Découvrir les données de Larkfield
- Leçon 3
- 35 min
- Module 1 : Les prévisions servent des décisions
Où nous en sommes
Nous avons deux cadres de prévision sur papier, un pour le stock et un pour le personnel. Nous n'avons pas encore ouvert les données. Dans cette leçon, nous exécutons le carnet de configuration et lisons les commandes, la demande par produit et les billets de Larkfield. Nous découvrons aussi le tableau du test rétrospectif que chaque module de ce cours remplit.
Leçon 3 sur 27 · Prévision et séries chronologiques : prévoir la suiteDécouvrir les données de Larkfield
1. Les prévisions servent des décisions
2. Lire une série chronologique
3. Références de base et tests honnêtes
4. Méthodes statistiques
5. Méthodes par apprentissage automatique
6. Séries difficiles et séries nombreuses
7. L'incertitude et la décision
8. Exploiter une prévision en production
Ce que vous saurez faire
Ouvrez les données de Larkfield et vérifiez que votre configuration fonctionne avant de créer une prévision. Vous lisez chaque table, examinez un produit et repérez ce qui manque. Ensuite, vous produisez la première ligne de la table que chaque module de ce cours remplit.
Carnet JupyterFaites cette leçon dans un carnet
Le carnet (notebook) Jupyter contient toutes les cellules de code, les tâches et les vérifications de cette leçon. Ses cellules de configuration installent pandas, statsforecast et matplotlib. Elles téléchargent les données de Larkfield (environ 2 Mo) et le fichier utilitaire backtest.py du cours, puis les vérifient. Il ne demande aucune configuration locale, aucun compte pour les données et aucune clé. Son exécution prend environ 10 secondes après la configuration. Comptez environ 35 minutes avec la lecture.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- Les cadres de prévision de Kenji et de Grace : la demande, pas les ventes; un produit dans une région par jour; les 14 prochains jours; chaque lundi. Tiré de Définir le cadre de prévision.
- Comment exécuter une cellule dans un carnet et lire une table pandas, dans Apprentissage automatique : du problème à un modèle fiable.
Ce qu’il vous faut sur votre ordinateur
-
Colab ou Kaggle (l’option facile) : un compte Google ou Kaggle gratuit et un navigateur. Utilisez les boutons dans l’encadré ci-dessus.
-
Votre propre ordinateur (facultatif) : Python 3.12 et VS Code avec ses extensions Python et Jupyter. Créez un dossier et un environnement pour le cours. Sur macOS ou Linux :
Fenêtre de terminal mkdir larkfield && cd larkfieldpython3.12 -m venv .venvsource .venv/bin/activatepython -m pip install ipykernelSur Windows, dans PowerShell :
Fenêtre de terminal mkdir larkfield; cd larkfieldpy -3.12 -m venv .venv.venv\Scripts\Activate.ps1python -m pip install ipykernelTéléchargez le carnet avec View on GitHub (voir sur GitHub) dans l’encadré ci-dessus, puis enregistrez-le dans le dossier. Ouvrez-le ensuite dans VS Code. Choisissez le noyau
.venv(en haut à droite). La première cellule du carnet installe les autres paquets dans cet environnement.
Testé sur macOS avec Python 3.12.13, pandas 2.3.3 et statsforecast 2.1.1, dans Jupyter. Les commandes Windows n’ont pas été testées, ni Colab et Kaggle.
Le premier matin dans un nouvel emploi
Section intitulée « Le premier matin dans un nouvel emploi »Imaginez votre premier matin comme nouveau gestionnaire d’un magasin. Vous allez planifier les commandes de la semaine prochaine. Vous ne commencez pas par un plan. Vous ouvrez d’abord les armoires et les registres : ce qui reste sur les étagères, les ventes, les pages manquantes. Dix minutes d’observation peuvent vous éviter un plan fondé sur une mauvaise page.
La prévision fonctionne de la même façon. Tomás a créé sa prévision avant de regarder les données. Sans le savoir, il l’a entraînée sur des jours où les étagères étaient vides. Dans cette leçon, vous regardez d’abord. Vous soumettez aussi une prévision simple au test du cours pour vérifier que tout fonctionne sur votre ordinateur.
