Travail final
- Après les études de cas
- environ 3 h
Où nous en sommes
Chaque module a ajouté un élément et l'a testé seul : cadrage, test rétrospectif, méthodes de prévision, hiérarchie, intervalles, décision et tâche. Dans ce travail, vous les utilisez tous ensemble. Larkfield ouvre une nouvelle région et ajoute 40 produits, et vous planifiez le prochain trimestre.
Ce que vous saurez faire
Appliquez chaque module du cours à une nouvelle situation. Livrez un dossier de prévision permettant à Kenji et Grace de planifier le prochain trimestre. Les données ressemblent à celles du cours, mais une nouvelle région et 40 nouveaux produits les changent. Vous devez donc tester chaque choix à nouveau, sans le copier.
Avant de commencerCe qu’il faut savoir et avoir sous la main
- Vous avez terminé les modules 1 à 8. Chaque partie ci-dessous nomme les leçons qu’elle utilise.
- Vous n’avez pas besoin des études de cas du module 9 pour ce travail. (Le certificat en exige au moins une.) Pour voir d’abord un plan semblable sur des données réelles, ouvrez Ventes au détail avec une hiérarchie. Cette étude nettoie les données, rapproche les prévisions et commande à partir d’un tableau de coûts, comme vous le ferez ici.
- Votre dossier de tâche
forecast-jobfonctionne à la fin du module 8, après La tâche de prévision planifiée. Si un fichier ne fonctionne plus, copiez à nouveau l’instantanéend-of-m08du dépôt des laboratoires. - Vous pouvez faire les parties 1 à 5 dans un carnet (notebook) Jupyter (local, Colab ou Kaggle), avec
backtest.pydu cours. La partie 6 nécessite la tâche et un terminal. - Environ 3 heures de travail, plus le temps d’exécution. Les exécutions les plus longues de la solution de l’auteur ont pris moins de 2 minutes chacune sur un portable.
- Testé avec Python 3.12, pandas 2.3.3, NumPy 2.4.6, statsforecast 2.1.1, mlforecast 1.1.0 et LightGBM 4.7.0 sur macOS. Les commandes Windows sont rédigées, mais non testées.
La situation : une nouvelle région et 40 nouveaux produits
Section intitulée « La situation : une nouvelle région et 40 nouveaux produits »Larkfield a grandi. Le 1er septembre 2025, l’entreprise a ouvert une quatrième région, east. Une cinquième région, west, a ouvert le 16 mars 2026; elle n’a que deux semaines d’historique, donc ce plan ne l’inclut pas. Depuis le 7 juillet 2025, elle vend 40 nouveaux produits, P201 à P240, dans chaque région. Nous sommes maintenant le dimanche 29 mars 2026. Le prochain trimestre commence demain : 13 semaines, du lundi 30 mars au dimanche 28 juin 2026.
Deux personnes ont besoin aujourd’hui d’un plan pour tout le trimestre :
- Kenji, le responsable de la planification des stocks, doit convenir des volumes du trimestre avec les fournisseurs. Pour eux, il divise le trimestre en cycles de commande de 14 jours, comme les commandes du cours. Cela donne sept cycles, dont le dernier ne dure que 7 jours. Il lui faut une commande pour chaque produit, dans chaque région, pour chaque cycle. La tâche hebdomadaire passe toujours les vraies commandes chaque lundi.
- Grace, la responsable du soutien, doit embaucher des agents temporaires pour le printemps. Elle a besoin du nombre d’agents pour chaque heure d’ouverture des 13 semaines.
Omar, le gestionnaire de produit, pose la question qui détermine le travail : « Combien nous coûtera le plan s’il est erroné? » Tomás, l’ingénieur en IA, a une réponse prête : « Utilisez le modèle de fondation pour tout. Il a gagné le test rétrospectif du cours. » Priya vous demande de leur répondre à tous les deux avec des preuves.
Voici l’historique dont vous disposez. Examinez-le avant de lire les étapes.
- Nord
- Sud
- Côte
- Est (depuis septembre 2025)
Description textuelle du graphique
Un graphique avec une courbe par région, sur 104 semaines d’avril 2024 à mars 2026. Le nord est la plus grande région, avec environ 2 000 à 5 300 unités par semaine. Le sud est un peu plus bas. La côte est la plus petite des trois anciennes régions, avec environ 1 000 à 2 700 unités. Les trois augmentent d’avril à juillet, en 2024 et en 2025, puis diminuent en automne, avec un court pic avant Noël. La courbe de l’est commence en septembre 2025, à environ 2 100 unités par semaine. Elle reste ensuite entre environ 1 400 et 2 400, près de la côte. Au bord droit, à la fin de mars 2026, les anciennes régions recommencent à augmenter. La région est n’a pas encore connu de printemps.
