Détection des valeurs aberrantes dans la Supply Chain 101 : Créer une équipe d'analyse du demand-sensing simple avec des agents AI
Objectif
Créer une équipe simple de trois agents qui passe en revue les observations quotidiennes ou hebdomadaires de la demande et classe chaque valeur inhabituelle comme erreur de données probable, événement connu, choc temporaire de demande, changement structurel émergent ou exception non résolue nécessitant une revue par le planificateur.
Le système peut recommander un traitement de prévision, mais il ne doit pas modifier automatiquement le plan de demande officiel.
Exemple de données
Utiliser un fichier CSV contenant date, SKU, lieu, demande réelle, prévision de base, indicateur de promotion, disponibilité du stock, prix et nombre de commandes clients.
Ajouter un second fichier contenant des signaux externes sélectionnés tels que météo, jours fériés, événements locaux, tendances de recherche, activité promotionnelle ou événements concurrents. Utiliser uniquement des signaux ayant une relation causale plausible avec le produit.
Agent 1 — Détecteur
Tâche : identifier les observations matériellement différentes de la prévision de base.
Commencer par une règle simple et explicable :
résidu = demande réelle - prévision de base
Signaler une observation lorsque le résidu dépasse trois déviations absolues médianes récentes par rapport au résidu médian.
Cette règle robuste est un point de départ pratique car elle est moins sensible aux observations extrêmes qu'un seuil basé sur moyenne et écart-type.
Sortie requise : SKU, lieu, date, demande réelle, prévision de base, déviation, score d'anomalie et confiance initiale.
Agent 2 — Enquêteur de contexte
Tâche : déterminer si l'anomalie a une explication plausible.
Vérifier les changements de promotion ou de prix, la récupération après rupture de stock, les ventes perdues, les commandes dupliquées, les lancements ou retraits de produits, les effets calendaires, la météo, les événements locaux ou sectoriels, la concentration client, la concentration canal et les mouvements similaires dans les produits liés.
L'agent doit citer la source ou le champ de données à l'appui. Il ne doit pas inventer d'explication.
Agent 3 — QA et gardien planificateur
Tâche : remettre en question la classification et le traitement de prévision proposé.
Décisions possibles :
- Corriger les données : uniquement lorsque l'observation est manifestement invalide.
- Conserver dans l'historique mais exclure de l'ajustement de base : pour un événement ponctuel documenté.
- Inclure comme signal de demande : lorsque des preuves internes ou externes récentes indiquent un changement réel.
- Surveiller : lorsque les preuves sont insuffisantes.
- Escalader : lorsque l'impact financier ou sur le service est matériel.
L'agent QA doit rejeter toute conclusion manquant de preuves ou reposant uniquement sur l'ampleur de la déviation statistique.
Flux de travail
- Charger la prévision de base et la demande réelle récente.
- Calculer les résidus et scores d'anomalie.
- Classer les observations par impact sur le service ou l'inventaire.
- Enrichir les principales anomalies avec le contexte interne et externe.
- Classifier la cause probable.
- Proposer un traitement de prévision.
- Router les cas matériels ou incertains vers un planificateur.
- Enregistrer la décision finale du planificateur comme mémoire validée.
Exemple de sortie
| SKU | Signal | Signalement initial | Contexte | Traitement recommandé |
|---|---|---|---|---|
| ICE-01 | +85% | Anomalie positive élevée | Prévision canicule et hausse régionale | Hausse temporaire à court terme |
| PART-22 | +300% | Anomalie extrême | ID de commande dupliqué | Corriger données source |
| PROD-07 | +40% sur trois périodes | Changement persistant | Nouveau client et nombre de commandes croissant | Ré-estimer la base |
| ITEM-14 | -70% | Anomalie négative | Stock indisponible | Traiter comme demande censurée |
Contrôles
- Ne jamais remplacer automatiquement une anomalie.
- Préserver l'observation originale.
- Séparer la détection statistique de l'interprétation métier.
- Enregistrer les preuves internes et externes soutenant chaque décision.
- Exiger l'approbation du planificateur pour les changements de prévision.
- Surveiller si les prévisions ajustées améliorent la précision et le service.
- Empêcher les signaux externes de dominer la demande réelle sans validation.
Critères d'acceptation
- Chaque observation signalée conserve sa valeur originale.
- Chaque classification inclut des preuves.
- Aucune prévision n'est modifiée sans approbation.
- Les taux de faux positifs sont mesurés.
- La précision des prévisions est comparée avant et après ajustement.
- Les effets sur le service et l'inventaire sont rapportés séparément.
Perspective Dataleo
La détection d'anomalies ne doit pas être traitée comme une étape de nettoyage de données. Elle doit être traitée comme un flux de décision.
Le modèle statistique identifie ce qui est inhabituel. Le processus de demand sensing doit déterminer si le signal représente des données erronées, un événement temporaire ou un changement structurel.
La condition de valeur est une classification traçable liée au traitement de prévision. Le principal arbitrage est réactivité versus plan nervousness : réagir trop lentement manque la demande émergente, tandis que réagir à chaque anomalie déstabilise le réapprovisionnement et la production.
Adaptation de source : ceci est un tutoriel Supply Chain original Dataleo inspiré du modèle d'équipe d'agents de Julia Danyal. La méthode Supply Chain, les contrôles et les exemples sont l'adaptation de Dataleo.