Les prévisions sont-elles utiles à long ou court terme ?

Le pilotage de la supply chain a recours à des prévisions, implicites ou explicites.

Dimensionner un stock sur base de consommation moyenne passée suppose que la consommation future ressemblera à cet historique, c’est donc une prévision implicite.

On ne va pas se mentir, personne ne fait confiance aux prévisions. Tout le monde sait bien que la réalité de la demande diffèrera des prévisions.

Le Demand Driven Institute souligne que :

• Les prévisions sont fausses
• Plus elles sont éloignées dans le temps, plus elles sont fausses
• Plus elles sont détaillées, plus elles sont fausses

Mais à quel horizon les prévisions sont-elles les plus utiles ?

L’utilité d’une prévision se mesure à sa capacité à éclairer une décision.

A long terme ?

Voyons le graphe ci-dessous, qui montre d’une part, en trait plein bleu, l’historique de la demande, en rouge la prévision statistique issue de cet historique, et en pointillés mauves les besoins client communiqués pour les semaines à venir.

Qu’est-ce qu’on déduit de ce graphe ?

D’une part, on voit qu’à court terme – dans le cas de ce flux B2B, il s’agit de 16 semaines – on dispose d’un meilleur signal de demande que la prévision statistique. Il vaut probablement mieux faire confiance aux pointillés mauves qu’à la projection rouge.

Cependant, on ne va pas nécessairement croire aveuglément en ces chiffres. Un besoin client exprimé à 16 semaines a toutes les chances de changer, et si semaine après semaine on visualise ce graphe, on va voir que les sinusoïdes mauves fluctuent d’une semaine à l’autre. Le signal est sans doute meilleur, mais il est bruité. Il s’agit sans doute encore d’une prévision, sauf le tout début de l’horizon, sur lequel l’appel de livraison client est définitif.

Au-delà de 16 semaines ? Ah ben là, on n’a pas le choix : on ne dispose que d’une prévision. Donc si vous devez prendre des décisions au-delà de 16 semaines, la meilleure des informations dont vous disposez – ou la moins mauvaise – est la prévision, issue d’une analyse de données historiques et enrichie de facteurs exogènes.

Devez-vous prendre des décisions au-delà de 16 semaines ? C’est probable – par exemple investir dans un nouvel équipement pour augmenter la capacité va prendre plus de 16 semaines.

On tire donc comme conclusion de cet exemple qu’à long terme, la prévision est utile – en particulier pour votre processus S&OP. C’est dommage, car plus lointaine est la prévision, plus elle est fausse, n’est-ce pas ?

La clé pour que cette prévision lointaine, et donc grossièrement erronée, soit utile – c’est-à-dire qu’elle aide à prendre de bonnes décisions – est qu’elle soit traitée au niveau le plus agrégé possible, et que plusieurs hypothèses, plusieurs scénarios soient évalués.

A court terme ?

A court terme, vous allez me dire à juste titre, il faut prendre en compte les demandes réelles exprimées par le client – et les prévisions ne sont pas pertinentes. Vous avez sans doute raison, sur l’exemple précédent.

Mais imaginons une minute que vous soyez un acteur du retail physique, ou du commerce en ligne. Vous ne disposez pas de commandes fermes. Un visiteur va entrer dans un de vos points de vente, ou se connecter à votre site, et acheter... si vous disposez du stock. Sinon, la vente est perdue.

Comment assurer cette disponibilité ? Vous avez besoin d’un signal pertinent pour réapprovisionner votre point de vente ou votre entrepôt. Le premier signal, le plus naturel, est de renouveler la consommation. C’est le principe de flux tiré, au cœur d’Intuiflow. On cadence les réapprovisionnements sur le rythme de la consommation réelle, éventuellement modulé de facteurs causaux – par exemple une promotion.

On voit bien dans ce contexte qu’à très court terme, une prévision peut être utile. Elle permet éventuellement des réapprovisionnements plus circonstanciés de tel ou tel point de vente, car samedi le bulletin météo dans cette ville du littoral prévoit un grand beau temps, que c’est le premier samedi des vacances, et qu’il y a une foire locale qui devrait drainer un grand nombre de visiteurs. Nos collègues Algo spécialistes du retail ont développé des algorithmes très convaincants d’IA et de réapprovisionnement dans ce domaine.

En fait, à très court terme, une prévision très détaillée peut être utile pour prendre des décisions – alors que plus elle est détaillée, plus une prévision est fausse…

A long ou court terme, un usage raisonné des prévisions.

Je vous propose les postulats suivants :

A long terme, une prévision agrégée et déclinée en scénarios peut être utile pour éclairer des décisions, et préparer l’adaptation de l’entreprise.

A court terme, les commandes réelles et les consommations sont un meilleur signal – sauf dans des cas d’usage retail / e-commerce où une information de causalité plus pertinente peut être captée par un algorithme : un évènement local, le flux d’un influenceur, etc. Cet article décrit très bien cette approche de Demand Sensing importante dans le retail.

Pour pouvoir répondre à ce signal, il vous faut avoir conçu votre supply chain avec des points de découplage qui permettent un réapprovisionnement fréquent et rapide.

A très court terme, une prévision très détaillée peut être utile. La prévision météo dans votre ville pour les heures à venir est sans doute utile pour décider ou non de prendre votre capuche.

Entre les deux ? A vous de définir votre modèle pragmatique d’adaptation… N’hésitez pas à nous contacter pour qu’on vous accompagne dans ce processus !