Prévision des ventes : d'Excel à ML en un semestre

Prévision des ventes pour les entreprises : d'Excel à l'ensemble d'apprentissage automatique en six mois

Les décisions commerciales reposent sur les prévisions de ventes — qu'il s'agisse de lancer des promotions ou d'ajuster les budgets. Un modèle affichant un MAPE de 4,5 % semble parfait, mais une erreur de 20 % peut tout faire basculer. Les dirigeants ignorent alors les chiffres, appliquent des corrections manuelles et dépensent davantage par peur de rater leurs objectifs. La vraie nécessité métier ? La prévisibilité : pouvons-nous clôturer le mois avec succès sans erreurs catastrophiques ?

Objectif du projet : construire une prévision fiable sur 45 jours pour les ventes, les commandes et le chiffre d'affaires dans tout un réseau de livraison (79 villes, milliers de centres de traitement).

Le zoo de modèles existants

Les approches actuelles incluaient :

• Prophet au niveau de chaque centre de traitement : des milliers de modèles logistiques. Problèmes : aucune prise en compte des nouveaux centres (estimations expertes dans Excel), précision non validée au niveau national, optimisée pour la précision quotidienne — pas pour les objectifs mensuels.
• Excel avec saisonnalité annuelle : année précédente × facteur de croissance (ex. 1,15 pour +15 %). Estimation visuelle, pas de métriques.
• Prophet au niveau national : hyperparamètres ajustés, features externes (tendances macroéconomiques, vacances, soldes planifiés). Erreur moyenne : 1–2 %, mais validation à court terme était artificielle.

Les méthodes Excel des experts étaient non reproductibles. Toutes les approches nécessitaient une référence commune.

Le backtest itératif honnête comme fondation

Un backtest itératif sur 12 mois a été mis en place pour une évaluation objective : simulation de prévisions quotidiennes à partir des données historiques, avec re-entraînement après chaque nouvelle journée. Cela teste les modèles dans des conditions réelles — croissance, baisses, campagnes, vacances.

Processus de backtest :

• Jour 1 : entraînement sur les données jusqu’au 1er janvier → prévision sur 45 jours.
• Jour 2 : ajout des données réelles du 1er janvier → re-entraînement → nouvelle prévision.
• Répéter tout au long de l’année.

La saisonnalité Excel a été reproduite en Python — est devenue la référence. Prophet par centre : résultats optimistes (sans nouveaux centres). Prophet national : révélation d’erreurs de features (soldes planifiés vs. effectifs).

Résultat : la référence (Excel) montrait une bonne prévisibilité ; l’apprentissage automatique donnait des moyennes lisses mais des erreurs instables.

Excel bat Prophet : leçon de simplicité

Résultat inattendu du backtest : Excel avec saisonnalité annuelle a surpassé Prophet sur le critère principal — l’erreur cumulative mensuelle (pertinent pour l’entreprise). Prophet gagnait sur la précision journalière, mais échouait à long terme à cause du surajustement aux tendances.

Comparaison des métriques :

• MAPE (Erreur absolue moyenne en pourcentage) : Prophet meilleur.
• Erreur cumulative sur 30/45 jours : Excel en tête.

Prophet décompose la série en tendance, saisonnalité (jours/mois/années), vacances et features connues. Limites : série unique, features doivent être connues à l’avance.

Passage à la granularité : villes et apprentissage automatique

Pour améliorer, les prévisions ont été segmentées au niveau des villes (79 villes). Cela a permis de capter les effets locaux : dynamiques de demande variables, nouveaux centres de traitement.

ML classique introduit :

• Boosting de gradient (LightGBM/XGBoost) avec retards, moyennes mobiles, variables fantômes pour week-ends/vacances.
• Features : retards historiques (1–30 jours), croissance YoY, signaux externes (vacances).

Résultat : amélioration de 10 à 15 % sur l’erreur cumulative par rapport à la référence — mais pas transformateur. Problèmes : faible capture des motifs non linéaires, sensibilité aux anomalies.

TSMixer : percée et limites

Transition vers les réseaux neuronaux. TSMixer (Temporal Sparse Mixer) est l’état de l’art pour les séries temporelles multivariées. Fonctionne comme MLP-Mixer pour le temps : les canaux sont indépendants, capture les dépendances entre canaux sans couches récurrentes.

Architecture :

• Tours passées/futures pour les features historiques et futures.
• Blocs MLPMixer : mélange de tokens (sur le temps) + mélange de canaux.
• Évolutivité : O(L * D) contre O(L²) dans les transformers.

Entraîné sur 79 villes × 3 métriques (ventes/commandes/chiffre d'affaires). Backtest : TSMixer devance la référence de 25 %, le boosting de gradient de 12 %. Faiblesses : encore des retards pendant les pics de vacances, nécessite beaucoup de données.

Ensemble final : combiner les forces

Une seule prévision = ensemble :

• Saisonnalité Excel (30 %) : stabilité sur les tendances à long terme.
• Boosting de gradient (40 %) : motifs locaux.
• TSMixer (30 %) : non-linéarités.

Poids choisis via stack-rank sur le backtest (somme des rangs sur les métriques). Résultat : MAPE 3,2 %, erreur cumulative mensuelle <5 % dans 95 % des cas. Prévisibilité améliorée : les équipes commerciales adoptent les chiffres sans corrections manuelles.

Leçons clés :

• La prévisibilité prime sur la précision moyenne : se concentrer sur l’erreur cumulative dans le temps.
• Le backtest itératif est la référence pour l’évaluation.
• Les ensembles battent les modèles purs : simplicité + puissance de l’IA.
• La granularité (villes) bat l’agrégation.
• Les entreprises font confiance aux modèles qui passent les tests de stress (vacances, ralentissements).

Résultats du projet

En six mois, le chaos est devenu P.E.S.E.C. — une prévision stratégique quotidienne. Les décisions se prennent désormais sans panique. Clé : évaluation honnête, focus sur les KPI métiers, approche hybride.

— Editorial Team