Mon client travaille actuellement sur la prévision de la demande pour ses produits. Ils m'ont demandé des conseils sur la prévision de la demande à l'aide de JMP. Je pense que la plate-forme Time Series Forecast conviendra dans leur cas car ils ont des milliers d'éléments à prévoir. J'apprécierais que quelqu'un puisse partager avec moi quelques conseils lors de la prévision de la demande à l'aide de Time Series Forecast.
Leur situation est la suivante :
- Ils veulent prévoir la demande pour les prochains mois pour des milliers d'articles en utilisant des données de ventes mensuelles historiques (quelques années).
- Actuellement, ils utilisent une approche de moyenne mobile simple pour les prévisions.
- Il existe une variété de modèles de vente. Certains articles ont un motif saisonnier. Certains éléments peuvent être prévus en utilisant l'approche de la moyenne mobile.
Voici quelques questions :
- Quelqu'un connaît-il un client qui effectue des prévisions de la demande à l'aide de JMP ? Il serait utile de tirer des leçons de vos/leurs expériences, de comprendre les leçons qu'ils ont apprises et d'explorer les stratégies qu'ils ont utilisées pour améliorer la précision de leurs prévisions de la demande.
- À quelle fréquence devons-nous mettre à jour nos prévisions de la demande pour en garantir l'exactitude ? Existe-t-il des pratiques exemplaires pour surveiller et ajuster nos prévisions à mesure que de nouvelles données deviennent disponibles ?
- Y a-t-il des défis ou des pièges potentiels dont nous devrions être conscients lors de la prévision de la demande ?
Toute autre idée ou recommandation que vous pourriez fournir concernant la prévision de la demande serait grandement appréciée.
Salut Yuichi-San,
La seule fois où j'ai été confronté à quelque chose de proche, c'était un client qui souhaitait prévoir le temps du projet et le plan de ressources nécessaires (heures de travail) dans les différentes étapes du processus, de la phase de planification à la commande, en passant par la production et la livraison, afin de mieux prévoir le calendrier pour le client et mieux aligner les ressources humaines internes. Tous classés selon le niveau d'innovation, le niveau d'importance et certains autres facteurs.
Cependant, pour fournir au moins quelques indications, j'essaie de répondre à certaines de vos questions :
1. Ils ont vraiment besoin d'analyser les modèles de comportement de vente de leurs produits. S'il existe une tendance saisonnière, elle doit être incluse. S'il y a une autre tendance régulière impliquée, on peut vouloir trouver notre mode AR qui correspond le mieux à la série chronologique pour avoir un risque plus faible dans la prévision. C'est du travail, oui, mais s'ils veulent obtenir quelque chose de plus précis que la moyenne mobile de la force brute, cela pourrait ouvrir la voie.Souvent, un graphique de tendance de générateur de graphiques avec un sélecteur de colonne suffit pour identifier les quelques produits qu'il peut être plus logique de devenir plus spécifiques.
2. La mise à jour du modèle dépend souvent de la fréquence à laquelle vous remarquez des changements dans le comportement de vente. Habituellement, pour la modélisation de séries chronologiques, je dirais qu'une fois par trimestre est un bon point de contrôle. Si j'ai un tout nouveau produit, cela devient vraiment plus difficile car le modèle peut devoir ajuster plusieurs étapes d'achat. Lancement initial avec peu de connaissances sur le produit, puis la phase de battage médiatique, puis la phase stable avant la phase de refroidissement et enfin la phase stable à nouveau. Ici, je recommanderais de vérifier plus souvent si le modèle doit être ajusté (également parce que vous pouvez commencer à observer les tendances saisonnières après plusieurs mois, voire des années (à moins que cela ne ressorte clairement du produit lui-même, comme des chaussures de ski 
) et le produit est régulier, moins vous aurez besoin de mettre à jour le modèle.
3. Les pièges sont souvent s'il y a des événements spéciaux qui distraient vos données et votre tendance régulière. Juste un exemple que vous pouvez traduire pour les produits de ce client :
- une entreprise de télécommunications avait fait une prévision pour ses revenus SMS (il y a longtemps : D) et à un moment donné, elle a vu un pic très élevé dans les données pendant une journée. C'est alors que WhatsApp a eu une panne. Si vous laissez de tels points de données dans les données de la prévision, vous risquez d'obtenir une prévision erronée ou moins précise.
- Si vous avez une structure sous-jacente dans les données comme les produits en fonction, par exemple, de l'utilisation des jours de week-end/semaine, vous pouvez diviser les données et créer un modèle pour les deux séparément. Sinon, vous obtenez à nouveau moins précis.
- Une autre chose est de penser jusqu'où je veux regarder dans le passé. Certaines technologies ont été importantes mais après un certain temps, elles sont devenues moins importantes (il suffit de penser aux rayons DVD/bleus, les rayons bleus étaient censés être la grande nouveauté, mais avant qu'ils ne décollent vraiment, le streaming était la grande nouveauté).
- Pensez également à combien de temps dans le futur vous voulez prédire et comptez sur la prédiction. Fondamentalement pour des raisons similaires à celles indiquées ci-dessus
J'espère que cela vous aidera un peu, même si cela ne répondra peut-être pas à toutes vos questions avec le détail dont vous auriez besoin.
Peut @jiancao a quelque chose à ajouter comme guide?
Salut @martindemel ,
Merci pour votre réponse.Vos conseils me sont très instructifs. Je crois que cela aidera mon client.
Merci beaucoup pour votre aimable aide.
Yuichi
