Depuis 2008, nous nous efforçons de livrer ce que la technologie offre de meilleur en matière de prévisions. Notre technologie est en évolution constante pour réfléter au maximum les dernières découvertes mathématiques et informatiques.

6 GENERATIONS DE PREVISIONS

Au cours de la dernière décennie, les technologies relatives aux données ont évolué à une vitesse folle. Les sociétés sont passées d'une techologie basée principalement sur des mathématiques qui n'avaient que peu changé depuis le 18e siècle, à une technologie centrée sur le Big Data et alimentée par le Machine Learning et le Deep Learning. Lokad s'est donné pour but de rester à la pointe de la technologie, afin d'apporter au domaine de l'optimisation de la supply chain ce que la science peut fournir de meilleur.

Remontez le temps et découvrez les différentes générations de notre technologie de prévisions.

• Differentiable Programming (2019): la convergence de deux domaines d'application algorithmiques : l'apprentissage automatique et l'optimisation numérique
• Deep Learning (2018) : Des prévisions probabilistes basées sur la robotisation par le biais de l'intelligence artificielle (IA) et des grilles de GPUs
• Prévisions probabilistes (2016) : Accepter l'incertitude grâce au Machine Learning et aux statistiques en haute dimension
• Grilles quantiles (2015) : Examiner l'ensemble de la distribution de probabilités de la demande en injectant les contraintes logistiques
• Prévisions quantiles (2012) : Passer des prévisions moyennes à des prévisions biaisées tout en reflétant les asymétries spécifiques aux entreprises
• Prévisions classiques (2008) : Passer d'un modèle mathématique paramétré manuellement à un "benchmark" complètement automatisé basé sur une bibliothèque entière de modèles

LES INGREDIENTS D'UNE ALCHIMIE REUSSIE

La recette du succès

La technologie de Lokad ne se contente pas d'exploiter un (ou même plusieurs) modèle statistique magique. C'est une combinaison d'éléments qui s'assemblent pour créer la bonne alchimie. Dans les premières années, nous nous sommes vite rendus compte à quel point l'écart entre la modélisation purement mathématique et la réalité de la supply chain étant important.

Ce qui pouvait accomplir des miracles en théorie s'avérait complètement inefficace face aux vrais défis métier : les données étaient mal organisées, erratiques, les historiques n'avaient pas suffisamment de profondeur, pour certaines entrerprises le volume considérable de références ou d'entrées des historiques de ventes rendaient des classes entières de modèles presque inutilisables. Pour finir les contraintes de la supply chain elle-même faisaient en sorte qu'une amélioration des métriques classiques de précision des prévisions pouvait dans les faits dégrader la performance de l'entreprise.

Lokad devait trouver les bonnes réponses technologiques à ces enjeux et changer radicalement sa perception sur les prévisions et l'optimisation de la supply chain.

Corrélations

grâce au Deep Learning

Lorsque l'on n'observe qu'un seul produit à la fois, il n'y a tout simplement pas assez de données pour produire une prévision statistique précise. En effet, dans la plupart des marchés de consommation, le cycle de vie des produits est inférieur à 4 ans, ce qui signifie qu'en moyenne, la plupart des produits possèdent moins de 2 ans d'historique - soit la profondeur d'historique minimum pour effectuer une analyse fiable de la saisonnalité lorsqu'on travaille sur une seule série temporelle. Nous solutionnons ce problème en exploitant les corrélations statistiques : l'information obtenue sur un produit nous aide à affiner la prévision d'un autre produit. Par exemple, Lokad peut auto-détecter la saisonnalité applicable à un produit, même si celui-ci est en vente depuis moins de 3 mois. En effet, bien qu'aucune saisonnalité ne puisse être observée avec moins de 3 mois de données, si des produits plus anciens sont présents dans l'historique, on peut en extraire la saisonnalité pour l'appliquer aux nouveaux produits.

