Introduction
Dans un contexte de production, les prévisions sont essentielles pour de nombreuses raisons, notamment la planification de la production, les prévisions de ventes et la gestion des matières premières. L'élaboration de ces prévisions peut s'avérer fastidieuse et complexe, et les mises à jour ne sont pas toujours aussi fréquentes qu'elles le devraient. Ces retards peuvent engendrer des pertes d'opportunités de vente, des retards de livraison et d'autres problèmes coûteux. Il existe une solution plus simple. La plateforme de prévisions de séries temporelles de JMP permet d'effectuer facilement des prévisions sur un grand nombre de groupes simultanément. Ces prévisions peuvent être partagées et l'ensemble du processus peut être facilement automatisé. Le graphique ci-dessous illustre comment reproduire l'ensemble du processus en un seul clic.
Étude de cas
Je prendrai l'exemple de l'entreprise fictive Red Triangle Widget (RTW). RTW fabrique et vend environ 250 produits différents (références). Si ses prévisions de ventes sont erronées, ses plans de production le seront également, ce qui l'exposera soit à un surstockage et à l'immobilisation de liquidités jusqu'à écoulement des stocks, soit, pire encore, à passer à côté d'opportunités de marché.
Actuellement, le processus de prévision de RTW mobilise une semaine entière pour une seule personne. Celle-ci reçoit une extraction de la base de données du service informatique et doit ensuite analyser manuellement chaque référence (SKU) afin d'établir une prévision, même approximative, pour chacune d'elles. Ce processus étant extrêmement long, RTW ne met à jour ses prévisions qu'une fois par mois. Le reste du mois est souvent consacré à répondre en urgence à la demande client, car la fiabilité des prévisions diminue avec l'éloignement de la date de début.
Il est clair que RTW doit rationaliser ce processus afin d'éviter de gaspiller la semaine de travail d'un employé chaque mois, de perdre d'innombrables heures à corriger des prévisions rapidement obsolètes et de rater des opportunités de vente. L'entreprise doit mettre à jour ses prévisions chaque semaine, mais la méthode actuelle est tellement chronophage et laborieuse qu'il est impossible de le faire sans embaucher au moins une personne supplémentaire. Faute de budget pour recruter du personnel additionnel, RTW a simplement besoin d'une méthode simple, rapide, reproductible et automatisée pour réaliser ses prévisions de ventes.
Accès aux données
Remarque : Ce processus doit être entièrement automatisé. Commencez par aller dans Fichier > Nouveau > Flux de travail, puis sélectionnez le bouton Enregistrer pour mettre en œuvre toutes les automatisations nécessaires. Si vous n’êtes pas familier avec le Générateur de flux de travail, consultez cette brève introduction ou cette explication plus détaillée .
Puisque le service informatique de RTW générait déjà les données de vente utilisées pour les prévisions, il est logique de leur demander la requête SQL qu'ils utilisent et de l'exécuter directement dans JMP. Pour ce faire, utilisez Fichier > Nouveau > Requête de base de données. Ensuite, convertissez la requête de la méthode visuelle de JMP en une requête SQL personnalisée et collez-la dans la fenêtre. L'exécution de la requête crée une table de données d'environ 22 000 lignes représentant toutes les ventes quotidiennes de widgets des trois derniers mois.
Préparation des données
Puisque RTW souhaite effectuer des prévisions hebdomadaires, les données doivent être regroupées par semaine. De plus, comme l'utilisation de données incomplètes fausserait les prévisions, les semaines ne comportant pas sept jours de données doivent être supprimées.
L'outil Tableaux > Résumé permet de mettre en forme les données au format hebdomadaire. La création des colonnes Semaine et Année sera utile ultérieurement, notamment si les prévisions couvrent plusieurs années.