Ouvrez le carnet
Section intitulée « Ouvrez le carnet »Le carnet crée un dossier larkfield-forecasting à côté de lui et travaille dedans. Les données vont dans un sous-dossier data. Ouvrez-le depuis l’encadré Faites cette leçon dans un carnet en haut de cette page. Ensuite, exécutez les trois cellules de configuration dans l’ordre :
-
Installez les paquets. La cellule affiche
pandas 2.3.3etstatsforecast 2.1.1. -
Obtenez les données d’exercice. La cellule télécharge les données et vérifie la somme de contrôle de chaque fichier. C’est une empreinte qui change si un seul octet du fichier change. Elle affiche :
Ready: 403758 rows of daily sales (200 products, 3 regions), from 2024-04-01 to 2026-03-29. -
Chargez les fonctions utilitaires. La cellule n’affiche rien.
Si vous voyez la ligne Ready (prêt), votre configuration fonctionne. Si une cellule affiche une erreur, sa dernière ligne indique quoi faire. Le carnet explique les deux erreurs courantes : Could not download (téléchargement impossible) et wrong checksum (somme de contrôle incorrecte).
Les dix tables
Section intitulée « Les dix tables »Les données de Larkfield comprennent dix tables. Avant de les lire avec du code, regardez leurs liens.
Description textuelle du diagramme
Le diagramme contient sept cases. À gauche, trois cases mènent à la table demand. La première est products, avec 200 produits dans 10 catégories. La deuxième contient calendar, promotions et price_changes : le magasin les planifie à l’avance, jusqu’au 28 juin 2026. La troisième est weather, avec une flèche pointillée, car on connaît seulement la météo passée. La table demand contient une ligne par produit, région et jour. Elle contient le prix, un indicateur de promotion, les unités vendues et l’indicateur stock_out. Une flèche mène de demand à orders : une ligne par canal de vente et par jour, avec environ 1,65 unité par commande. Une autre flèche mène aux deux tables de billets, quotidiens et horaires. Les billets suivent les commandes des trois jours précédents. Une dernière flèche pointillée, portant la mention « Grace planifie », mène à roster_hourly, les agents prévus à chaque heure.
Chaque ligne de chaque table contient une date ou une heure. Chaque table forme donc un ensemble de séries chronologiques. Une série chronologique est une liste de valeurs dans l’ordre du temps, une valeur pour chaque période : chaque jour ou chaque heure. Voici les sept premiers jours des commandes de Larkfield, en additionnant les trois canaux (web, application et téléphone) :
| Jour | Lun. 1er avril 2024 | Mar. 2 | Mer. 3 | Jeu. 4 | Ven. 5 | Sam. 6 | Dim. 7 |
|---|---|---|---|---|---|---|---|
| Commandes | 550 | 536 | 536 | 515 | 562 | 566 | 621 |
L’ordre des valeurs compte. Si vous mélangez ces sept nombres, vous perdez l’information que le dimanche suit le samedi. Le cours d’apprentissage automatique pouvait mélanger ses lignes. Une prévision ne le peut pas, et le reste de ce cours repose sur cette règle.
La cellule de la section 1 lit les dix tables et affiche leur taille et leurs colonnes. Avant de l’exécuter, faites une prédiction : quelle table contient le plus de lignes? Les ventes quotidiennes de chaque produit dans chaque région, ou les billets par heure?
names = ["demand.csv.gz", "orders.csv", "tickets_daily.csv", "tickets_hourly.csv.gz", "roster_hourly.csv", "weather.csv", "calendar.csv", "products.csv", "promotions.csv", "price_changes.csv"]tables = {name: pd.read_csv(f"data/{name}") for name in names}for name, t in tables.items(): print(f"{name:22} {len(t):7} rows {list(t.columns)}")La sortie :
demand.csv.gz 403758 rows ['date', 'region', 'product_id', 'price', 'on_promotion', 'sales', 'stock_out']orders.csv 2181 rows ['date', 'channel', 'orders']tickets_daily.csv 2184 rows ['date', 'channel', 'tickets']tickets_hourly.csv.gz 52416 rows ['timestamp', 'channel', 'tickets']roster_hourly.csv 17472 rows ['timestamp', 'agents_scheduled']weather.csv 2184 rows ['date', 'region', 'temp_c']calendar.csv 819 rows ['date', 'weekday', 'holiday', 'is_holiday']products.csv 200 rows ['product_id', 'name', 'category', 'base_price', 'launch_date']promotions.csv 410 rows ['promotion_id', 'product_id', 'start', 'end', 'discount']price_changes.csv 3 rows ['product_id', 'date', 'new_price', 'reason']La table demand est de loin la plus grande : 403 758 lignes, une par produit, région et jour. Son nom suit le cadre, mais lisez ses colonnes : elle contient les unités vendues et un indicateur stock_out (rupture de stock). La demande réelle n’y figure pas.
