Prévision de la demande à l'ère des perturbations : ce qui fonctionne réellement

Supply & Demand Chain Executive explique que les disruptions révèlent les limites des méthodes de prévision fondées sur des relations historiques stables. Lorsque la demande, les contraintes d’offre ou les comportements des consommateurs changent brutalement, le délai entre le changement du contexte et l’ajustement de la prévision provoque ruptures, surstocks, erreurs de capacité et gestion permanente de l’urgence.

La préparation peut compter davantage que la précision ponctuelle

L’article recommande une planification par scénarios avec quelques cas plausibles, des conséquences opérationnelles quantifiées, des seuils de déclenchement et des plans de réponse. Il met aussi en avant des cycles de planification plus courts pour les segments les plus volatils, avec une boucle de détection et de réaction plus rapide superposée aux plans de plus long terme.

Utiliser le ML et le demand sensing pour ce qu’ils savent faire

Le machine learning peut combiner des signaux variés, reconnaître des motifs à grande échelle et détecter des anomalies, mais il ne peut pas prévoir de façon fiable un choc sans précédent ni résoudre une contrainte d’offre présentée comme un problème de demande. Le demand sensing aide en exploitant des signaux quasi temps réel pour ajuster la vision court terme, notamment sur un horizon d’une à quatre semaines.

Optimiser la boucle d’apprentissage

La recommandation pratique est de mesurer la valeur ajoutée de la prévision, d’utiliser plages et scénarios lorsque les prévisions ponctuelles sont fragiles, d’accélérer la détection et de renforcer la flexibilité de l’offre. L’avantage opérationnel vient d’une adaptation plus rapide à une information imparfaite, pas d’une apparence de certitude.