Qu’est-ce que le forecasting ?

En entreprise, le forecasting vise à estimer la demande de produits ou de services, à prévoir les ventes ou encore à estimer la croissance et l’expansion. Il facilite l’allocation des budgets, des capitaux, des ressources humaines, etc. En bref, le forecasting éclaire la prise de décision.

Le forecasting est souvent associé à l’analytique big data, ainsi qu’à l’analyse prédictive. Aujourd’hui, de nombreuses techniques de forecasting s’appuient sur l’intelligence artificielle (IA) et le machine learning pour accélérer et optimiser les prévisions. Selon une étude menée par le cabinet de conseil en gestion McKinsey, les outils alimentés par l’IA permettent une réduction du risque d’erreur allant jusqu’à 50 %, donc une réduction du risque de rupture de stock et de perte des ventes allant jusqu’à 65 %.¹

Les prévisions sont des prédictions, donc rarement précises à 100 %. Et l’horizon temporel compte dans le forecasting. En effet, les prévisions à court terme peuvent s’avérer plus précises que celles à long terme. Il peut également être utile d’agréger les données ou d’associer plusieurs techniques pour améliorer la précision, et de considérer le forecasting comme un guide et non comme le déterminant ultime de la prise de décision.

Bien qu’il varie d’une entreprise à l’autre, le processus de forecasting comporte généralement les étapes suivantes :

Définir l’élément à prédire : les entreprises identifient l’opportunité ou l’indicateur à prédire et prennent en compte toutes les hypothèses pertinentes et les variables applicables.

Recueillir des données : cette étape consiste à collecter les données nécessaires. Si des données historiques existent déjà, il s’agit alors de déterminer les jeux de données les plus appropriés.

Sélectionner une méthode de forecasting : choisissez la technique de forecasting la plus adaptée non seulement à votre opportunité ou indicateur, mais aussi aux variables, aux hypothèses et aux jeux de données associés.

Générer une prévision : les données sont analysées selon la méthode choisie, puis une prévision est établie à partir de cette analyse.

Vérifier les prévisions : vérifiez si les prévisions peuvent être optimisées pour améliorer leur précision.

Présenter les prévisions : grâce à la visualisation des données, vous pourrez représenter les prévisions dans un format plus facile à comprendre, qui facilitera la prise de décision.

Les différentes approches du forecasting sont généralement associées à l’une des deux techniques suivantes : le forecasting qualitatif et le forecasting quantitatif.

Le forecasting qualitatif repose sur le jugement (par exemple, l’avis des consommateurs, des experts ou celui des dirigeants). Cette méthode de forecasting applique un mécanisme d’évaluation comme moyen systématique de convertir les informations qualitatives en données quantitatives.

Voici quelques approches courantes en matière de forecasting qualitatif :

Selon la méthode Delphi, plusieurs experts sont invités à répondre à une série de questionnaires permettant de connaître leur point de vue sur l’opportunité ou l’indicateur à prévoir. Les réponses sont anonymes pour que les différents points de vue soient pris en compte de manière impartiale. Les réponses apportées permettent d’élaborer le questionnaire suivant, et ce jusqu’à ce qu’un consensus soit atteint sur les prévisions.

Les entreprises font appel aux sociétés d’étude de marché pour mener des enquêtes auprès des clients et recueillir leur avis sur les produits ou services. Les données recueillies lors de ces études sont ensuite utilisées pour informer les prévisions de vente et l’amélioration des produits ou des services.

Le forecasting qualitatif offre les avantages suivants :

• Il peut être réalisé lorsque les données sont restreintes (par exemple, pour évaluer le taux d’acceptation sur le marché ou le taux de pénétration du marché associé à un nouveau produits ou une nouvelle technologie).

• Le forecasting qualitatif intègre des informations fournies par les experts et les personnes ayant une bonne connaissance de l’entreprise et de ses offres, que les données quantitatives sont peu susceptibles d’offrir.

• Souvent, le forecasting qualitatif prend en compte les incidents ponctuels ou les scénarios atypiques, comme les crises et les catastrophes. Le forecasting qualitatif peut donc s’avérer particulièrement adapté aux situations en constante évolution.

Mais ce type de forecasting présente aussi des inconvénients :

• Parce qu’il repose sur le jugement, le forecasting qualitatif peuvent s’avérer subjectif et comporter des biais qui amènent à surestimer ou à négliger certains facteurs et hypothèses.

• Les informations qualitatives peuvent ne prendre en compte que les événements les plus récents ou les expériences directes. Les tendances à long terme et les schémas présents dans les données antérieures peuvent ainsi être omis.

Axé sur les données numériques, le forecasting quantitatif associe modèles mathématiques et méthodes statistiques pour générer des prévisions. Bon nombre de techniques de forecasting quantitatif exploitent la science des données, l’IA et le machine learning pour alimenter le processus.

Voici quelques stratégies courantes en matière de forecasting quantitatif :

Cette méthode quantitative utilise des données historiques modélisées sous forme de séries chronologiques pour prévoir les résultats. Une série chronologique est une série de points de données tracés par ordre chronologique.

Les modèles de prévision de séries chronologiques permettent d’identifier les tendances prévisibles dans les données influencées par les cycles, les fluctuations irrégulières, la saisonnalité et d’autres types de variations.

L’analyse des séries chronologiques est souvent mentionnée dans le contexte de la prévision de séries chronologiques. Si l’analyse des séries chronologiques implique une bonne compréhension des données de séries chronologiques pour en tirer des informations, la prévision de séries chronologiques va au-delà de l’analyse pour prédire les valeurs.