L’historique va du lundi 1er avril 2024 au dimanche 29 mars 2026 : 104 semaines. Le calendrier, les promotions et les changements de prix vont 13 semaines plus loin, jusqu’au 28 juin 2026. Le magasin les planifie à l’avance. Une prévision peut les utiliser. Les ventes de ces 13 semaines sont le futur caché. Nous les gardons de côté pour évaluer vos prévisions à la fin du cours, comme le ferait la réalité.
Un produit : le parasol
Section intitulée « Un produit : le parasol »La cellule de la section 2 additionne les trois régions du parasol pour chaque jour et trace deux années. Elle marque les jours de promotion et les jours où une région n’avait plus de stock :
demand = pd.read_csv("data/demand.csv.gz", parse_dates=["date"])parasol = demand[demand["product_id"] == "P025"].groupby("date").agg( sales=("sales", "sum"), promotion=("on_promotion", "max"), stock_out=("stock_out", "max"))print(len(parasol), "days,", int(parasol["sales"].sum()), "parasols sold,", int(parasol["promotion"].sum()), "promotion days,", int(parasol["stock_out"].sum()), "days with a stock-out")La sortie :
727 days, 4201 parasols sold, 14 promotion days, 9 days with a stock-outLe carnet trace chaque jour. Le graphique ci-dessous additionne les jours en semaines pour que vous puissiez le lire sur un téléphone.
Description textuelle du graphique
Le graphique montre 104 semaines, d’avril 2024 à mars 2026. Le parasol se vend d’avril à septembre, et presque pas en hiver, avec entre 1 et 13 ventes par semaine. Durant l’été 2024, les ventes hebdomadaires restent au-dessus de 100 de la fin juin au début août. Elles culminent à 159 la première semaine de juillet. La semaine la plus élevée des deux années est une semaine de promotion en septembre 2024, avec 178 parasols. L’été 2025 est plus faible : après un bon mois de mai, la plupart des semaines restent sous 70. Une hausse se démarque : la semaine de chaleur du 30 juin 2025, avec 147 parasols, puis la semaine suivante, avec 155.
727 jours, et non 728 : il manque un jour. La section 4 le trouve.
Dans les données, les ventes ne sont pas la demande
Section intitulée « Dans les données, les ventes ne sont pas la demande »Dans la section 2, le carnet vous demande de compter les jours de rupture de stock du produit P002 dans le nord. Il s’agit de la chaise pliante noire. Écrivez p002_north_out, puis exécutez la cellule de vérification :
rows = demand[(demand["product_id"] == "P002") & (demand["region"] == "north")]p002_north_out = int(rows["stock_out"].sum())print(p002_north_out)9Check passed: p002_north_out is 9.Ce sont neuf jours consécutifs, du 12 au 20 mai 2025, sans ventes. C’est la rupture de stock du cas d’échec de Définir le cadre de prévision. Les données la montrent seulement par l’indicateur. Le module 2 décide quoi faire de ces jours.
Le tableau du test rétrospectif
Section intitulée « Le tableau du test rétrospectif »Imaginez deux applications météo sur votre téléphone. À laquelle devriez-vous faire confiance? Chaque soir pendant un mois, vous notez ce que chaque application annonce pour demain. Le lendemain soir, vous notez la météo réelle. À la fin du mois, vous comparez. Deux règles rendent la comparaison équitable. Chaque application prévoit avec seulement ce qu’elle savait ce soir-là. Et les deux applications sont évaluées sur les mêmes jours.
On teste les prévisions de la même façon. Une date de coupure est un jour du passé où nous nous plaçons, comme si c’était aujourd’hui. La méthode voit seulement les jours jusqu’à cette date et prévoit les jours suivants. Ensuite, nous comparons sa prévision aux ventes réelles, que nous connaissons parce qu’elles sont dans l’historique. Nous répétons cela à plusieurs dates de coupure. Ce test est un test rétrospectif (backtest) : un test sur le passé, comme si chaque date de coupure était aujourd’hui.
