La prévision de stock sans être data scientist semble plus difficile qu'elle ne l'est. La plupart des équipes n'ont pas besoin d'un modèle boîte noire. Elles ont besoin d'un historique de ventes propre, d'une méthode reproductible et d'un moyen de repérer quand les données mentent. Si un article a été en rupture vendredi dernier, le tableur ne manque pas de maths: il manque de contexte.
C'est une bonne nouvelle, car les méthodes simples sont souvent plus solides qu'on ne le croit. Dans la synthèse de Green et Armstrong dans le Journal of Business Research, les auteurs ont trouvé 97 comparaisons sur 32 articles et aucun équilibre de preuve montrant que la complexité supplémentaire améliore la précision des prévisions. La prévision reste difficile, mais le premier gain vient en général de la discipline, pas du logiciel sophistiqué.
Une prévision utile n'est pas celle qui a le plus d'onglets. C'est celle qu'un acheteur peut expliquer, contester et utiliser avant la prochaine échéance de commande.
Ce que fait réellement une prévision de stock utile
Une prévision est une estimation de la demande future sur une fenêtre définie. Pour le stock, cette fenêtre doit correspondre à votre rythme d'achat: délai fournisseur plus le temps jusqu'à la prochaine revue. Si vous commandez chaque lundi et que le fournisseur met 21 jours, vous vous intéressez aux 28 prochains jours, pas à une moyenne annuelle théorique.
Une prévision vous donne assez d'avance pour passer commande avant que vos articles A subissent des ruptures évitables.
Elle empêche les articles à faible rotation d'absorber la trésorerie juste parce que quelqu'un a commandé un peu plus pour se rassurer.
Ventes, achats et opérations peuvent débattre d'un seul chiffre au lieu de défendre trois intuitions différentes.
Les prévisions ne sont pas des promesses. Ce sont des points de départ. Vous ajoutez encore les problèmes fournisseurs, les événements commerciaux et le jugement métier. Le but n'est pas la perfection. Le but est d'avoir moins de surprises.
Commencez par des méthodes simples, puis ajoutez de la complexité seulement si elle se justifie
Le manuel NIST sur le lissage décrit la moyenne comme le moyen le plus simple de lisser les données et de réduire la variation aléatoire. C'est exactement par là que la plupart des équipes stock devraient commencer. Si votre historique est raisonnablement stable, des moyennes mobiles et des méthodes de lissage vous donneront rapidement une base opérationnelle.
Méthode 1: moyenne mobile pour une demande stable
Une moyenne mobile prend les dernières périodes comparables et les moyenne. Si vous prévoyez à la semaine, une moyenne mobile sur 4 semaines suffit souvent pour démarrer. Exemple: si les 4 dernières semaines ont vendu 92, 104, 96 et 108 unités, la prévision de base pour la semaine suivante est (92 + 104 + 96 + 108) / 4 = 100 unités.
Prévision de la semaine suivante = (semaine -1 + semaine -2 + semaine -3 + semaine -4) / 4. Utilisez des périodes comparables: semaines avec semaines, mois avec mois.
Méthode 2: lissage exponentiel quand l'historique récent compte plus
Si les ventes récentes comptent plus que l'historique ancien, passez au lissage exponentiel simple. Dans Forecasting: Principles and Practice, Hyndman et Athanasopoulos le présentent comme une moyenne pondérée de la dernière valeur réelle et de la prévision précédente. En clair: hier compte plus que le trimestre dernier, mais le trimestre dernier n'est pas ignoré. Cela rend le lissage utile quand la demande dérive sans être fortement saisonnière.
Méthode 3: ajoutez un facteur saisonnier quand le calendrier compte vraiment
Si la demande monte et descend selon un schéma de calendrier qui se répète (cadeaux en décembre, week-ends d'été, rentrée scolaire, commandes de fin de mois), séparez l'effet saisonnier du niveau de base. Dans Forecasting: Principles and Practice, l'approche pratique est de prévoir la série désaisonnalisée puis de rajouter le schéma saisonnier. C'est la description technique d'une idée simple: ce décembre devrait ressembler davantage au décembre dernier qu'au mai dernier.
