Retrouvez dans notre newsletter mensuelle, les dernières actualités du Pricing et de la Supply Chain

Évolution du forecasting : des méthodes statistiques vers le deep learning

Introduction

Au fil des ans, la prévision de la supply chain a considérablement changé, passant des méthodes statistiques classiques au deep learning avancé.

Face à la complexité croissante de la demande et de l’approvisionnement, cette évolution s’est avérée nécessaire pour tirer pleinement parti des nombreuses données disponibles.

Nous aborderons, dans cet article, l’évolution des prévisions, en nous concentrant sur les méthodes traditionnelles, les réseaux de neurones et les dernières avancées du deep learning.

Les méthodes statistiques (toujours viables, rapides, mais moins puissantes)

Depuis des années, le domaine de la prévision a connu de vastes évolutions. Des journaux du milieu du 19ème siècle évoquent déjà le forecast. Sans la technologie moderne, les spécialistes s’appuyaient principalement sur des techniques statistiques. Bien qu’affinées au fil des années, ces techniques demeurent pertinentes.

Parmi les outils fréquemment employés, citons les modèles (S)ARIMA, les méthodes de Holt et Holt-Winters.

Ces approches, grâce à des équations plutôt simples, fournissent des estimations solides en s’appuyant sur des données de vente passées. Elles permettent de déceler des mouvements saisonniers.

Le principal atout de ces approches réside dans leur mise en application directe et leur clarté. Ces approches sont spécifiques et s’adaptent à différents types de données de vente. Progressivement, elles ont su s’adapter aux innovations technologiques, optimisant ainsi l’exploitation des informations.

Et pour les professionnels ?

Aujourd’hui, de nombreux experts font appel à ces techniques. Face à certains types de données, elles peuvent concurrencer le machine learning, notamment lorsqu’elles sont combinées.

Toutefois, ces techniques statistiques présentent des contraintes. Souvent, elles négligent des éléments externes, tels que les prévisions météorologiques. Leur focus principal reste les historiques de vente.

Bien qu’encore populaires, le deep learning commence à les supplanter. Ce dernier traite des problématiques prévisionnelles plus sophistiquées en supply chain.

Cependant, dans des situations simples et face à des données moins élaborées, leur pertinence demeure.

L’avènement des réseaux de neurones (Long-Short-Term-Memory, Gated Recurrent Unit)

Les Long Short-Term Memory (LSTM) et les Gated Recurrent Units (GRU) reposent sur des architectures de réseaux de neurones. 

En raison d’une capacité de calcul initialement limitée, les réseaux de neurones étaient mis de côté. Toutefois, vers 2016-2017, l’émergence des réseau neuronal convolutif renouvelle l’intérêt pour eux. Pour détecter des motifs dans les images et les classer, on a développé un réseau neuronal convolutif. Ensuite, les spécialistes ont adapté ces réseaux neuronal convolutif pour les séries temporelles, ce qui a ouvert la voie à leur utilisation en forecasting.

Ces modèles détectent les motifs complexes en identifiant les liens entre événements récents et passés.

L’apprentissage supervisé est le principe fondamental de ces technologies. On entraîne le réseau sur des données historiques pour faire des prédictions futures. Le but est d’ajuster les connexions des réseaux en fonction de la justesse de leurs prédictions pour minimiser les erreurs.

Les méthodes récentes (DeepAR, N-BEATS, ... )

Alors que le deep learning devient de plus en plus courant, des techniques innovantes apparaissent pour traiter des prévisions complexes.

L’architecture DeepAR, lancée par Amazon en 2017, est un exemple notable de ces nouvelles techniques pour la supply chain. Utilisant les réseaux de neurones récurrents (RNN), le DeepAR emploie une approche probabiliste pour anticiper les valeurs à venir. L’avantage majeur est la fourniture d’intervalles de confiance, essentiels pour décider dans des contextes volatils.

L’un des atouts majeurs de DeepAR réside dans sa capacité à effectuer des prédictions sans normalisation préalable des données. Il gère ainsi différents types de séries temporelles, ce qui est crucial en supply chain. De plus, il offre des prévisions précises même quand l’historique des produits est limité.

Il s’agit donc d’un modèle global, ce qui signifie qu’il peut apprendre de plusieurs séries temporelles, améliorant ainsi la précision des prévisions en exploitant les similitudes et les structures communes. 

Ce modèle a été évalué sur plusieurs jeux de données et a montré des résultats prometteurs, dépassant même les modèles de l’état de l’art à l’époque. Il nécessite donc moins de prétraitement que certains autres modèles et peut être utilisé avec peu d’ajustements de paramètres pour différentes séries temporelles.

Il est donc capable d’apprendre des structures complexes telles que la saisonnalité, ce qui en fait une méthode puissante pour améliorer la précision des forecasting dans le contexte de la supply chain

Les méthodes à l'avant-garde (Temporal Fusion Transformers, Informer, Autoformer, …)

Les Transformers, une catégorie d’architectures neuronales introduites en 2017, révolutionnent actuellement le forecasting de la supply chain.

Comme leurs prédécesseurs, ils traitent des données séquentielles. Les mécanismes d’attention sont utilisés pour établir des relations entre différentes séquences temporelles.

Deux blocs essentiels existent : l’encodeur et le décodeur. L’encodeur forme une représentation vectorielle de la série de ventes. Ensuite, le décodeur transforme ces vecteurs en prévisions. Pendant ce processus, les mécanismes d’attention identifient les séquences d’entrée les plus pertinentes pour la prévision.

En effet, leur force provient de leur habileté à gérer les dépendances à long terme des séries temporelles. Cependant, en utilisant l’attention, ils détectent les relations complexes et les interactions entre différentes périodes. En outre, cela leur permet de saisir les tendances saisonnières, les modèles de croissance et les changements de comportement dans les données de la supply chain.

Ces méthodes améliorent donc le forecasting en supply chain. De plus, elles traitent les dépendances à long terme avec précision. Les idéaux sont des tendances non linéaires et cycles irréguliers.

Elles requièrent donc plus de puissance et de stockage. Mais ils transforment plusieurs domaines. 

Conclusion

Les forecasting évoluent selon la disponibilité des données et la puissance de calcul. Les méthodes statistiques restent courantes. Néanmoins, la précision et l’intégration de multiples facteurs favorisent le deep learning.

Les réseaux de neurones ont apporté des avancées. Ils garantissent une meilleure interprétabilité et un traitement parallèle supérieur. Les Transformers saisissent aussi mieux les dépendances à long terme.

Les défis futurs concernent la réduction des coûts de calcul. Cette question devient courante dans la recherche. Elle concerne surtout la génération d’images et de textes.