L'agence de logistique de la défense américaine applique le cadre de prévision de la demande de Nicolas Vandeput
La Defense Logistics Agency américaine indique que son organisation centrale de planification applique le processus en cinq étapes décrit dans Demand Forecasting Best Practices de Nicolas Vandeput dans le cadre d’une transformation plus large de la planification par machine learning.
L’initiative met en évidence la visibilité sur la demande aval, les données de politiques de stock et l’incohérence des standards de données comme exigences et contraintes majeures.
Il s’agit d’un exemple significatif d’application d’un cadre de prévision dans un réseau logistique public complexe. L’enjeu ne se limite pas au choix du modèle : il concerne l’accès aux données de demande et de stock aval, les standards communs, la responsabilité des décisions et la validation dans un contexte critique.
Avant de déployer le machine learning à grande échelle, les planificateurs ont besoin de définitions de données gouvernées, de responsables identifiés, de références mesurables, d’une revue humaine et de procédures de repli lorsque les recommandations entrent en conflit avec les priorités opérationnelles.