd'hui à un point de rupture : concilier volumétrie et « accuracy ». Autant une approche artisanale suffira si l'on a une centaine de séries à traiter, autant il faudra repenser le processus de prévision si l'on veut absorber les cadences folles du business qui portent plutôt à des milliers voire des millions la quantité de séries à traiter par semaine. Repenser le processus de prévision c'est aussi bien connaître les outils et solutions disponibles aujourd'hui.

Accompagnement

INBOX

Prévision et séries chronologiques par Franck Archer, Directeur pôle Banque, Finance, Assurance et Stratégie BI, Umanis Consulting

Depuis l’origine des organisations sociales, la prévision et l’anticipation des phénomènes sont à  l’origine de nombreuses découvertes et avancées pour nos sociétés : les réflexions sur l’avenir ne sont plus seulement curiosité ou rêve mais sont devenues une véritable nécessité.
L’analyse des séries chronologiques constitue un outil statistique de prévision à la disposition du conjoncturiste.

Une série chronologique est constituée par une succession d’observations faites à intervalles réguliers d’un même phénomène. L’analyse des séries chronologiques s’intéresse à son évolution au cours du temps dans le but de le décrire, l’expliquer et le prévoir.

Les séries chronologiques peuvent être décomposées en quatre composantes : la tendance (traduit le mouvement à long terme), les variations saisonnières, la périodicité et les variations irrégulières (le résidu). L’analyse d’une série chronologique consiste donc à faire une description mathématique de ces quatre éléments qui la composent.

Les champs d’application de l’analyse des séries chronologiques sont multiples : l’économie (prévision d’indices), la finance (évolution des cours de bourse), la médecine (analyse d’électrocardiogramme), la théorie du signal, la géophysique (analyse de données sismiques…), le traitement d’images, la consommation d’énergie…

Concernant les prévisions de consommation d’énergies telles que le gaz ou l’électricité, les données météorologiques, les signaux de prix, les données de consommation électrique ou de gaz sont autant d’exemples de séries chronologiques que les différentes entités de l’entreprise EDF ont besoin de prévoir à différents horizons de temps.

Il est intéressant d’analyser comment les méthodes de prévision de consommation d’électricité ont évolué pour s’adapter aux différentes évolutions du paysage électrique français par exemple : nous sommes en effet passé d’un contexte régulé et d’une situation de monopole pour EDF à un contexte dérégulé et concurrentiel, les moyens de productions décentralisés ont considérablement augmenté; les usages de consommation ont également profondément évolué.

L’introduction de variables exogènes dans les algorithmes de calculs permet donc aujourd’hui d’analyser et d’anticiper précisément les évolutions de consommation en période de récession ou de crise économique par exemple.

Visiter le site d'Umanis

La parole à l'utilisateur

Chico's FAS

Nestlé, ou comment les outils analytiques améliorent les prévisions de vente.

Dans un grand groupe comme Nestlé, prévoir les ventes futures est essentiel pour planifier la production, et in fine optimiser la performance. Comment les statistiques peuvent-elles contribuer à affiner ces prévisions ? Depuis 2012, Nestlé France recourt aux outils d'analyse statistique pour estimer au plus près les ventes de chaque produit et anticiper les décisions à prendre dans tous les domaines concernés par la supply chain : production, marketing, ventes et finance.

La prévision de la demande, un enjeu stratégique

Pour un groupe comme Nestlé, la prévision de la demande a toujours été un enjeu important pour planifier le niveau de production afin d'assurer l'approvisionnement de nos clients distributeurs tout en optimisant les coûts de stockage. Depuis une dizaine d'années, cette prévision a pris une importante croissante. D'abord parce qu'à l'exigence de qualité de service pour nos clients (le bon produit au bon moment et au bon endroit, et dans les bonnes quantités) s'est ajouté un enjeu de fraîcheur des produits. Ensuite parce qu'au-delà des enjeux opérationnels de supply chain, les prévisions de vente contribuent aussi à la définition de la stratégie commerciale et au pilotage financier de l'entreprise, en fournissant aux décideurs des informations aussi objectives que possible.

La performance des prévisions statistiques

Face à ces nouveaux enjeux, les modes de calcul de nos prévisions ont évolué. Pendant longtemps, les prévisionnistes - les « demand planners » - ont synthétisé « manuellement » toutes les informations externes (distributeurs) et internes sur les différents produits et familles de produits pour « sentir » au mieux l'évolution des marchés et évaluer les demandes futures.

