Aller au contenu
English

Ruptures et changements

  • Leçon 21
  • 30 min
  • Module 6 : Séries difficiles et séries nombreuses

Où nous en sommes

Nous prévoyons les ventes des nouveaux produits à partir de celles des autres. Les anciens produits changent aussi : une hausse de prix déplace le niveau durablement. L'historique peut alors induire un modèle en erreur. Dans cette leçon, nous repérons la rupture et testons une fenêtre d'entraînement plus courte.

Ce que vous saurez faire

Repérez un changement durable dans une série. Décidez ce que la prévision doit apprendre de la période précédente. Une hausse de prix déplace durablement le niveau d’un produit. Un modèle qui donne le même poids à tous les jours continue de prévoir l’ancien niveau. Vous testez si une fenêtre d’entraînement plus courte corrige cela, et découvrez qu’ETS n’en a pas besoin.

Carnet JupyterFaites cette leçon dans un carnetColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter contient toutes les cellules de code, tâches et vérifications de cette leçon. Il compare une moyenne à un niveau lissé après un changement. Il mesure les ventes du boyau d’arrosage avant et après la hausse de prix, puis essaie une règle d’alarme simple. Il ajuste aussi ETS sur deux fenêtres d’entraînement. Ses cellules de préparation installent les paquets et téléchargent les données de Larkfield. Aucune configuration locale n’est nécessaire. Environ 30 minutes.

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 mainEnviron 30 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

Rien : le carnet s’exécute dans Colab ou Kaggle.

Testé avec Python 3.12, pandas 2.3.3 et statsforecast 2.1.1, dans Jupyter sur macOS.

Vous prenez le même autobus chaque matin. Pendant un an, il arrivait à 8 h 10. En juin, l’entreprise a changé l’horaire : il arrive maintenant à 8 h 25. Si vous utilisez la moyenne de tous vos matins, vous arrivez à 8 h 11 chaque jour et attendez 14 minutes. Les anciens matins sont réels, mais ils décrivent un monde qui n’existe plus.

Deux solutions semblent naturelles. Vous pouvez oublier les anciens matins et utiliser seulement ceux depuis juin. Ou vous pouvez donner plus de poids aux nouveaux matins, pour que les anciens comptent de moins en moins. Cette leçon teste les deux solutions sur un changement réel chez Larkfield.

Le lundi 2 juin 2025, le fournisseur a augmenté le prix du boyau d’arrosage P077, de 24,99 à 31,99 $ US. Larkfield consigne le changement dans price_changes.csv :

product_id date new_price reason
P077 2025-06-02 31.99 supplier price rise
2025: 8 weeks before 126.9 | 8 weeks after 79.8
2024: 8 weeks before 106.4 | 8 weeks after 117.8

Le boyau se vendait à 126,9 unités par semaine pendant les 8 semaines avant la hausse. Il se vendait à 79,8 unités pendant les 8 semaines suivantes. C’est 37 % de moins. Est-ce la fin du printemps? Les mêmes semaines de l’année précédente disent non. En 2024, les ventes de juin dépassaient celles du printemps (117,8 contre 106,4).

  • Semaines à partir du 1er avril 2024
  • Semaines à partir du 31 mars 2025 (hausse de prix le 2 juin)
Au printemps 2025, le boyau se vendait davantage qu'au printemps 2024. Dès la semaine de la hausse, il se vend moins que les mêmes semaines de l'année précédente, tout l'été.
Description textuelle du graphique

Le graphique montre les unités de boyaux vendues par semaine d’avril à septembre, pour deux années. La ligne de 2024, en pointillés, reste entre environ 70 et 160 unités par semaine. La ligne de 2025 se situe surtout au-dessus en avril et mai, avec des semaines de 93 à 163 unités. La semaine du 2 juin 2025, celle de la hausse, les ventes tombent à 90, puis à 61. De juin à septembre 2025, elles restent entre environ 60 et 96 unités par semaine. Elles sont sous la ligne de 2024 chaque semaine.

Un tel changement est une rupture, ou un changement de niveau : la série atteint un nouveau niveau et y reste. Ce n’est ni une valeur aberrante (une journée inhabituelle), ni une saison (un changement qui revient chaque année). Autres causes de ruptures : un nouveau canal de vente, un concurrent, un produit déplacé vers une nouvelle page du site.

Une rupture nuit à une prévision qui apprend de tout l’historique de la même façon. Les anciens jours tirent la prévision vers l’ancien niveau.

Chez Larkfield, cette rupture est facile à repérer : le changement de prix figure dans une table. Consultez d’abord les changements prévus, avant toute statistique. Kenji connaît les prix, les fournisseurs et les nouveaux canaux bien avant que les données les montrent.

