Pourquoi les ventes nulles sont (au moins) de deux types

Dans le domaine des prévisions pour le commerce de détail, les ventes nulles requièrent une attention particulière lors de la formation et de l'application des modèles de demande. Il est difficile de déterminer a posteriori si un événement de ventes nulles témoigne réellement d'une disparition de la demande un jour donné (comme "personne n'a pris ce produit en rayon"), ou si le produit prévu n'était tout simplement pas disponible (comme "le produit n'a même pas été mis en rayon"). Heureusement, la cohérence des données avec le modèle de prédiction peut être vérifiée en comparant la probabilité prédite d'observer zéro à la fréquence observée des ventes nulles. Lorsque ces données ne s'alignent pas bien, c'est-à-dire que l'on observe des ventes nulles beaucoup plus ou beaucoup moins souvent que prévu, on a diagnostiqué un problème de données majeur mais bien défini.

Le zéro existe-t-il, et si oui, de combien de façons ?

Le chiffre "zéro" a échappé à la capacité d'abstraction de l'homme pendant une période étonnamment longue. Différentes cultures anciennes ont traité l'"absence de toute chose" de différentes manières, et les historiens des sciences débattent encore de la date et de la manière dont le zéro en tant que symbole a été inventé et est devenu partie intégrante du courant mathématique dominant. Par exemple, les chiffres romains ne contiennent même pas de symbole pour le zéro, probablement parce que les Romains utilisaient les chiffres pour la comptabilité et non pour l'arithmétique. Aristote a même rejeté l'idée que le zéro soit un nombre - si l'on ne peut pas le diviser, à quoi sert-il ? Au VIIe siècle après J.-C., le mathématicien et astronome indien Brahmagupta a commencé à utiliser et à analyser un zéro écrit, qui a ensuite fait son chemin vers le chinois et l'arabe, et, par l'intermédiaire de ce dernier, vers la culture européenne.

Bien sûr, vous connaissez le zéro et vous vous sentez à l'aise pour l'utiliser. Faisons donc un bond en avant de quelques siècles de discussions mathématiques jusqu'à la prédiction de la demande du commerce de détail à l'aide d'applications d'intelligence artificielle (IA) et d'apprentissage machine (ML). Je soutiens ici qu'un seul type de zéro n'est pas suffisant. Au moins deux concepts différents de zéro sont nécessaires pour décrire correctement les ventes dans le commerce de détail. L'une doit être conservée dans un ensemble de données de formation, l'autre doit être supprimée.

D'une part, un produit peut être disponible et proposé au public : Le magasin est ouvert, la caisse enregistreuse et tout le reste fonctionnent, mais aucun client ne veut l'acheter ! Dans ce cas, l'absence de ventes reflète l'absence réelle de demande et le manque d'intérêt des consommateurs pour ce produit. Idéalement, notre modèle de prévision de la demande n'est pas "surpris" par ce zéro, dans le sens où il a prévu une probabilité non microscopique mais finie d'observer zéro.

L'absence réelle de demande conduit à une demande zéro, que j'aimerais distinguer de la disponibilité zéro. Ce dernier type de zéro est induit simplement par l'indisponibilité du produit. Le client ne se voit même pas proposer le produit, il n'a aucune chance de l'acheter, même s'il le voulait (nous ne le saurons jamais). Hier, je n'ai pas vendu d'iPhone à 99 dollars - mais c'est une affirmation triviale, car je n'ai même pas offert d'iPhone à qui que ce soit. Si je l'avais proposé, le prix modéré que je prévoyais aurait suscité une certaine demande et probablement trouvé un acheteur. Je n'ai pas non plus vendu la poussette d'occasion que j'ai proposée en ligne - c'est plus informatif, c'est une demande zéro. Alors que la demande zéro reflète le fait que l'article n'est pas particulièrement populaire (c'est un euphémisme), l'indisponibilité zéro n'a rien à voir avec la demande réelle d'un article.

L'indisponibilité peut avoir de nombreuses causes différentes : Plus important encore, les stocks peuvent être épuisés - il n'y a alors tout simplement plus rien à vendre. C'est pourquoi il est bon d'avoir la valeur des actions du matin dans une colonne bien structurée dans nos données. Ensuite, nous pouvons recourir aux méthodes décrites dans cet article de blog. Souvent, cependant, ce paradis de la qualité des données n'est pas ce que nous rencontrons : Les informations sur les stocks ne sont pas disponibles ou, du moins, ne sont pas entièrement fiables. Mais même si des valeurs de stocks fiables étaient intégrées, nous ne pouvons pas être entièrement sûrs que le produit est réellement proposé en rayon - il peut être stocké dans l'arrière-boutique, le directeur du magasin peut avoir décidé qu'il est trop tôt ou trop tard dans l'année pour le proposer.

L'indisponibilité masque une véritable demande : Pour connaître la demande d'un produit, il faut l'offrir. Je n'ai aucune idée de la demande que suscitera un imperméable vert avec des éclats roses, à moins de le mettre en rayon, d'y apposer une étiquette de prix et de le proposer aux clients. Si un produit n'est pas proposé, je ne peux qu'émettre des hypothèses sur la demande, mais pas la mesurer.

En résumé, mes conceptions du zéro sont les deux suivantes : La demande zéro bien conduite transmet honnêtement l'information (peut-être trompeuse) que le produit en rayon n'est tout simplement pas très populaire (au fait : quelqu'un a-t-il besoin d'une poussette d'occasion ?) et la disponibilité-zéro, qui cache toutes les informations possibles sur la demande réelle - cette demande aurait pu être de zéro, un, 14 ou 2 766. Il est évident qu'il faut inclure les zéros de la demande dans la formation au modèle, mais il serait extrêmement dommageable de confondre une disponibilité nulle avec une absence de demande.