La saisonnalité vaut l'effort. Dans la même revue de Green et Armstrong, l'ajustement saisonnier a réduit le MAPE de 23,0 à 17,7 pour cent sur 68 séries mensuelles de la M-Competition d'origine. C'est un bon rappel qu'une structure de calendrier simple peut battre beaucoup de maths supplémentaires.
Utilisez une moyenne mobile sur 4 à 8 périodes quand l'article se vend régulièrement et que le niveau ne dérive pas beaucoup.
Utilisez un lissage exponentiel simple quand la demande bouge progressivement et que les périodes récentes méritent plus de poids.
Utilisez une prévision de base plus des facteurs saisonniers quand le même effet de calendrier se répète assez souvent pour être fiable.
Nettoyez l'historique avant de faire confiance aux maths
La méthode de prévision compte, mais la qualité des entrées compte plus. Retours, commandes ponctuelles de projet, livraisons incomplètes du fournisseur et pics promotionnels peuvent tous fausser la base. Si vous injectez du bruit dans un modèle, vous automatisez simplement un mauvais jugement.
Les ruptures sont le piège le plus gros. Dans des travaux sur la prévision de la demande avec politiques de stock en ventes perdues, les auteurs notent que si le stock est suffisant, les ventes sont une estimation non biaisée de la demande, mais en présence de ruptures les ventes sous-estiment la demande et tirent les prévisions vers le bas. C'est exactement la spirale que les opérateurs détestent: sous-prévision, sous-commande, rupture, répétition.
Quand l'étagère est vide, les ventes ne mesurent plus la demande mais la disponibilité.
Un exemple simple d'ajustement pour rupture
Imaginons qu'un article ait vendu 210 unités sur un mois de 30 jours, mais qu'il n'était en stock que 21 jours. Le taux journalier naïf est de 7 unités. Le taux ajusté pour rupture est de 10 unités car 210 / 21 = 10. Pour la planification du réapprovisionnement, le second chiffre est beaucoup plus proche de la réalité. Le premier intègre la rupture dans la prévision du mois suivant.
Règles d'historique propre
- Signalez les périodes de rupture:Suivez les jours ou semaines avec une disponibilité nulle pour les exclure ou les ajuster, pas pour les moyenner.
- Séparez les promos de la base:Une semaine de déstockage ou un pic marketing doit aller dans une colonne d'événements, pas gonfler durablement la prévision de base.
- Retirez les commandes ponctuelles:Gros achats de projet, remplissages de lancement et transferts internes sont des événements de planification, pas une demande ordinaire.
- Utilisez la réalité du stock, pas les ventes seules:Si la précision des enregistrements est faible, corrigez d'abord les comptages. Des fiches de stock sales faussent l'historique et les achats. Voir le coût réel des niveaux de stock inexacts.
- Prévoyez par familles avant les variantes si besoin:Un historique fin sur taille-couleur ou conditionnement se prévoit souvent mieux au niveau groupe d'abord, puis se répartit.
Un flux tableur que vous pouvez lancer chaque lundi
Vous pouvez tenir une prévision sérieuse dans une feuille avec des lignes par SKU et des colonnes pour les 12 à 24 dernières périodes, des indicateurs de disponibilité, des notes d'événements, prévision, réel et erreur. Le but n'est pas un beau modèle. Le but est une routine reproductible.
Routine de prévision du lundi
- Exportez l'historique par semaine ou par mois:La semaine est mieux pour les articles à forte rotation. Le mois suffit pour le catalogue plus lent.
- Ajoutez deux colonnes d'aide:une pour le statut de stock, une pour les notes d'événements. Ces deux champs évitent un nombre surprenant de mauvaises prévisions.
- Choisissez une méthode de base par classe d'articles:Commencez par des moyennes mobiles pour les articles stables et le lissage pour ceux qui dérivent lentement.
- Appliquez la saisonnalité seulement quand elle se répète:Si vous pouvez pointer le même effet de calendrier plus d'une fois, ajoutez un facteur saisonnier. Sinon, restez simple.