Le cours soumet chaque méthode au même test rétrospectif et écrit une ligne par méthode dans une seule table :
- Les mêmes séries : 50 produits, avec leurs trois régions additionnées (
BACKTEST_PRODUCTSdans le carnet). - Les mêmes dates de coupure : 13 jours, espacés de 28 jours, du 13 avril 2025 au 15 mars 2026. À chaque date, la méthode prévoit les 14 prochains jours : l’horizon de Kenji.
- Les mêmes mesures : l’erreur, le biais, le temps d’ajustement et le coût des commandes de Kenji, avec les prix du cadre.
- Jours que la méthode peut utiliser
- Les 14 jours qu'elle prévoit
Description textuelle du graphique
Le graphique contient 13 lignes, une par date de coupure, numérotées de 1 en haut à 13 en bas. Chaque ligne comporte un long trait du 1er avril 2024 à la date de coupure : les jours que la méthode peut utiliser. Un trait court le suit : les 14 jours qu’elle prévoit. La première date de coupure est le 13 avril 2025, donc son historique dure environ un an. Chaque ligne suivante commence sa prévision 28 jours plus tard. La dernière date de coupure est le 15 mars 2026. Ses 14 jours se terminent le 29 mars 2026, le dernier jour de l’historique.
La cellule de la section 3 exécute la méthode la plus simple : « le même jour de la semaine dernière ». Avant de l’exécuter, faites une prédiction : en pourcentage des unités vendues, l’erreur de cette prévision est-elle d’environ 10 %, 25 % ou 50 %?
sales = load_sales(BACKTEST_PRODUCTS)fc = bt.backtest(sales, bt.seasonal_naive(7), h=14, origins=ORIGINS)row = bt.score(fc, sales, "seasonal naive", season=7, cost=bt.stock_cost(PRICES))table = bt.show([row])La sortie :
method horizon MASE WAPE % bias % pinball fit s cost $seasonal naive 14 1.034 51.3 -0.5 0.04 16739La valeur fit s (secondes d’ajustement) dépend de votre ordinateur. Toutes les autres valeurs doivent être identiques.
Lisez la première ligne
Section intitulée « Lisez la première ligne »Le module 3 explique chaque mesure avec un exemple détaillé. Pour l’instant, lisez-les en mots simples :
| Colonne | Valeur | En mots simples |
|---|---|---|
method |
seasonal naive | La prévision : le même jour de la semaine dernière. « Naïve » signifie qu’elle n’apprend rien. |
horizon |
14 | Elle prévoit les 14 jours après chaque date de coupure. |
WAPE % |
51.3 | Toutes les erreurs additionnées représentent 51,3 % de toutes les unités vendues. |
bias % |
−0.5 | Au total, la prévision est trop basse de 0,5 %. Ses erreurs ne penchent pas d’un côté. |
MASE |
1.034 | Son erreur comparée à celle de la même méthode sur les jours passés. Près de 1 ici, car c’est cette méthode. |
pinball |
(vide) | Un score pour les intervalles de prévision. Cette méthode ne donne aucun intervalle ici. |
fit s |
0.04 | Les secondes d’ajustement pour les 13 dates de coupure. |
cost $ |
16739 | Le coût des commandes de Kenji sur 14 jours établies avec cette prévision, en moyenne par date de coupure, en dollars. |
Une erreur de la moitié des unités vendues semble mauvaise. Pour un jour et un produit, c’est normal, car les ventes quotidiennes d’un produit sont bruitées. Ce nombre prend plus de sens à côté d’autres lignes. Chaque module de ce cours ajoute des lignes à cette table : méthodes statistiques plus avancées, apprentissage automatique, modèle de fondation et intervalles. Cette première ligne est la référence à battre. Une méthode qui coûte plus de 16 739 $ US par commande ne justifie pas sa complexité.
À vous : une semaine de promotion
Section intitulée « À vous : une semaine de promotion »Changez une chose dans la section 2. Avant de l’exécuter, faites une prédiction : le produit P141, une couette noire, avait un rabais de 25 % du lundi 8 au dimanche 14 septembre 2025. Ses ventes ont-elles augmenté d’un quart, de moitié ou davantage? Dans une nouvelle cellule, additionnez les ventes de P141 par semaine et affichez trois semaines de septembre 2025.