Trois éléments de ce graphique déterminent une grande partie du travail. Le trimestre correspond à la hausse printanière, et l’historique ne l’a connue qu’une fois, en 2025. Les données commencent le 1er avril 2024. La région est et les nouveaux produits n’ont jamais connu de printemps. Et Kenji commande pour 13 semaines à la fois, bien au-delà des 14 jours du test rétrospectif du cours.
Toutes les données sont les données synthétiques de Larkfield. Aucune personne, aucun produit ni aucun prix réel.
Les données
Section intitulée « Les données »Les données se trouvent dans le dépôt des laboratoires, dans C35/final-assignment/data/. Elles ont les mêmes fichiers et colonnes que les données du cours, C35/data/, avec la quatrième région et les 40 nouveaux produits. L’historique va du lundi 1er avril 2024 au dimanche 29 mars 2026. Les ventes du trimestre ne figurent pas dans les fichiers. L’équipe du cours les garde à part pour empêcher quiconque d’ajuster son plan en fonction de ces ventes.
| Fichier | Lignes | Ce que représente une ligne | Colonnes |
|---|---|---|---|
demand.csv.gz |
484 669 | Un produit dans une région pour une journée | date, region, product_id, price, on_promotion (1 ou 0), sales (unités vendues), stock_out (1 : la tablette était vide, donc les ventes sont inférieures à la demande) |
products.csv |
240 | Un produit | product_id, name, category (10 catégories), base_price (dollars), launch_date |
promotions.csv |
458 | Une promotion prévue ou passée | promotion_id, product_id, start, end, discount (0.25 représente une réduction de 25 %) |
price_changes.csv |
4 | Un changement de prix permanent | product_id, date, new_price, reason |
calendar.csv |
819 | Une journée, jusqu’au 28 juin 2026 | date, weekday, holiday (un nom ou une valeur vide), is_holiday |
tickets_hourly.csv.gz |
52 416 | Un canal du centre d’assistance pour une heure | timestamp, channel (clavardage, courriel, téléphone), tickets |
tickets_daily.csv |
2 184 | Un canal pour une journée | date, channel, tickets |
orders.csv |
2 181 | Un canal de vente pour une journée | date, channel, orders |
roster_hourly.csv |
17 472 | Une heure | timestamp, agents_scheduled |
weather.csv |
2 912 | Une région pour une journée | date, region, temp_c (historique seulement) |
Le dossier fait environ 2,2 Mo. SHA256SUMS contient une empreinte de chaque fichier, et dataset.md est la fiche du jeu de données.
Ce qui est connu à l’avance : le calendrier, les promotions prévues et les changements de prix annoncés vont jusqu’au 28 juin 2026. Un magasin planifie ces éléments. La météo du trimestre n’est pas connue. Ne l’utilisez pas comme entrée pour l’avenir.
Copiez les données à côté de votre tâche pour que le carnet et la tâche lisent les mêmes fichiers. Exécutez ceci dans le dossier contenant votre clone du dépôt des laboratoires et votre dossier forecast-job :
git -C nextia-learning-labs pullcp -R nextia-learning-labs/C35/final-assignment/data forecast-job/data-finalcd forecast-job/data-final && shasum -a 256 -c SHA256SUMS && cd ../..git -C nextia-learning-labs pullCopy-Item -Recurse nextia-learning-labs\C35\final-assignment\data forecast-job\data-finalGet-FileHash forecast-job\data-final\demand.csv.gz -Algorithm SHA256Comparez l’empreinte avec la ligne de demand.csv.gz dans SHA256SUMS.
Sur macOS et Linux, chacun des dix fichiers doit afficher OK (réussi).
Les sept parties
Section intitulée « Les sept parties »Le dossier suit le cours, un module après l’autre. Chaque partie nécessite la précédente.
Description textuelle du diagramme
Le schéma contient huit cases sur deux rangées, reliées par des flèches. Première rangée : les données (deux ans de ventes, quatre régions, 240 produits, billets de soutien par heure), puis 1 cadrage (commande et horaire), 2 lecture et nettoyage (ruptures de stock, journée manquante, nouvelle région, nouveaux produits, événements), 3 test rétrospectif (prévision naïve saisonnière et trois familles, avec les mêmes dates de coupure et mesures). Deuxième rangée : 4 séries difficiles (totaux cohérents, produits peu vendus, nouveaux produits), 5 intervalles et décisions (couverture vérifiée, commande et horaire au quantile de coût), 6 tâche (trimestre rejoué et alarme de biais), 7 note pour Omar.
Créez un dossier forecast-pack/ dans votre dossier forecast-job. Mettez-y chaque fichier du travail. Quoi remettre donne la liste des fichiers.
Partie 1 : cadrer les deux décisions
Section intitulée « Partie 1 : cadrer les deux décisions »Utilise Trop de parasols, pas assez de personnel et Définir le cadre de prévision.
Rédigez forecast-pack/FRAMES.md, avec une fiche de cadrage pour chaque décision. Utilisez les coûts du cours. Ce sont des hypothèses : présentez-les comme telles.