En 2003, le Groupe s'est doté d'un système d'information incluant un module de prévision statistique (SAP-APO), basé sur une analyse fine des historiques de vente pour prévoir la demande future à court et moyen terme. L'expérience a montré que les prévisions statistiques pouvaient donner de meilleurs résultats que les prévisions manuelles pour les produits à faible volatilité. Les demand planners se sont donc progressivement emparés de cet outil, auquel ils ajoutaient leur expertise subjective.

Ce changement nous a permis d'améliorer la performance de nos prévisions - mesurée a posteriori en comparant avec la demande réelle sur un ou trois mois. Mais après quelques années, cette progression s'est ralentie. C'est alors que nous avons eu l'idée de renforcer nos prévisions statistiques en incorporant des outils analytiques, avec SAS Forecast Server. Un projet pilote a donc été lancé en 2012, en France et dans trois autres pays européens.

Les statistiques analytiques pour franchir un nouveau palier

Parce qu'ils sont adaptés au traitement d'un grand nombre d'articles, les outils analytiques nous permettent de franchir un palier dans l'automatisation des prévisions et de réaliser ainsi des économies d'échelle. Ils nous permettent aussi de travailler de façon cohérente quel que soit le niveau de détail observé, depuis le marché global jusqu'à une référence en particulier, avec la possibilité de descendre jusqu'au niveau du point de vente. L'autre atout décisif réside dans la possibilité d'intégrer des modèles causaux. Nous pouvons ainsi prendre en compte l'effet des promotions et autres rabais sur les variations de volumes dans l'historique de vente : c'est un élément déterminant pour certains produits, dont la volatilité rendaient difficiles les prévisions statistiques ! Nous avons donc réalisé une segmentation des produits, selon leur volume et leur volatilité, avec une approche différenciée pour chacun des segments : les produits à faible volatilité, par exemple, seront traités de façon très automatisée ; pour les produits à forts volumes et forte volatilité, en revanche, la statistique servira avant tout à fournir un point de repère qui devra être complété par d'autres expertises métier.

Des prévisions objectivées pour favoriser la prise de décision

La mise en place de l'outil s'est accompagnée d'une nouvelle organisation. Le traitement statistique est désormais assuré par une équipe de spécialistes, les « demand Analysts », qui transmettent leurs données aux demand planners. Déchargés de cette tâche, ces derniers peuvent se concentrer sur leur expertise marché et consacrer plus de temps aux produits critiques, qui combinent forts volumes et forte volatilité. En aval, ils représentent la supply chain dans les réunions de planification mensuelles avec les autres départements : production, marketing, ventes et finance. C'est là un rôle crucial, où les données issues des prévisions statistiques jouent un rôle important : parce qu'elles sont objectives, elles facilitent en effet la prise de décision par consensus - un élément essentiel de la culture managériale de Nestlé.

Des perspectives pour aller plus loin encore

Après des premiers résultats concluants, nous sommes passés en France à une phase de production. Il s'agira notamment de mettre en œuvre les modèles causaux, pour intégrer l'ensemble des drivers de la volatilité, qu'ils soient internes (promotions, campagne publicitaire, publicité, événement spéciaux...) ou externes - avec les données marchés Nielsen, par exemple. Les outils analytiques nous permettent en effet de structurer ces données et de travailler sur leur utilisation. En parallèle, nous pourrons développer la fonction de demand analyst en organisant des centres de compétences, et bien sûr mettre en place l'infrastructure SI correspondante à la prévision et aux processus associés. Un contrat mondial de cinq ans a été conclu avec SAS sur le sujet : ce n'est que le début !

Marcel Baumgartner, Global Lead for Demand Planning - Corporate Supply Chain, Nestlé
Fabretto Bottazzi, Regional Demand Planning, Nestlé Europe

Nestlé Basé en Suisse, Nestlé est le n°1 mondial de l'agro-alimentaire. Avec plus de 2 000 marques et 10 000 produits différents, le groupe ambitionne d'être reconnu comme la première société mondiale dans le domaine de la nutrition, de la santé et du bien-être, et comme la référence du secteur en termes de performance financière. Chaque jour dans le monde, il se vend 1 milliard de produits Nestlé.
Retour en haut