Nettoyer les données historiques avec Intuiflow

Le nettoyage des historiques de demande est une discipline classique pour tout prévisionniste. Lorsque vous générez une prévision statistique vous devez au préalable vous assurer que les historiques ont été nettoyés des points aberrants. Sinon, attention au GIGO ! (Garbage In, Garbage Out).

Ce nettoyage d’historiques est effectué en général à la maille mensuelle, éventuellement à la maille hebdomadaire. Il est souvent utilisé pour établir des prévisions, en omettant d’autres effets de bord d’un historique brut de fonderie.

Par exemple, l’historique est nettoyé pour que le module de prévisions statistiques ne s’emballe pas, mais on utilise par ailleurs dans un coin sombre de l’ERP une formule statistique de stock de sécurité qui utilise toutes les consommations historiques, points aberrants inclus.

Des données nettoyées sont aussi un prérequis pour faire tourner les algorithmes d’intelligence artificielle. C’est le « data cleansing ».

Voyons un peu l’impact d’un historique non nettoyé sur un exemple simple.

Nous sélectionnons un article sur lequel nous avons détecté trois points aberrants (outliers).

Cet article est utilisé très fréquemment – nous avons eu 267 jours de consommation au cours de l’année écoulée.

Voyons ci-dessous cet historique de demande de plus près… vous les voyez ces trois points aberrants ?

Avez-vous aussi remarqué qu’au lieu d’explorer une vue agrégée par mois ou par semaine, nous explorons les consommations quotidiennes ? Si vous voulez par exemple dimensionner correctement un stock, ce sont ces demandes quotidiennes qui comptent – plutôt que des moyennes qui masquent la réalité des signaux de demande réelle. Nous allons ajuster à la baisse chacun de ces points aberrants, d’un simple drag & drop :

Voila qui est plus raisonnable :

J’entends des objections au fond de la salle : ceci n’est plus la vraie demande !

Exact, il s’agit d’une demande corrigée de points qui semblaient statistiquement aberrants. La question est : devez-vous dimensionner le stock de cet article pour répondre en délai court à toute la demande réelle, ou devez-vous répondre sur stock à la demande récurrente et adopter une autre tactique pour les demandes exceptionnelles, du type par exemple « cher client, ceci est une demande exceptionnelle, merci de nous prévenir à l’avance, il y a un peu de délai… » ?

Voyons l’impact sur cet article :
Avant correction de l’historique, la zone rouge était de 68 150

Après correction :

• Nous n’avons plus de points aberrants (ils ont été corrigés)

• La consommation moyenne par jour est passée de 6327 à 5278 (-17%)

• Le CoV – coefficient de variabilité (écart-type / moyenne de la demande quotidienne) s’est effondré de 167 à 51 : nous reconnaissons désormais que cet article est en réalité très stable.

• La zone rouge est tombée à 42 600

Un petit coup de balai sur l’historique des données, et notre investissement de stock pour atteindre sensiblement le même service diminue d’environ 35%, ça vaut le coup de faire un peu de ménage, non ?

Le nettoyage des historiques, la détection et l’interprétation adaptée des points aberrants est une discipline importante, qui mérite d’être outillée :

• Détecter les articles qui nécessitent une analyse

• Déterminer un processus de nettoyage adapté : automatique, ou avec l’intervention d’une intelligence humaine pour comprendre la nature des points aberrants, et la tactique de réponse adaptée.

• Refléter de manière adéquate les impacts du nettoyage sur les dimensionnements de stock, sur les prévisions, sur le mécanisme de détection de pics, sur le processus de promesse de livraison, etc.

Si vous voulez approfondir le sujet sur vos propres données, n’hésitez pas à nous contacter.