- La commande de stock. Indiquez ce qui est prévu (la demande, pas les ventes), le niveau (produit et région) et la période (une journée). Indiquez ensuite l’horizon (le trimestre, en cycles de commande de 14 jours), la fréquence du plan (une fois, le 29 mars) et ses utilisateurs.
- Indiquez les coûts d’une commande trop faible et trop élevée. Une vente perdue coûte 35 % du prix (la marge). Un article invendu coûte 25 % du prix (il est vendu avec une réduction de 60 %). Calculez le ratio critique, la proportion du temps où vous voulez avoir assez de stock.
- L’horaire. Indiquez les mêmes éléments pour les billets : tous les canaux ensemble, par heure, 13 semaines à l’avance, aux heures d’ouverture de 7 h à 21 h 59. Un agent répond à 6 billets par heure.
- Indiquez les coûts d’un manque et d’un surplus d’agents. Une heure d’agent supplémentaire coûte 28 $ US. Une heure où il manque un agent coûte 72 $ US : 6 billets attendent environ une journée de plus, à 12 $ US chacun. Les 72 $ US sont une hypothèse du cours, sans source fondée sur des mesures. Calculez le ratio critique pour l’horaire.
- Ajoutez une phrase à chaque fiche : la tâche de prévision hebdomadaire s’exécute toujours chaque lundi, pour les 14 prochains jours. Dites comment le plan trimestriel et la tâche hebdomadaire fonctionnent ensemble.
Partie 2 : lire les données et les nettoyer sans masquer la demande
Section intitulée « Partie 2 : lire les données et les nettoyer sans masquer la demande »Utilise Découvrir les données de Larkfield, Tendance, saison et bruit, Calendriers, jours fériés et événements et Nettoyer sans masquer la demande.
Rédigez forecast-pack/DATA-NOTES.md. C’est un tableau avec une ligne pour chaque problème trouvé. Chaque ligne indique le problème et son emplacement (produit, région, dates). Elle indique aussi comment vous l’avez trouvé (code ou graphique) et votre action (compléter, marquer, modéliser ou conserver).
- Comptez les lignes, les produits, les régions et les séries par produit et région. Trouvez le premier jour de chaque région et le jour de lancement des nouveaux produits.
- Trouvez les journées sans lignes dans
demand.csv.gz. Complétez chacune selon la règle du cours. - Trouvez les ruptures de stock avec la colonne
stock_out. Comptez les lignes. Complétez-les ou marquez-les pour éviter qu’un modèle apprenne qu’une tablette vide signifie une faible demande. - Trouvez les événements du trimestre dans les fichiers allant jusqu’au 28 juin : jours fériés, promotions prévues et changements de prix. Comparez la date de Pâques en 2025 et en 2026.
- Trouvez les produits peu vendus : les séries par produit et région avec des ventes nulles au moins 70 % des jours.
- Indiquez quelles entrées sont connues pour le trimestre et lesquelles ne le sont pas. Donnez la raison pour chacune.
Partie 3 : tester les méthodes comme dans l’avenir
Section intitulée « Partie 3 : tester les méthodes comme dans l’avenir »Utilise Prévisions naïves, Tester comme dans le futur : le test rétrospectif, Mesurer l’erreur qui compte, Lissage exponentiel, Plusieurs saisons et longues séries, Amplification de gradient avec LightGBM, Modèles profonds et modèles de fondation et Quand ne pas construire de modèle.
Le test rétrospectif (backtest) du cours prévoit 14 jours à l’avance. Le plan de Kenji prévoit 91 jours à l’avance et commence à la fin de mars. Vous testez donc trois fois, et chaque test répond à une question différente.
D’abord, vérifier votre code par rapport au cours
Section intitulée « D’abord, vérifier votre code par rapport au cours »- Prenez les 50 produits du test rétrospectif du cours (
BACKTEST_PRODUCTSdans la cellule de configuration des carnets). Additionnez leurs ventes dans les trois anciennes régions, north, south et coast. Complétez la journée manquante. - Exécutez la prévision naïve saisonnière avec
backtest.py: 13 dates de coupure espacées de 28 jours, la dernière le 15 mars 2026, horizon de 14 jours, coût de stock avec les coûts du cours. - Comparez votre ligne au tableau du test rétrospectif du cours. Les anciennes régions et les anciens produits ont le même historique que les données du cours. Votre ligne doit donc être identique : MASE de 1,034, WAPE de 51,3 %, biais de −0,5 %, coût de 16 739 $ US par cycle de commande. Sinon, corrigez vos données avant de continuer.