Puissance de calcul

grâce au Cloud Computing et aux GPUs

div>Bien que l'exploitation des corrélations au sein de l'historique de données puisse augmenter considérablement la précision des prévisions, elle augmente également la quantité de calculs à effectuer. Par exemple, pour corréler 1 000 produits en recherchant toutes les paires possibles, il faut compter environ 1 000 000 de combinaisons. Et il s'avère que beaucoup d'entreprises ont bien plus de 1 000 produits... Grâce au cloud computing et aux processeurs graphiques (GPU), lorsque les clients nous envoient leurs données, nous allouons les machines uniquement lorsque cela est nécessaire. Puis, en moins de 60 min, nous retournons les résultats et nous désallouons du même coup les machines. Étant donné que le cloud que nous utilisons (Microsoft Azure) facture à la minute, nous ne consommons que ce dont nous avons réellement besoin. Comme aucune entreprise n'a besoin de prévisions plus d'une fois par jour, cette stratégie nous permet d'emblée de diviser par 24 les coûts hardware par comparaison avec les approches traditionnelles.

Probabilités

pour intégrer les contraintes métier

Une prévision traditionnelle est une prévision médiane, c'est-à-dire une valeur qui a 50% de chance d'être au-dessus ou en-dessous de la demande future. Malheureusement, cette vision classique ne correspond pas aux préoccupations centrales du domaine de la logistique, à savoir éviter les ruptures de stocks et réduire les stocks. En 2016, Lokad a lancé la notion de prévisions probabilistes pour la supply chain, ce qui signifie que les probabilités respectives de chaque niveau de demande sont estimées. Au lieu de prévoir une valeur par produit, Lokad fournit toute la distribution des probabilités. Les prévisions probabilistes surpassent très largement les prévisions classiques pour les produits à rotation lente, les ventes erratiques et les produits qui présentent des pics de demande. Nous sommes convaincus que dans 10 ans, toutes les entreprises pour lesquelles l'optimisation des stocks est importante seront passées aux prévisions probabilistes en exploitant probablement les descendants de cette technologie.

D'UNE BIBLIOTHEQUE MATHEMATIQUE A UNE SOLUTION COMPLETE

Nous possédons une vaste bibliothèque de modèles statistiques. Elle inclut des grands classiques tels que Box-Jenkins, le lissage exponentiel, les modèles auto-régressifs et toutes leurs variantes. Cependant, les modèles classiques n'exploitent que médiocrement les corrélations. Par conséquent, nous avons développé des modèles plus performants qui tirent profit de l'ensemble des données disponibles. Par ailleurs, nous ne cessons de surveiller la qualité des prévisions que nous produisons. Chaque jour, nous effectuons des simulations de prévision pour évaluer soigneusement et réduire les points faibles de notre technologie. Nous pouvons ainsi continuer à améliorer nos modèles et agrémenter notre bibliothèque de nouveaux modèles et de nouveaux paradigmes. Par conséquent, nos clients bénéficient d'une technologie qui s'améliore constamment.

Cependant, nous nous sommes rendus compte il y a longtemps que cela n'était pas suffisant et que nous avions besoin d'aller plus loin dans la réalité de la supply chain et les contraintes et spécificités de chaque entreprise. Non seulement nous n'exigeons de nos clients aucune expertise statistique, mais bien au contraire nous prenons en charge l'ensemble du processus afin de fournir une solution directement utilisable et complète, incluant des suggestions d'achat, de dispatch ou de prix précises, et des tableaux de bord d'indicateurs clés de performance pour évaluer leur exactitude.

Nos Supply Chain Scientists sont là pour vous aider à intégrer toute votre stratégie commerciale et vos insights métier dans une implémentation sur mesure. Tout cela est possible grâce à Envision, notre langage de programmation qui est centré sur les enjeux de la supply chain. Sa flexibilité nous permet d'affiner les scripts pleinement, afin de réfléter les spécificités de votre entreprise et de créer le complément parfait à notre technologie de prévisions.

Si vous souhaitez en savoir plus sur Envision, consultez notre site consacré à la documentation technique. POUR EN SAVOIR PLUS  →