En utilisant Lignes > Sélection de lignes > Sélectionner une zone, et en sélectionnant toutes les lignes ne comportant pas sept points de données, il est facile (et reproductible dans le Générateur de flux de travail) de ne conserver que les semaines complètes. Supprimez les lignes sélectionnées après avoir cliqué sur OK.
Une dernière étape est nécessaire avant d'établir les prévisions. Créez une nouvelle colonne contenant la date, calculée à partir de l'année et du numéro de semaine. Cette étape est utile car elle garantit que toutes les données soient réparties par incréments hebdomadaires réguliers, ce qui est essentiel pour les outils de prévision.
Prévision
Maintenant que les données sont nettoyées et structurées correctement, la prévision des séries temporelles dans JMP est la partie la plus simple. Dans Analyser > Modélisation spécialisée > Prévision des séries temporelles, il est très facile de renseigner les trois champs :
Dans la fenêtre qui s'affiche après avoir cliqué sur OK, la plateforme présente des récapitulatifs pour vous aider à vérifier la cohérence des données. Après avoir examiné ces récapitulatifs, indiquez le nombre de périodes futures pour lesquelles vous souhaitez effectuer des prévisions. Cliquez sur Exécuter pour afficher les prévisions pour l'ensemble des quelque 250 références.
Veuillez noter que chaque référence produit (SKU) possède un modèle de prévision individualisé, adapté à ses données historiques. Plus d'informations sur les types de modèles sont disponibles ici .
Partage
Comme de nombreuses personnes qui utiliseront ces prévisions ne s'intéressent pas particulièrement aux statistiques, il peut être utile de les présenter sous forme de graphique interactif simple. Utilisez l'option « Triangle rouge » pour sélectionner « Enregistrer les résultats », ce qui crée un nouveau tableau de données incluant les prévisions et d'autres données. Vous pouvez également l'utiliser avec l'outil de création de graphiques pour créer un outil de recherche simple.
Ces rapports peuvent être chargés sur JMP Live afin d'être partagés avec toute personne ayant besoin d'accéder aux prévisions, même sans posséder JMP. Ceci est particulièrement utile pour partager les prévisions avec les fournisseurs ou les clients. Ces rapports peuvent être intégrés à une page web, comme illustré dans l'exemple ci-dessous.
Automation
J'ai mentionné précédemment l'utilisation de Workflow Builder pour enregistrer le processus. Grâce à cet enregistrement, toutes les étapes ne sont effectuées manuellement que la première fois. Pour mettre à jour les prévisions, il suffit de cliquer sur « Lancer », ce qui permet à RTW d'actualiser facilement ses prévisions chaque semaine. Le gain de temps permis par l'automatisation de ce processus est considérable.
Grâce à un processus simplifié à un simple clic, RTW a intégré l'équivalent d'un quart de collaborateur à son équipe, sans frais supplémentaires. Les prévisions étant désormais hebdomadaires au lieu de mensuelles, l'intervention de l'ensemble de l'organisation est considérablement réduite. En définitive, l'utilisation de JMP pour les prévisions a été un véritable atout pour l'équipe.
Vos services Achats et Planification utilisent-ils déjà la plateforme de prévision des séries temporelles ? Si ce n’est pas le cas, combien de temps pourraient-ils gagner en automatisant leurs prévisions ?
Notes de données
J'ai utilisé une version modifiée des données d'un concours de prévisions Makridakis de 2020, disponibles ici . Les modifications apportées sont les suivantes :
- Sous-ensemble et empilement des groupes les plus uniques (~250) dans l'ensemble de données.
- Arrondir les données à l'entier le plus proche.
- Modification des noms de colonnes et des valeurs d'identifiant de groupe uniques.
J'ai également créé une table de correspondance des références afin que les données soient présentées de manière similaire à ce qu'un utilisateur final verrait dans une base de données. Comme les lecteurs n'auront pas accès à la base de données exacte que j'ai utilisée, j'ai inclus les données dans Workflow Builder sous forme de tableaux. Tous les fichiers sont joints.