Ensuite, le test rétrospectif trimestriel
Section intitulée « Ensuite, le test rétrospectif trimestriel »Description textuelle du diagramme
Une ligne du temps d’avril 2024 à juin 2026. La première barre est l’historique, du 1er avril 2024 au 29 mars 2026. En dessous, dix barres de 91 jours chacune : les dates de coupure du test rétrospectif, tous les 28 jours du 13 avril au 21 décembre 2025. Chaque barre se termine avant la fin de l’historique. En dessous, une barre rouge du 31 mars 2025 à la fin de juin 2025 : la répétition de la même saison, un an plus tôt. La dernière barre, après l’historique, représente le trimestre que vous planifiez, du 30 mars au 28 juin 2026.
- Prenez les mêmes 50 produits, mais au niveau de la décision : une série par produit dans chaque ancienne région (150 séries). Nettoyez-les comme dans la partie 2.
- Utilisez 10 dates de coupure, tous les 28 jours, du 13 avril au 21 décembre 2025, et un horizon de 91 jours. La dernière date de coupure est la plus récente suivie de 91 jours de ventes réelles.
- Exécutez la prévision naïve saisonnière comme référence de base. Exécutez ensuite au moins trois autres familles de méthodes. Par exemple : une méthode statistique (ETS, ARIMA, Theta ou MSTL) et un modèle d’apprentissage automatique (régression ou LightGBM avec variables décalées et de calendrier). Ou le modèle de fondation, ou une règle d’affaires simple : les mêmes semaines de l’an dernier, ajustées au niveau de cette année. Un modèle d’apprentissage automatique à 91 jours ne doit pas utiliser de décalage inférieur à 91 jours. Sinon, il utilise des valeurs dont il ne disposera pas.
- Donnez à chaque méthode les entrées futures connues qu’elle peut utiliser : promotions, prix et jours fériés. Jamais la météo.
- Évaluez chaque méthode avec les mêmes mesures : MASE, WAPE, biais, temps d’ajustement et coût de stock par cycle de commande de 14 jours. Enregistrez le tableau dans
forecast-pack/backtest_table.csv. - Faites la même chose pour les billets : tous les canaux par heure, les mêmes 10 dates de coupure à 23 h, horizon de 2 184 heures (13 semaines). La référence de base est la même heure de la semaine précédente. Évaluez le coût de l’horaire par semaine.
Enfin, répéter la même saison
Section intitulée « Enfin, répéter la même saison »Aucune des 10 dates de coupure ne commence à la fin de mars, avant la hausse printanière. Une méthode peut gagner d’avril à décembre et quand même rater le printemps. Répétez donc le trimestre un an plus tôt.
- Avant l’exécution, écrivez votre règle de choix dans
REPORT.md. Par exemple : « le coût de décision le plus bas sur les 10 dates de coupure et la répétition ensemble ». Écrivez-la d’abord pour que le résultat ne puisse pas changer la règle. - Exécutez les mêmes méthodes depuis la date de coupure du 30 mars 2025, à 91 jours, pour les produits et les billets. Certaines méthodes ne peuvent pas fonctionner ici : l’historique avant cette date de coupure ne dure qu’un an. Dites lesquelles et pourquoi.
- Choisissez une méthode pour le stock et une pour les billets avec votre règle. Expliquez votre choix en trois à cinq phrases, sous le titre Pourquoi cette méthode. Répondez à Omar : combien coûte chaque méthode en dollars? Répondez à Tomás : quels résultats le modèle de fondation a-t-il obtenus dans votre tableau, et combien coûterait son exécution?
Partie 4 : les séries difficiles
Section intitulée « Partie 4 : les séries difficiles »Utilise Des hiérarchies qui doivent s’additionner, Demande intermittente, Nouveaux produits sans historique et Ruptures et changements.
Prévoyez maintenant les 960 séries (240 produits dans 4 régions) pour les 91 jours à partir du 30 mars 2026. Utilisez la méthode de la partie 3. Certaines séries ont besoin de plus que cette méthode.
- La hiérarchie. Larkfield compte quatre niveaux : le total, la région (4), la région et la catégorie (40), et le produit dans la région (960). Rapprochez vos prévisions pour que chaque niveau soit la somme du niveau inférieur. Nommez la méthode (ascendante, descendante ou MinT) et justifiez votre choix. Montrez, avec une vérification, que les totaux concordent et qu’aucune prévision n’est négative.
- Les produits qui se vendent peu. Pour les séries ayant au moins 70 % de jours à zéro, choisissez une méthode selon le coût, pas seulement selon MASE. Rappelez-vous que « toujours zéro » peut gagner selon MASE, mais quand même faire perdre toutes les ventes.
- La nouvelle région. La région est n’a aucun printemps dans son historique. Choisissez comment lui attribuer une saison empruntée ailleurs. Par exemple, utilisez le même produit dans les autres régions, ajusté au niveau des dernières semaines dans l’est. Testez l’idée : prévoyez les 4 dernières semaines de l’est à partir d’une date de coupure 4 semaines plus tôt. Si un test est impossible, expliquez pourquoi.