Afficher la réponse
duvet = demand[demand["product_id"] == "P141"].groupby("date")["sales"].sum()weekly = duvet.resample("W-SUN").sum()print(weekly["2025-09-01":"2025-09-21"])date2025-09-07 802025-09-14 1832025-09-21 76Freq: W-SUN, Name: sales, dtype: int64resample("W-SUN") additionne les jours en semaines qui se terminent le dimanche, et pandas nomme chaque semaine par son dimanche. Pendant la semaine de promotion, 183 couettes ont été vendues, contre 80 la semaine précédente et 76 la suivante. C’est plus du double. Une réduction de prix de 25 % a fait bien plus qu’ajouter 25 % aux ventes. La promotion est une situation que nous avons introduite. Elle figure aussi à l’avance dans promotions.csv, donc une prévision peut en tenir compte. Le module 2 l’utilise.
Erreur courante
Un jour absent
Symptôme : Mei, l’ingénieure de données, affirme que le flux des commandes est complet. La section 4 du carnet le vérifie :
orders = pd.read_csv("data/orders.csv", parse_dates=["date"])per_day = orders.groupby("date")["orders"].sum()all_days = pd.date_range(per_day.index.min(), per_day.index.max(), freq="D")print(len(per_day), "days with orders,", len(all_days), "days in the calendar")print("missing:", [d.date().isoformat() for d in all_days.difference(per_day.index)])727 days with orders, 728 days in the calendarmissing: ['2025-10-19']Aucune erreur n’apparaît nulle part. Le fichier ne contient aucune ligne pour le dimanche 19 octobre 2025. Le flux a omis ce jour. C’est une situation que nous avons introduite.
Cause : une méthode qui lit « une ligne par jour » place le lundi 20 octobre directement après le samedi 18 octobre. Chaque jour suivant est alors décalé d’une position. « Le même jour de la semaine dernière » lit un lundi là où elle attend un mardi.
Correction : complétez toujours la série avant de prévoir. Listez chaque période de la première à la dernière (pd.date_range), puis décidez quelle valeur attribuer à chaque période manquante. Dans ce cours, la fonction utilitaire load_sales() attribue une moyenne à un jour manquant. Elle prend le même jour de la semaine précédente et de la semaine suivante. Pour les commandes, c’est le dimanche 12 octobre (695) et le dimanche 26 octobre (592) : (695 + 592) ÷ 2 = 643,5. Le module 2 discute de ce choix.
Conséquence dans le travail en IA : une période manquante brise une prévision sans avertissement. Les nombres semblent normaux, donc personne ne vérifie. Les billets de ce jour sont complets, donc les deux tables ne concordent plus non plus. En production, un jour de données manquant devrait arrêter la prévision, pas la décaler. La tâche de prévision planifiée du module 8 fait cela.
Exercice guidé : exécutez le carnet
Section intitulée « Exercice guidé : exécutez le carnet »- Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet en haut de cette page.
- Exécutez les trois cellules de configuration. Vous voyez
pandas 2.3.3,statsforecast 2.1.1et la ligneReady:(prêt). - Dans la section 1, écrivez votre prédiction : quelle table contient le plus de lignes. Ensuite, exécutez la cellule. Vous voyez
demand.csv.gzavec403758 rows(403 758 lignes). - Dans la section 2, exécutez la cellule du parasol. Vous voyez
727 days, 4201 parasols sold, 14 promotion days, 9 days with a stock-out(727 jours, 4 201 parasols vendus, 14 jours de promotion, 9 jours de rupture de stock), et un graphique avec deux étés. - Dans la cellule Your turn (à vous), comptez les jours de rupture de stock de P002 dans le nord. Placez le nombre dans
p002_north_out. - Exécutez la cellule de vérification. Elle affiche
Check passed: p002_north_out is 9.(vérification réussie : p002_north_out vaut 9). - Dans la section 3, écrivez votre prédiction de l’erreur, en pourcentage. Ensuite, exécutez la cellule du test rétrospectif. Vous voyez
seasonal naive(naïve saisonnière),1.034,51.3,-0.5et16739. - Dans la section 4, exécutez la cellule. Vous voyez
missing: ['2025-10-19'](date manquante : 19 octobre 2025). - Ajoutez une nouvelle cellule pour la couette de À vous : une semaine de promotion. Vous voyez
183pour la semaine qui se termine le 14 septembre 2025.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
La table de demande contient une colonne sales et une colonne stock_out, mais aucune colonne de demande réelle. Pourquoi est-ce important pour le cadre de Kenji, et que permet l'indicateur stock_out?
