Les prévisions dans les chaînes d'approvisionnement sont notoirement complexes et ne seront jamais exactes, comme le sont intrinsèquement les prédictions. Un modèle unique ne convient pas à tous les cas d'utilisation, car il n'existe pas de modèle unique permettant d'obtenir les meilleurs résultats pour tous les produits, tous les lieux et tous les horizons temporels. Certains modèles excellent avec la saisonnalité, d'autres gèrent mieux les données bruyantes, et les modèles avancés d'apprentissage profond découvrent des modèles non linéaires - mais seulement si les données sont robustes. Alors, comment les entreprises peuvent-elles choisir le bon modèle sans devoir procéder à des réglages manuels interminables ? La réponse réside dans une méthode de prévision mixte.
Comprendre le concept
La prévision mixte permet aux planificateurs d'ajuster la sélection des modèles et, dans certains cas, de l'automatiser en évaluant plusieurs algorithmes et en affectant le plus performant à chaque cycle de prévision. Pensez-y comme à la construction d'une équipe de champions : les différents joueurs apportent des forces différentes et c'est la bonne combinaison qui l'emporte. De la même manière, le "mix-and-match" est un référentiel de modèles spécifiques qui vous permet de sélectionner celui qui convient le mieux à la tâche, en fonction des priorités de l'entreprise et de son horizon temporel.
Pourquoi et comment fonctionne le "mix and match" ?
Les enjeux d'une prévision précise n'ont jamais été aussi importants. Avec l'accélération de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML), le déploiement d'un modèle inapproprié conduira rapidement à une mauvaise précision des prévisions ; une mauvaise prévision peut se traduire en cascade par des ruptures de stock, une planification des capacités mal alignée et des clients insatisfaits. Mix and match résout ce problème en automatisant l'évaluation des modèles, en réduisant la charge de travail des planificateurs et en améliorant la précision, sans nécessiter de compétences spécialisées en science des données.
À la base, mix and match utilise une architecture de réseau sémantique intelligente et omniprésente. C'est là que la configuration des prévisions est définie - entrées, sorties et horizons - en plus des évaluations de base des modèles à l'aide d'indicateurs clés de performance comme l'erreur quadratique moyenne (EQM). Pour chaque exécution, un modèle est utilisé par nœud et par horizon de planification. Lors des prévisions suivantes, les modèles peuvent être réévalués et choisis différemment en fonction de l'évolution des données.