- Les nouveaux produits. P201 à P240 ont environ 38 semaines d’historique, sans printemps. Choisissez comment leur attribuer une saison empruntée ailleurs, par exemple la courbe de leur catégorie. Testez cette idée sur un lancement passé : prévoyez les nouveaux produits six semaines après leur lancement, comme dans la leçon.
- Les événements. Placez Pâques aux dates de 2026, les promotions prévues aux jours prévus et la hausse de prix de P051 au 4 mai 2026. Expliquez comment vous avez estimé l’effet de la hausse de prix : l’historique contient d’autres changements de prix.
Partie 5 : les intervalles, la commande et l’horaire
Section intitulée « Partie 5 : les intervalles, la commande et l’horaire »Utilise Une prévision est un intervalle, Noter l’intervalle et De la prévision à la commande et à l’horaire.
- Donnez un intervalle à chaque prévision : au moins les quantiles à 10 % et à 90 % de chaque jour et du total de chaque cycle de commande. Si votre méthode ne produit pas d’intervalle, construisez-en un à partir des erreurs de votre test rétrospectif (backtest).
- Vérifiez la couverture. Apprenez l’intervalle sur les premières dates de coupure du test rétrospectif. Aux dates de coupure suivantes, comptez combien de fois la valeur réelle se trouve dans l’intervalle à 80 %. Faites-le pour les jours et pour les totaux sur 14 jours. Dites si l’intervalle est trop étroit ou trop large.
- La commande. Pour chaque produit, région et cycle de commande, commandez le quantile de la demande du cycle au ratio critique de la partie 1. Écrivez
forecast-pack/orders_quarter.csv. - L’horaire. Pour chaque heure d’ouverture, prévoyez les agents selon le ratio critique de l’horaire. Prévoyez au moins un agent à chaque heure d’ouverture, et aucun en dehors des heures d’ouverture. Écrivez
forecast-pack/roster_quarter.csv. - Le coût attendu. Calculez le coût attendu des commandes du trimestre et de l’horaire à partir de votre intervalle. Aux dernières dates de coupure du test rétrospectif, comparez chaque règle à une commande ou un effectif correspondant à la prévision elle-même. Dites quelle règle coûte moins cher, et de combien.
Partie 6 : exécuter la tâche sur un trimestre rejoué
Section intitulée « Partie 6 : exécuter la tâche sur un trimestre rejoué »Utilise La tâche de prévision planifiée et Surveiller la prévision.
Vous préparez le plan du trimestre une seule fois. La tâche hebdomadaire planifie toujours les 14 prochains jours chaque lundi, et l’alarme de biais vérifie ses résultats. Rejouez les 13 dernières semaines de l’historique avec les nouvelles données, comme si la tâche avait été exécutée chaque lundi.
-
Dans votre dossier
forecast-job, avec son environnement virtuel actif, rejouez les 13 semaines à partir du 29 décembre 2025 dans un nouvel espace de stockage :Fenêtre de terminal python -m forecast_job replay --data data-final --store runs-final --start 2025-12-29 --weeks 13Cela prend environ une minute et demie. La première ligne doit être identique à celle de l’auteur :
Week 2025-12-29: 22534 units to order (expected cost 50865 dollars), 485 agent hours (expected cost 4911 dollars), 0 warnings, 0 overrides. Plan: runs-final/2025-12-29 -
Vérifiez la dernière semaine rejouée, que la réexécution ne vérifie pas elle-même :
python -m forecast_job check --data data-final --store runs-final --week 2026-03-23. -
Planifiez la première semaine du trimestre :
python -m forecast_job run --data data-final --store runs-final --week 2026-03-30. -
Listez toutes les alarmes de biais avec leur catégorie, leur direction et leurs semaines. Pour chacune, donnez la cause probable. Utilisez les quatre réponses du cours : les données, un événement ponctuel, un nouveau niveau ou un motif que la méthode ne peut pas apprendre.
-
Comparez les 14 premiers jours de la tâche à ceux de votre plan trimestriel, pour le total et la catégorie de chaque alarme. Dites ce que vous changeriez dans la tâche pour le printemps, et pourquoi. Vous n’avez pas besoin de modifier le code de la tâche.
Partie 7 : la note pour Omar
Section intitulée « Partie 7 : la note pour Omar »Utilise Les personnes et les prévisions.
Écrivez forecast-pack/NOTE.md : une page pour Omar, le gestionnaire de produit de Larkfield, qui ne lit pas le code.
- Commencez par la décision : la commande du trimestre en unités et en dollars, les heures d’agents et le coût attendu de chaque décision. Incluez les hypothèses de coût.
- Indiquez combien le plan économise par rapport à la référence de base simple, en dollars, selon votre test rétrospectif et votre répétition.
- Nommez les trois plus grands risques, avec les produits ou les semaines que chacun touche. Incluez la région est et les nouveaux produits.