- Prévoyez la fenêtre de réapprovisionnement:Estimez la demande sur le délai fournisseur plus l'intervalle jusqu'à la prochaine revue de commande.
- Notez chaque correction:Si les ventes disent qu'un nouveau client ajoute 300 unités le mois prochain, saisissez la correction et la raison. Les corrections cachées détruisent l'apprentissage.
Trois contrôles de précision que tout le monde peut calculer
Vous n'avez pas besoin d'un tableau de bord plein de statistiques. Il vous faut quelques mesures qui disent si la prévision est systématiquement fausse et de combien.
Erreur moyenne signée. Un biais positif signifie que vous surestimez souvent la demande. Un biais négatif signifie que vous la sous-estimez de façon chronique et invitez aux ruptures.
Erreur absolue moyenne, l'écart moyen en unités. Comme le notent Green et Armstrong, le MAE est une mesure simple et utile pour la production et le contrôle des stocks.
Erreur en pourcentage absolu pondérée. La documentation de planification de la demande d'AWS Supply Chain utilise le WAPE comme métrique d'agrégat car il montre l'écart total de prévision par rapport à la demande réelle totale.
Utilisez le MAPE avec prudence. Dans le guide de précision de Hyndman, le MAPE devient indéfini quand la demande réelle est zéro et peut exploser quand les réels sont proches de zéro. Ce n'est pas un bon choix pour la faible rotation, les lancements ou les séries avec beaucoup de périodes à demande nulle.
Commencez par biais, MAE et WAPE. N'ajoutez des métriques plus fines qu'après que ces trois sont stables et comprises.
Testez sur le passé avant de basculer vers les achats
Une prévision n'est pas prête parce qu'elle semble raisonnable. Elle est prête après test sur des périodes passées qu'elle n'a pas vues. Le guide de validation croisée en séries temporelles de Hyndman décrit l'origine de prévision roulante: avancez dans l'historique, prévoyez vers l'avant et moyennez les erreurs. C'est la version adulte de: est-ce que ça aurait marché le trimestre dernier?
Test rapide sur le passé
- Mettez de côté les 8 à 12 dernières périodes:Ne les utilisez pas pour construire le premier modèle.
- Lancez chaque méthode candidate:moyenne mobile, lissage et toute version saisonnière à comparer.
- Mesurez biais, MAE et WAPE:Jugez les méthodes sur des périodes qu'elles n'ont pas vues.
- Choisissez la méthode que l'on peut expliquer:Si deux méthodes sont proches, prenez celle que l'équipe maintiendra vraiment.
Où le tableur montre ses limites
- Nouveaux produits: Empruntez l'historique d'un article proche, d'une catégorie ou d'un plan de lancement car le nouveau SKU n'a pas encore de schéma stable.
- Demande irrégulière ou intermittente: Prévoyez d'abord au niveau famille ou catégorie, puis planifiez le réapprovisionnement détaillé avec plus de revue manuelle.
- Promotions et activité projet: Ajoutez des corrections d'événements séparément au lieu de demander au modèle de base de deviner les événements spéciaux.
- Faible précision de stock: Si réception, ajustements et maîtrise des emplacements sont faibles, corrigez d'abord le processus. Une prévision posée sur de mauvaises fiches achète encore la mauvaise quantité.
C'est là que la priorisation compte. Utilisez une analyse ABC pour décider quels articles méritent le plus d'attention en prévision, et associez la prévision à une revue disciplinée du stock de sécurité pour que l'incertitude ne se transforme pas en surachat généralisé.
En résumé
La prévision de stock sans être data scientist relève moins des maths avancées que de l'honnêteté opérationnelle. Nettoyez l'historique. Commencez par des moyennes mobiles ou le lissage. Ajoutez la saisonnalité seulement quand elle se répète. Mesurez biais et erreur absolue. Testez sur le passé avant de faire confiance au chiffre.
Prochaine étape: choisissez 20 SKU importants, construisez une feuille hebdomadaire et comparez prévision et réel pendant les 8 prochaines semaines. Après cela, la prévision cessera de sembler théorique et deviendra partie intégrante de votre façon d'acheter.