Les ruptures non consignées sont plus difficiles à repérer. Priya essaie une règle simple. Elle déclenche une alarme quand les ventes hebdomadaires passent sous 75 % de la moyenne des 8 semaines précédentes. Cela doit se produire deux semaines de suite.

ratio = weeks / weeks.rolling(8).mean().shift(1)
low = ratio < 0.75
fires = ratio.index[low & low.shift(1, fill_value=False)]
alarm in the weeks that end on: ['2024-10-27', '2024-11-03', '2024-11-10', '2025-01-19', '2025-06-15', '2025-06-22', '2026-01-04']

La règle repère la hausse de prix (les semaines se terminant les 15 et 22 juin 2025). Mais cinq de ses sept alarmes correspondent à la fin de la saison de jardinage et aux semaines calmes après Noël. Une règle basée sur le niveau ne distingue pas une saison d’une rupture. Deux meilleures vérifications :

  • Comparez avec les mêmes semaines de l’année précédente, comme ci-dessus : −37 % contre +11 % un an auparavant.
  • Utilisez une méthode de détection des points de rupture qui modélise d’abord la saison. Le cours de détection d’anomalies traite de la détection des points inhabituels et des points de rupture dans plusieurs séries.

L’idée : une fenêtre plus courte, ou un modèle qui oublie

Section intitulée « L’idée : une fenêtre plus courte, ou un modèle qui oublie »

Quand vous connaissez la date d’une rupture, deux approches empêchent les anciens jours d’induire la prévision en erreur.

  • Une fenêtre d’entraînement plus courte : entraînez le modèle seulement sur les jours depuis la rupture. C’est simple et clair. Mais vous perdez de l’information encore valable, comme le profil hebdomadaire.
  • Un modèle qui oublie de lui-même : donnez plus de poids aux nouveaux jours qu’aux anciens. ETS le fait : son poids de lissage alpha représente la part du jour le plus récent dans le niveau. Avec un alpha de 0,3, chaque nouveau jour rapproche le niveau de sa valeur, en parcourant 30 % de l’écart.

Un produit s’est vendu à 20 unités par jour pendant 10 jours. Son prix a ensuite augmenté, et il s’est vendu à 12 unités par jour pendant 5 jours.

Prévision pour demain Calcul Valeur
Moyenne des 15 jours (10 × 20 + 5 × 12) ÷ 15 17,3
Moyenne depuis le changement (5 × 12) ÷ 5 12,0
Niveau lissé, alpha de 0,3 après 5 nouveaux jours, l’ancien niveau garde 0,7⁵ = 0,168 du poids : 12 + 0,168 × (20 − 12) 13,3
mean of all days: 17.3 | mean since the change: 12.0 | smoothed level: 13.3 | weight left on the old level: 0.168

La moyenne de tous les jours a vraiment besoin de la fenêtre plus courte. Le niveau lissé oublie les anciens jours de lui-même. Après 5 jours, ils gardent 16,8 % du poids. Après 10 jours, ils n’en gardent que 2,8 %.

Larkfield : deux fenêtres pour le boyau d’arrosage

Section intitulée « Larkfield : deux fenêtres pour le boyau d’arrosage »

Priya ajuste ETS deux fois à trois dates de coupure (origines de prévision) après la hausse. Elle utilise tout l’historique, puis seulement les jours depuis le 2 juin. Elle utilise AutoETS de statsforecast, qui choisit son propre modèle. Chaque prévision couvre 14 jours.

Une ligne du temps du 1er avril 2024 à juillet 2025, avec la hausse de prix le 2 juin 2025. Une barre couvre les 469 jours d'historique, et une barre plus courte couvre les 42 jours depuis la hausse. Les deux se terminent à la date de coupure du 13 juillet 2025, suivie d'un test de 14 jours. Tout l'historique donne un ETS avec un profil hebdomadaire, un alpha de 0,16 et une WAPE de 23,4 %. La fenêtre courte donne un ETS sans profil hebdomadaire, presque une moyenne constante, avec une WAPE de 24,6 %.
À la première date de coupure après la hausse, tout l'historique donne à ETS un profil hebdomadaire et un alpha de 0,16. Les 42 jours depuis la hausse lui donnent un niveau constant, sans profil hebdomadaire. La fenêtre courte est moins bonne : 24,6 % contre 23,4 %.
Description textuelle du diagramme