- Écrivez ce que la prévision ne peut pas savoir : au moins la météo du trimestre, et une autre chose. Dites ce que l’alarme de biais de la tâche montrera si cela arrive, et ce que Kenji et Grace devraient alors faire.
- Vérifiez chaque nombre de la note dans vos fichiers, comme le fait la vérification des nombres de la tâche. Si un LLM a rédigé une partie, dites-le, puis vérifiez vous-même ses nombres et le sens du texte.
Quoi remettre
Section intitulée « Quoi remettre »Le dossier forecast-pack/ dans votre dossier forecast-job, avec :
forecast-pack/ FRAMES.md Part 1: two frame cards with the costs and the critical ratios DATA-NOTES.md Part 2: one row for each data problem, and the known and unknown inputs backtest_table.csv Part 3: one row for each method and test (course check, quarter backtest, rehearsal) forecast_quarter.csv Parts 4 and 5: ds, region, product_id, yhat, q10, q90 (960 series x 91 days) totals_quarter.csv Part 4: level, key, ds, yhat (the reconciled totals) orders_quarter.csv Part 5: cycle_start, days, region, product_id, forecast, low_80, high_80, order roster_quarter.csv Part 5: hour, tickets, q10, q90, agents (2,184 hours) replay.txt Part 6: the output of the replay, the check and the first week's run REPORT.md Parts 2 to 6, and the commands to reproduce every number NOTE.md Part 7: one page for Omar notebook or scripts everything that you ran, and requirements.txt with exact versionsREPORT.md doit contenir ces sections :
# Larkfield quarter plan, 30 March to 28 June 2026: forecasting report
## Decisions and costs (short; the full cards are in FRAMES.md)## Data problems and cleaning (short; the full table is in DATA-NOTES.md)## Course backtest check (Part 3: your seasonal-naive row against the course's)## Quarter backtest (Part 3: the table for the products and for the tickets)## Rule for the choice (Part 3: written before the rehearsal)## Rehearsal of the season (Part 3: the table, and the methods that could not run)## Why this method (Part 3: three to five sentences)## Hard series (Part 4: the hierarchy, slow sellers, the east, new products, events)## Ranges and coverage (Part 5: coverage on the later cut-offs)## The order and the roster (Part 5: the rule, the quarter's expected cost, the comparison)## The job over the replayed quarter (Part 6: the alarms and their causes)## Limits (what the plan cannot know, and what you would test next)## How to reproduce (commands, versions, run times, a fresh environment)Vérifiez votre travail
Section intitulée « Vérifiez votre travail »Ce cours n’a pas encore de réviseur. Révisez votre travail avec ce tableau, ou demandez à un collègue de l’utiliser. Marquez chaque élément comme démontré, partiellement démontré ou pas encore démontré, avec une justification. Le cours est terminé quand chaque élément est démontré. Vous pouvez corriger un élément et le réviser autant de fois que nécessaire.
Les points indiquent le poids de chaque élément pour vous aider à décider où consacrer votre temps. Ils ne remplacent pas la règle : un dossier avec 90 points et un élément pas encore démontré n’est pas complet.
| Preuve requise | Points | Démontré quand |
|---|---|---|
| Un cadre de prévision pour chaque décision | 10 | Les deux fiches nomment la cible (la demande, pas les ventes), le niveau, la période, l’horizon, la fréquence et les utilisateurs. Elles donnent les coûts d’une prévision trop élevée ou trop faible et les désignent comme des hypothèses. Les deux ratios critiques sont corrects. |
| Des données lues et nettoyées sans cacher la demande | 10 | Le jour manquant, les ruptures de stock, la nouvelle région, les nouveaux produits, Pâques, les promotions et la hausse de prix sont repérés. Pour chacun, le travail indique où et comment. Les jours de rupture de stock sont remplis ou marqués, et non utilisés comme des zéros pour l’entraînement. Aucune météo future n’est utilisée. |
| Un tableau du test rétrospectif honnête | 20 | La ligne de prévision naïve saisonnière correspond à celle du cours. Le test rétrospectif trimestriel comprend la méthode naïve saisonnière et au moins trois autres familles de méthodes. Il utilise les mêmes séries, dates de coupure, horizon et mesures, ainsi que le coût de la décision. La répétition de la saison est présente, et la règle de choix a été écrite avant. Aucun décalage (lag) n’est plus court que l’horizon. |
| Des prévisions rapprochées et les séries difficiles | 15 | Les totaux concordent à chaque niveau, et aucune prévision n’est négative. Les produits qui se vendent peu, la région est et les nouveaux produits ont chacun une méthode précisée, une justification et un test. La prévision inclut Pâques, les promotions et la hausse de prix. |
| Des prévisions par quantiles, la commande et l’horaire | 20 | La couverture des intervalles est vérifiée à des dates de coupure qui n’ont pas servi à les établir. Les commandes et l’horaire découlent des ratios critiques, avec au moins un agent à chaque heure d’ouverture. Le coût attendu du trimestre est donné et comparé à la règle fondée sur la prévision elle-même. |
| La tâche sur le trimestre rejoué | 10 | La sortie de la réexécution est présente. Chaque alarme de biais est listée avec une cause parmi les quatre réponses du cours. Le rapport indique quoi changer dans la tâche pour le printemps. |
| La note pour Omar | 10 | Une page, sans code. La décision et son coût viennent en premier. Elle nomme ce que la prévision ne peut pas savoir et quoi faire quand l’alarme se déclenche. Chaque nombre se trouve dans le dossier. |
| Une exécution que quelqu’un d’autre peut reproduire | 5 | REPORT.md contient les commandes, les versions et les temps d’exécution. Le carnet ou les scripts s’exécutent dans un environnement neuf et donnent les mêmes nombres. |
Le cours ne reconnaît pas la réussite dans quatre cas, même si tous les autres éléments sont corrects :
- une méthode est testée avec une division aléatoire, ou avec des valeurs futures en entrée (un décalage plus court que l’horizon, la météo réelle du trimestre);
- le tableau n’a aucune référence de base naïve saisonnière;
- une méthode est choisie selon son erreur seulement, alors que le coût de la décision était demandé;
- la commande ou l’horaire correspond à la prévision ponctuelle, sans intervalle pour l’appuyer.
