Affinez vos forecast avec le planning distribué et l'AutoML
Elghali Guessous Tech Lead EPM, ainsi que Wilde Diogène Manager EPM OCTO Technology ont animé un comptoir le mardi 12 Juin 2023 sur le planning augmenté intitulé « Affinez vos forecast avec le planning distribué et l'AutoML ».
A travers ce webinar, découvrez comment Pigment et Dataiku révolutionnent vos prévisions de chiffre d'affaires en tirant parti de la puissance de l'IA et du Machine Learning. Ces deux solutions vous permettent de prendre des décisions éclairées, d'optimiser votre temps de planification et d'améliorer la gestion de vos stocks. Surmontez les incertitudes et pilotez votre entreprise vers le succès avec confiance..
Associez EPM & ML pour des prévisions précises
Après plusieurs années d'accompagnement des entreprises dans leurs processus de transformation numérique, nous avons identifié les contraintes des méthodes traditionnelles de planification. Prenons l’exemple de la planification du chiffre d’affaires.
Il s'agit d'un processus qui implique de nombreux acteurs : la Finance qui veille à l'alignement avec les objectifs à long terme, l'équipe commerciale qui apporte sa sensibilité “terrain” et le marketing qui est impliqué dans la mise en place des promotions. Le forecast est le fruit d'un consensus entre ces différents acteurs, chacun ayant des objectifs qui peuvent diverger..
L'atteinte de ce consensus peut s'avérer être un processus long, s'étendant sur plusieurs semaines et qui peut être réitéré plusieurs fois par an, en fonction des processus institués au sein de l'entreprise : planification stratégique, détermination des objectifs, prévisions roulantes, etc.
Cette approche à l’avantage d’aligner tous les acteurs sur une vision cible. L’inconvénient est que le forecast résulte plus d’un équilibre entre les acteurs que de la réalité opérationnelle. Le manager des ventes a tendance à se fixer des objectifs atteignable, le marketing peut surestimé l’impact d’une promotion ou d’un nouveau produits tandis que le finance va naturellement se conformer aux objectifs stratégiques fixés par l’entreprise.
Comment peut-on optimiser ce processus et offrir au métier une vision agnostique du forecast ?
Dans l’exemple ci-dessous nous avons imaginé un processus de planification tirant parti au mieux de la data en associant Pigment et une solution d’AutoML comme Dataiku.
Le machine learning peut être utilisé pour effectuer des prévisions basées sur l'historique des ventes (en volumes) et d'autres paramètres externes susceptibles d'influer sur les ventes.
La solution d’AutoML nous permet de prendre en compte un large éventail de données internes et externes :
Les ventes historiques (ventes directes, ventes indirectes, etc.)
Les données clients qui donnent une indication des ventes de produits concurrents
Les données macroéconomiques qui influencent la consommation
Et toute autre donnée jugée pertinente par les professionnels
Après l'intégration des données, différentes analyses statistiques sont appliquées pour catégoriser le portefeuille de produits et effectuer la segmentation. On analyse également le cycle de vie du produit car la variabilité diffère en fonction de leur stade de développement. Les modèles d'apprentissage automatique nous permettent d'aller au-delà de la simple projection en générant des prédictions de ventes prenant en compte toutes ces informations.
Cette prédiction est ensuite intégrée au processus de planification, permettant aux professionnels de disposer d'une version impartiale de la prévision, qui constitue une meilleure base pour les discussions internes.
La démonstration : Pigment et Dataiku associé pour un processus augmenté
Pourquoi avons-nous choisi ces deux solutions ? Nos critères était d’avoir des solution cloud, facilement “connectables” entre elles via API et proposant une interface simple d’utilisation pour toutes les populations.
Pigment et Dataiku se sont rapidement imposés car ils répondent à tous nos critères.
Dans le cas d’usage présenté nous mettrons tour à tour à la place d’un responsable financier et d’un manager des ventes. Pour les besoins du cas d’usage nous nous sommes appuyés sur un dataset de ventes de bouteilles d’alcool dans l’Etat de l’Iowa aux états-unis. Le Manager finance saisit les objectifs top-down en fonction de la stratégie d’entreprise.
Etape 1 : Le manager des ventes renseigne les objectifs de chiffres d’affaires au niveau global
Le manager des ventes récupère ces objectifs en termes de volumes qui tiennent compte également des prévisions de promotions du marketing.
Etape 2 : Le manager des ventes renseigne ses prédictions assisté par l’AutoML
Les prévisions de volumes sont importées directement de Dataiku, en fonction de l'algorithme le plus pertinent. L'un des avantages de Dataiku, et des solutions d'AutoML en général, est qu'elles permettent de mettre en compétition plusieurs algorithmes, des plus standard aux plus avancés et personnalisés.
Ces algorithmes sont entraînés sur les données réelles de l'année en cours et le plus précis est utilisé pour les prévisions de l'année suivante.
Si le responsable des ventes n'est pas satisfait des prédictions des algorithmes, ce qui peut arriver en fonction du type de produit, il peut ajuster manuellement les volumes pour proposer une prévision plus proche des objectifs et la commenter directement dans l'application.
Sur le dashboard “Revue de performance du modèle” le responsable des ventes peut évaluer l'exactitude de chaque algorithme. Dans le coin supérieur droit, on peut observer la performance des modèles par rapport à une projection traditionnelle.
La projection managériale est un taux de croissance constant appliqué aux données de l'année N-2. Un pourcentage d'erreurs plus bas signifie une précision accrue de l'algorithme.
Pour cette localité et ce produit spécifique, l'algorithme Gradient Boosted est le plus efficace.
Etape 3 : Evaluation de la performance des algorithmes
Ce dashboard offre également un aperçu des variables qui ont le plus d'impact sur la prévision de chaque produit. Cela permet au responsable des ventes de mieux comprendre la prédiction et de l'ajuster si le modèle devient moins efficace par rapport aux données réelles.
Après avoir révisé et commenté sa prévision, le responsable des ventes peut la soumettre en revenant au tableau de bord "Prévision des ventes".
Etape 4 : Valider le forecast final après consensus
Pour conclure, le responsable des finances peut achever la prévision en sélectionnant la projection qu'il souhaite valider. Il a le choix de maintenir l'objectif (ou de l'ajuster) s'il estime que la projection bottom-up n'est pas réaliste, ou bien de la conserver telle quelle.
Conclusion
Associer une solution de planification avancée telle que Pigment à une solution d'AutoML permet d'affiner vos forecast et de réduire les durées de consensus. En effet, la projection réalisée grâce à l'apprentissage automatique permet d'obtenir une prévision globalement plus précise, exploitant efficacement les données pour une prédiction plus proche de la réalité opérationnelle. La connexion avec Dataiku offre aux acteurs la possibilité d'expliquer la prédiction, éliminant ainsi l'effet de "boîte noire". La prédiction s'avère particulièrement efficace pour certains types de produits (avec une faible variabilité et dans un contexte concurrentiel stable), ce qui permet aux acteurs de concentrer leurs efforts sur ces produits spécifiques. Cela représente un gain de temps significatif lors de la phase de consensus.