La planification moderne de la demande nécessite une sélection de modèles, des signaux externes et de la gouvernance
Fidenda explique que des chaînes d’approvisionnement résilientes ne peuvent pas reposer sur une seule méthode de prévision appliquée uniformément à tous les produits, régions et canaux. Une planification de la demande moderne doit conserver les approches statistiques éprouvées tout en introduisant des modèles de machine learning lorsqu’ils permettent d’identifier des relations et des signaux que des méthodes plus simples ne détectent pas.
L’article compare des techniques établies, comme les moyennes mobiles, le lissage exponentiel et les prévisions analogiques, à des modèles tels que SARIMAX, LightGBM, TimesFM et DeepAR. Chacun répond à un profil de demande différent : produits stables, saisonnalité, lancements, larges portefeuilles, historiques limités ou situations dans lesquelles des variables externes influencent fortement la demande.
La décision opérationnelle n’est donc pas de savoir si le machine learning est systématiquement supérieur. Elle consiste à déterminer quel modèle appliquer à quel segment de planification, avec quelles données et sous quelle validation. Un processus fiable exige des règles de segmentation documentées, des critères mesurables de sélection des modèles et une solution de repli contrôlée lorsqu’une méthode avancée donne de mauvais résultats.
Des variables externes comme les prix, les promotions, la météo et les indicateurs macroéconomiques peuvent améliorer le signal de demande, mais seulement si leurs définitions, leur historique, leur disponibilité et leurs hypothèses futures sont gouvernés. Ajouter davantage de variables sans mesurer leur valeur incrémentale peut augmenter la complexité sans améliorer les décisions.
Pour une adoption légère, les équipes peuvent comparer plusieurs modèles sur un portefeuille limité et mesurer la précision, le biais et la valeur ajoutée de la prévision. Une intégration dans la planification connectée, un APS ou une plateforme de planification d’entreprise nécessite des pipelines de données reproductibles, des modèles versionnés, des workflows d’exception et une responsabilité claire pour les ajustements des planificateurs.
Le principal risque n’est pas seulement un algorithme imprécis. Il réside dans le fait de laisser des prévisions automatisées influencer les décisions de stock, de capacité ou de besoin en fonds de roulement sans savoir quelles données et quelles hypothèses les ont produites. La gouvernance et la validation opérationnelle doivent donc précéder tout déploiement à grande échelle.