À quoi ressemble un bon dossier
Section intitulée « À quoi ressemble un bon dossier »Un bon dossier n’est pas celui qui a la plus petite erreur. Il présente honnêtement ses mesures et compare chaque méthode à une référence de base simple. Il se termine par une décision et son coût.
Ces intervalles viennent de la solution de l’auteur. L’auteur l’a construite uniquement à partir des données publiques, avec le code du cours. L’équipe du cours l’a ensuite évaluée une fois sur le trimestre qu’elle garde caché. Vos méthodes peuvent différer. Comparez alors la méthode et l’ordre de grandeur du résultat, pas le nombre exact.
- L’erreur quotidienne reste grande. Pour un produit dans une région, sur une journée, une WAPE d’environ 60 % à 70 % est normal, quelle que soit la méthode. La plupart de ces séries vendent quelques unités par jour. Ne vous attendez pas à ce qu’une méthode réduise beaucoup l’erreur quotidienne. Attendez-vous à ce qu’elle réduise le coût de la décision.
- Les totaux sont bien meilleurs. Le total hebdomadaire de tous les produits est le nombre que Kenji convient avec les fournisseurs. Son erreur représente environ le quart de l’erreur quotidienne par produit, ou moins.
- Une méthode sans saison annuelle prévoit trop bas au printemps. Dans la répétition de l’auteur, chaque méthode a terminé environ 10 % à 16 % trop bas sur le trimestre. Avec un an d’historique, aucune ne pouvait bien apprendre le printemps. Votre plan a deux printemps dans son historique. Sur le trimestre caché, les méthodes avec seulement une saison hebdomadaire prévoyaient un total environ un quart trop bas. La méthode de l’auteur, avec des variables annuelles, avait un écart d’environ 5 % ou moins.
- La meilleure méthode économise de l’argent réel. Dans le test rétrospectif trimestriel et la répétition de l’auteur, les commandes de la méthode la moins chère coûtaient environ 20 % à 30 % de moins que les commandes naïves saisonnières. Sur le trimestre caché, les commandes de l’auteur coûtaient environ un cinquième de moins que celles de la méthode naïve saisonnière. L’horaire coûtait plus d’un quart de moins que « la même heure la semaine passée ».
- Les intervalles tiennent presque leur promesse. Aux dernières dates de coupure, un bon intervalle à 80 % couvre environ 75 % à 90 % des jours et des totaux sur 14 jours. En dehors de ces limites, corrigez l’intervalle avant de l’utiliser pour commander.
- La méthode des billets a aussi besoin de la saison. Les billets de soutien suivent les commandes. Un modèle de billets ajusté sur 12 semaines d’hiver peut gagner d’avril à décembre et quand même manquer le printemps. La répétition le montre.
- La décision a un nombre. La note donne le coût attendu de la commande et de l’horaire du trimestre. Elle indique aussi combien le plan économise par rapport à la référence de base, en dollars.
Erreurs courantes
Section intitulée « Erreurs courantes »- Choisir la méthode du trimestre avec le test rétrospectif sur 14 jours. Une méthode efficace sur 14 jours peut être mauvaise sur 91 jours. Testez à l’horizon de la décision.
- Un test rétrospectif sans date de coupure dans la saison. Dix dates de coupure d’avril à décembre ne testent jamais une prévision faite à la fin de mars. Faites une répétition de la même saison.
- Un décalage plus court que l’horizon. Un modèle avec un décalage de 7 jours a besoin de ses propres prévisions pour prévoir 91 jours à l’avance. Sans elles, il utilise des valeurs qu’il n’aura pas. Utilisez des décalages de 91 jours ou plus, ou une prévision récursive testée comme telle.
