Pourquoi les planificateurs de la demande n’adoptent-ils pas l’apprentissage automatique ?

Olga est une prévisionniste expérimentée dans la prévision des ventes de nouveaux produits pour les grands clients de la vente au détail. Elle travaille actuellement chez HAVI en tant que directrice principale, prévisions pour l'Amérique du Nord. Son domaine d'expertise est l'étude de ce qui fait le succès des promotions : marchandises, médias, publicité numérique, tactiques de prix et préférences des consommateurs. Elle est titulaire d'un baccalauréat en économie de l'Université technique nationale d'Ukraine et d'une maîtrise en économie financière de l'Université Carleton à Ottawa, Canada.

Nous savons tous que l’apprentissage automatique (ML) et l’IA suscitent l’enthousiasme de la communauté de l’analyse et de la science des données. Tout service de prévision qui se respecte développe des algorithmes de ML pour prédire qui cliquera, achètera, mentira ou mourra (pour emprunter le titre de l'ouvrage fondateur d'Eric Siegel sur le sujet). Toutes les conférences et publications sur l’analyse sont remplies de mots à la mode sur l’IA.

Mais lorsqu’il s’agit de mise en œuvre réelle, la majorité des prévisionnistes de la demande se montrent quelque peu prudents quant à la mise en œuvre de l’apprentissage automatique. Pourquoi donc? L'apprentissage automatique ne consiste-t-il pas uniquement à prédire, ce qui relève littéralement du travail des prévisionnistes ? Explorons les opportunités et les pièges de l'application de l'apprentissage automatique à la prévision.

Il existe une différence subtile dans la manière dont les prévisions et le ML définissent le terme « prédiction ». Lorsque les prévisionnistes parlent de « prévision », nous entendons une prédiction sur l'avenir. Les méthodes de prévision traditionnelles incluent la modélisation de séries chronologiques, les équations algébriques et les jugements qualitatifs. En conséquence, les prévisions traditionnelles sont quelque peu manuelles et prennent du temps, et peuvent être influencées par le jugement humain. Cependant, les résultats sont faciles à interpréter et il s’agit d’un processus agile ; le prévisionniste sait d'où viennent les chiffres et peut facilement apporter les corrections nécessaires. De plus, les prévisions traditionnelles peuvent être réalisées avec des données limitées.

L'apprentissage automatique ou la « prédiction » de modèle statistique fait référence à la prédiction du passé. Cela semble un peu contre-intuitif, mais l'idée est de comparer la « prédiction » du modèle avec la réalité et de mesurer la différence ou l'erreur. Ces erreurs sont utilisées pour affiner le modèle afin de prédire l’avenir. Par conséquent, les prévisions des modèles dépendent fortement des performances passées et sont presque impossibles à affiner. De plus, l’interprétabilité des modèles est très limitée. Un autre facteur à prendre en compte est que, de par sa conception, le ML nécessite beaucoup de données. L’avantage est que l’apprentissage automatique est rapide, automatisé et objectif, car il est libre de tout jugement humain.

Les algorithmes d’apprentissage automatique et d’IA ont été créés pour un monde numérique avec des données presque illimitées sur les clics, les achats et les données de navigation des clients. Comme nous le savons, ces algorithmes font un excellent travail en nous incitant à effectuer des achats répétés, à acheter des articles gratuits et à nous inscrire à des programmes de fidélité. Le coût irrécupérable des erreurs de prédiction (ventes perdues) est relativement faible. De plus, chaque erreur est une opportunité pour l’algorithme de machine learning de s’améliorer.

Le marché du monde réel est cependant assez différent du marché numérique. Les données ici peuvent être limitées aux ventes de caisses enregistreuses, aux données du programme de fidélité ou aux données d'expédition. Le coût irrécupérable d’une erreur de prévision peut être assez élevé, car les restaurants et les détaillants effectuent des achats en gros. De plus, les prédictions ne peuvent pas s’améliorer d’elles-mêmes car il n’y a pas de boucle de rétroaction automatique. Pour ces raisons, de nombreux détaillants physiques et leurs fournisseurs s’appuient encore sur les méthodes de prévision traditionnelles. Cela ne signifie pas que l'apprentissage automatique ne peut pas offrir des opportunités d'amélioration des prévisions, mais quelques considérations doivent être prises en compte avant de s'aventurer dans l'apprentissage automatique.

Tout algorithme d’apprentissage automatique nécessite beaucoup de données. Par beaucoup de données, je n'entends pas des dates ou des variables. Les modèles d'apprentissage automatique s'exécutent sur des niveaux d'observation définis : il peut s'agir d'un client, d'un magasin, etc. Vous en avez besoin d'au moins un millier (sinon des milliers) pour que l'apprentissage automatique fonctionne. Si l’échantillon est limité à seulement 10 magasins, il est probablement préférable de s’abstenir de l’apprentissage automatique et d’utiliser plutôt des techniques de séries temporelles. Un autre facteur à considérer est le coût de maintenance des données. Est-il facilement disponible ou doit-il être saisi manuellement ? Les données doivent-elles être conçues ? S’agirait-il d’un effort ponctuel ou d’un processus continu nécessitant des ressources humaines et informatiques ? Quel serait le coût du stockage des données au fil des années ?