La prévision de séries chronologiques englobe un certain nombre de méthodes :

Méthode naïve

La méthode naïve utilise le point de données de la période précédente comme prévision pour la période suivante. Il s’agit de la méthode de prévision de séries chronologiques la plus simple, souvent considérée comme point de référence préliminaire.

Moyenne mobile simple

La technique de la moyenne mobile simple calcule la moyenne des points de données des X dernières périodes. Cette moyenne sert ensuite de prévision pour la période suivante.

Moyenne mobile pondérée

Cette méthode emploie la technique de la moyenne mobile simple, mais en appliquant une pondération à chaque point de données des X dernières périodes.

Lissage exponentiel

Le lissage exponentiel consiste à appliquer de façon exponentielle une moyenne pondérée aux données de la série chronologique. Les pondérations diminuent de manière exponentielle au fur et à mesure que les données vieillissent : plus les données sont récentes, plus elles ont de poids.

Le coefficient de lissage (également appelé « facteur de lissage » ou « paramètre de lissage ») contrôle les pondérations attribuées aux données antérieures et actuelles. La moyenne mobile pondérée est ensuite calculée à l’aide de ces poids et sert de prévision. Cette prévision devient une version lissée d’une série chronologique, éliminant les fluctuations, le bruit, les données aberrantes et leurs variations aléatoires.

Normalement, le lissage exponentiel ne requiert pas un jeu de données volumineux, ce qui en fait une bonne méthode de forecasting pour les projections à court terme. En outre, vu qu’il donne plus de poids aux données actuelles, le lissage exponentiel peut rapidement s’adapter aux tendances nouvelles ou changeantes.

Coefficient saisonnier

Le coefficient saisonnier s’avère utile pour les entreprises dont la production ou la demande de biens ou de services dépend des saisons.

Pour calculer le coefficient saisonnier, on divise la demande moyenne associée à une saison donnée par la demande moyenne enregistrée sur l’ensemble des saisons. Ces moyennes sont généralement calculées selon une technique de moyenne mobile, mais on peut également appliquer un lissage exponentiel en utilisant uniquement les données de séries chronologiques correspondant à la saison en question. Un coefficient saisonnier inférieur à 1 indique une demande inférieure à la moyenne, tandis qu’une valeur supérieure à 1 indique une demande supérieure à la moyenne.

Pour estimer les prévisions pour la saison suivante, on multiplie la demande prévue pour la saison donnée par le coefficient saisonnier correspondant.

Les modèles causals sont l’expression mathématique des relations de causalité dans les données. Ces modèles de forecasting permettent de faire des prévisions à plus long terme.

Modèles de régression

Les modèles de régression analysent la relation entre une prévision ou variable dépendante et un ou plusieurs prédicteurs ou variables indépendantes. Un exemple de modèle de regression est la régression linéaire, qui représente une relation linéaire entre une variable à estimer et un prédicteur.

Modèles économétriques

Similaires aux modèles de régression, les modèles économétriques se concentrent sur les variables économiques, comme les taux d’intérêt et l’inflation, et sur les relations économiques telles que les conditions du marché et le prix des actifs.

Le forecasting quantitatif offre les avantages suivants :

• Les modèles économétriques s’appuient sur les chiffres et les mathématiques pour générer des prédictions plus objectives. 

• Ils fournissent des résultats cohérents, reproductibles et structurés qui permettent de rationaliser l’analyse sur une période donnée.

Cette approche du forecasting comporte toutefois quelques pièges :

• Il est difficile de fusionner avis d’experts, informations internes et autres données qualitatives dans les prévisions quantitatives.

• La quantité de données historiques doit être suffisante pour produire des prévisions fiables.

Le forecasting optimisé par l’IA associe intelligence artificielle et algorithmes de machine learning pour appliquer des méthodes de prévision quantitative telles que la prévision de séries chronologiques et les modèles de régression. Le forecasting optimisé par l’IA peut gérer d’immenses volumes de données, exécuter des calculs rapides, fournir des prévisions complexes et accélérer la découverte des corrélations.

Voici quelques modèles et techniques de machine learning couramment utilisés dans le forecasting optimisé par l’IA :

• Arbres de décisions
• Apprentissage en profondeur
• L’apprentissage ensembliste, qui combine plusieurs apprenants pour améliorer la performance des prévisions
• Algorithme KNN (k plus proches voisins)
• Réseaux neuronaux

Avec le forecasting optimisé par l’IA, il est important d’évaluer l’alignement du modèle sur les objectifs de prévision de l’entreprise. Contrôlez régulièrement la performance du modèle pour déterminer s’il doit être entraîné à nouveau sur de nouvelles données, ou ajusté pour améliorer son efficacité. Le modèle doit également être explicable, pour que toutes les parties prenantes sachent comment les prédictions ont été faites et comment les interpréter.

Le forecasting peut être mis en œuvre dans différents domaines d’activité :

Les logiciels de forecasting proposent des fonctionnalités avancées telles que l’intégration des données provenant de différentes sources et l’analyse des interactions entre plusieurs variables. Ils permettent aux entreprises d’élaborer des prévisions fiables, mais aussi de mettre à jour et de gérer efficacement les modèles de forecasting et les simulations. D’autres outils de forecasting intègrent également des fonctionnalités d’IA pour automatiser les workflows, améliorer la précision et accélérer le processus.