- Entraîner sur les zéros des ruptures de stock, ou retirer le jour manquant. Le premier choix apprend au modèle que la demande était nulle. Le second attribue le mauvais jour de semaine à chaque jour après le trou dans une méthode saisonnière.
- Copier Pâques de l’année passée. Pâques était le 20 avril 2025 et tombe le 5 avril 2026. Les mêmes semaines de l’année passée placent la fin de semaine de Pâques deux semaines trop tard.
- Copier les promotions de l’année passée. Les promotions de l’année passée sont dans les ventes de l’année passée. Retirez-les et ajoutez les promotions prévues cette année.
- Une prévision à zéro pour l’est et les nouveaux produits. Ils n’ont pas de printemps passé, donc les mêmes semaines de l’année passée sont vides. Empruntez une saison à des séries semblables.
- MAPE sur des séries avec des jours à zéro. Cette mesure est infinie lors d’un jour à zéro. Utilisez WAPE, MASE et le coût.
- Des totaux qui ne concordent pas. Si la prévision régionale diffère de la somme de ses produits, Kenji et les fournisseurs travaillent avec deux nombres différents.
- L’intervalle à 90 % du modèle de fondation. Chronos-Bolt donne seulement les quantiles de 10 % à 90 %. Son « intervalle à 90 % » est son intervalle à 80 %.
- La météo comme entrée. La météo du trimestre n’est pas connue le 29 mars. Un modèle utilisant la météo réelle semble bon dans le test rétrospectif, mais ne peut pas fonctionner en pratique.
- Une note avec des nombres absents du plan. Vérifiez chaque nombre et lisez la note pour son sens : une vérification des nombres ne détecte pas « commandes » écrit à la place d’« unités ».
Afficher les valeurs de vérification publiques
Ouvrez ceci seulement après avoir obtenu vos propres nombres. Ces valeurs viennent des données publiques, donc vous pouvez les vérifier. Elles ne sont pas la réponse au travail.
- Données (partie 2) : 484 669 lignes dans
demand.csv.gz; 240 produits; 4 régions; 960 séries de produits et de régions. La région est commence le 1er septembre 2025. P201 à P240 commencent le 7 juillet 2025. Un jour n’a aucune ligne : le 19 octobre 2025. 3 153 lignes sont des ruptures de stock (0,65 %). Le trimestre compte 76 promotions prévues, le Vendredi saint le 3 avril 2026, le dimanche de Pâques le 5 avril 2026, le lundi de Pâques le 6 avril 2026, et un changement de prix : P051 passe à 11,99 $ US le 4 mai 2026. 283 séries de produits et de régions ont au moins 70 % de jours à zéro; 140 d’entre elles étaient en vente dès le premier jour. - Vérification du test rétrospectif du cours (partie 3) : méthode naïve saisonnière, 50 produits, trois anciennes régions, 14 jours, 13 dates de coupure : MASE 1,034, WAPE 51,3 %, biais −0,5 %, coût de 16 739 $ US par cycle de commande. Avec les mêmes données, la moyenne mobile sur 28 jours donne MASE 0,875, WAPE 43,5 %, et ETS (AutoETS) donne MASE 0,832, WAPE 41,3 %.
- La réexécution (partie 6) :
Replayed 13 weeks from 2025-12-29: 1 bias alarms, 0 weeks stopped.(13 semaines rejouées à partir du 29 décembre 2025 : 1 alarme de biais, 0 semaine arrêtée.) La vérification de la dernière semaine ajoute une autre alarme. La première semaine du trimestre :Week 2026-03-30: 26065 units to order (expected cost 53497 dollars), 518 agent hours (expected cost 4278 dollars), 0 warnings, 0 overrides.(Semaine du 30 mars 2026 : 26 065 unités à commander, coût attendu de 53 497 $ US; 518 heures d’agents, coût attendu de 4 278 $ US; 0 avertissement, 0 ajustement manuel.)
Récapitulatif
Vous pouvez maintenant transformer une nouvelle situation en un plan que les gens peuvent appliquer. Vous cadrez chaque décision avec ses coûts. Vous lisez et nettoyez les données sans cacher la demande. Vous testez les méthodes dans des conditions qui ressemblent au futur, à l’horizon et dans la saison de la décision. Vous les comparez à une référence de base simple. Vous faites concorder les totaux et donnez aux séries difficiles leur propre méthode. Vous transformez les intervalles en une commande et un horaire avec leur coût attendu. Vous exécutez la tâche hebdomadaire avec son alarme et expliquez le plan et ses limites à un gestionnaire. Les études de cas du module 9 utilisent les mêmes étapes sur des données réelles : Demande de vélopartage et planification du parc, Charge électrique de nombreux clients et Ventes au détail avec une hiérarchie.