Afficher la réponse
Le cadre de Kenji demande de prévoir la demande, mais les données contiennent seulement les ventes. Lors d’une rupture de stock, les ventes sont inférieures à la demande, souvent nulles. La demande réelle de ces jours ne figure pas dans les données. L’indicateur stock_out (rupture de stock) montre quels jours sont touchés. Vous pouvez donc exclure ces jours des données d’entraînement ou les remplir. Vous évitez ainsi d’apprendre à la méthode de prévision que personne ne voulait le produit. P002 dans le nord compte neuf jours de ce type, du 12 au 20 mai 2025.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Prédisez et expliquez : vous prévoyez les commandes avec « le même jour de la semaine précédente ». Vous oubliez le jour manquant du 19 octobre 2025. Quelles prévisions deviennent fausses, et pourquoi aucune erreur n'apparaît-elle?
Afficher la réponse
Sans la ligne manquante, la série place le lundi 20 octobre juste après le samedi 18 octobre. Une méthode recule de 7 lignes pour trouver « le même jour de la semaine précédente ». Après le trou, elle arrive maintenant sur le mauvais jour de la semaine, avec un décalage d’un jour. Les prévisions de la semaine suivante utilisent donc le mauvais jour de la semaine. Aucune erreur n’apparaît, car chaque ligne contient toujours une date et un nombre. Corrigez le problème en listant tous les jours avec pd.date_range, puis en remplissant le jour manquant. La règle du cours utilise la moyenne du même jour de la semaine, une semaine avant et une semaine après.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Expliquez le test rétrospectif du cours dans vos mots : qu'est-ce qu'une date de coupure? Que voit la méthode à chaque date? Pourquoi toutes les méthodes utilisent-elles les mêmes 13 dates de coupure et les mêmes 50 produits?
Afficher la réponse
Une date de coupure est un jour de l’historique où nous nous plaçons, comme si c’était aujourd’hui. La méthode voit seulement les jours jusqu’à cette date et prévoit les 14 jours suivants. Ensuite, nous comparons la prévision aux ventes réelles de ces jours. Le cours répète ce processus à 13 dates de coupure, espacées de 28 jours. Elles vont du 13 avril 2025 au 15 mars 2026. Toutes les méthodes utilisent les mêmes dates de coupure et les mêmes 50 produits pour comparer leurs lignes équitablement. C’est comme évaluer deux applications météo sur les mêmes jours. Une méthode testée sur des jours ou des produits plus faciles semblerait meilleure qu’elle ne l’est.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- La configuration fonctionne lorsque le carnet affiche
Ready: 403758 rows of daily sales (200 products, 3 regions), from 2024-04-01 to 2026-03-29.(Prêt : 403 758 lignes de ventes quotidiennes, 200 produits, 3 régions, du 1er avril 2024 au 29 mars 2026.) - Larkfield compte dix tables. Chacune contient des séries chronologiques : des valeurs en ordre chronologique, une par jour ou par heure. L’ordre des lignes compte.
- La table de demande contient les ventes et un indicateur
stock_out, pas la demande réelle. P002 dans le nord a connu neuf jours consécutifs de rupture de stock. - Le calendrier, les promotions et les changements de prix sont connus 13 semaines à l’avance. Les ventes de ces semaines constituent le futur caché, réservé à l’évaluation finale.
- Un jour, le 19 octobre 2025, manque dans les ventes et les commandes. Complétez chaque série avant de prévoir.
- La tableau du test rétrospectif teste chaque méthode aux mêmes 13 dates de coupure, sur les mêmes 50 produits, avec un horizon de 14 jours. Sa première ligne, « le même jour de la semaine précédente », présente une erreur de 51,3 % des unités vendues. Elle coûte 16 739 $ US par commande. Chaque méthode suivante doit faire mieux.
Vous pouvez maintenant ouvrir les données, lire leurs tables et exécuter une méthode dans le test rétrospectif. Mais la courbe du parasol monte et descend encore, et il est difficile de dire pourquoi. Ensuite, vous séparerez une série en une tendance lente, une saison qui se répète et le reste.
Leçon suivante : Tendance, saison et bruit