Le diagramme est une ligne du temps du 1er avril 2024 à la fin de juillet 2025. Une ligne pointillée marque la hausse de prix du 2 juin 2025. La première barre, tout l’historique, couvre 469 jours, du 1er avril 2024 à la date de coupure du 13 juillet 2025. ETS y a choisi un modèle avec un profil hebdomadaire et un alpha de 0,16. Sa WAPE sur les 14 jours suivants est de 23,4 %. La deuxième barre, depuis la hausse, couvre 42 jours, du 2 juin au 13 juillet 2025. ETS n’y a choisi aucun profil hebdomadaire, presque une moyenne constante, avec une WAPE de 24,6 %. Les deux barres se terminent par un test de 14 jours, du 14 au 27 juillet 2025. Une note indique qu’avec un alpha de 0,16, le jour le plus récent reçoit 16 % du poids. Après les 42 jours depuis la hausse, le niveau précédent garde environ 0,1 % du poids.

La table du carnet :

origin window days model alpha WAPE % bias %
2025-07-13 all history 469 ETS(A,N,A) 0.1563 23.4 -2.9
2025-07-13 since the rise 42 ETS(A,N,N) 0.0001 24.6 1.2
2025-08-10 all history 497 ETS(A,N,A) 0.1534 15.9 -8.2
2025-08-10 since the rise 70 ETS(A,N,N) 0.0001 17.2 9.1
2025-09-07 all history 525 ETS(A,N,A) 0.1501 26.4 -9.4
2025-09-07 since the rise 98 ETS(M,N,M) 0.0001 27.7 -14.2

La colonne model (modèle) contient le nom abrégé d’ETS. La dernière lettre indique la présence d’un profil hebdomadaire : A ou M signifie oui, N signifie non.

  • Tout l'historique
  • Depuis la hausse de prix
Aux trois dates de coupure (13 juillet, 10 août, 7 septembre), ETS sur la fenêtre courte depuis la hausse est moins bon. Sa WAPE dépasse celle d'ETS sur tout l'historique de 1,2 à 1,3 point.
Description textuelle du graphique

Un graphique avec trois paires de colonnes, une paire par date de coupure. 13 juillet 2025 : tout l’historique, 23,4 %; depuis la hausse, 24,6 %. 10 août : tout l’historique, 15,9 %; depuis la hausse, 17,2 %. 7 septembre : tout l’historique, 26,4 %; depuis la hausse, 27,7 %.

La fenêtre plus courte n’a pas aidé. Elle était moins bonne aux trois dates de coupure. Deux raisons :

  1. ETS avait déjà oublié. Sur tout l’historique, son alpha était d’environ 0,15. Après les 42 jours entre la hausse et la première coupure, l’ancien niveau garde (1 − 0,1563)⁴² ≈ 0,0008 du poids. C’est moins de 0,1 %.
  2. La fenêtre courte a perdu le profil hebdomadaire. Avec 42 ou 70 jours, AutoETS n’a choisi aucun profil hebdomadaire, et un niveau constant (alpha de 0,0001). Les jours depuis la hausse étaient trop peu nombreux pour montrer un profil fiable.

Ce graphique montre la première date de coupure, jour par jour :

  • Boyaux vendus par jour
  • ETS sur tout l'historique (153 en 14 jours)
  • ETS depuis la hausse (160 en 14 jours)
Les deux prévisions sont au nouveau niveau. ETS sur tout l'historique garde le profil hebdomadaire (un samedi élevé). ETS sur les 42 jours depuis la hausse donne une ligne horizontale. Il s'est vendu 158 boyaux.
Description textuelle du graphique

Le graphique montre 14 jours, du 14 au 27 juillet 2025. Les ventes réelles sont des points entre 4 et 18 boyaux par jour : 158 au total. ETS sur tout l’historique prévoit entre 8,8 et 14,6 boyaux par jour, avec un maximum le samedi, soit 153 au total. ETS sur les jours depuis la hausse prévoit 11,4 boyaux chaque jour, soit 160 au total. Les deux prévisions sont proches du nouveau niveau. Aucune n’approche l’ancien niveau d’environ 18 boyaux par jour.

Une fenêtre plus courte aide une méthode qui donne le même poids à tous les jours. Priya l’a essayée avec la plus simple de ces méthodes, la moyenne de la fenêtre :

Date de coupure Ventes en 14 jours Moyenne de tout l’historique Moyenne depuis la hausse
13 juillet 2025 158 13,4 par jour, WAPE de 29,4 % 11,4 par jour, WAPE de 24,6 %
10 août 2025 142 13,3 par jour, WAPE de 31,7 % 11,1 par jour, WAPE de 17,2 %
7 septembre 2025 181 13,1 par jour, WAPE de 21,5 % 11,1 par jour, WAPE de 25,7 %

Pour la moyenne, la fenêtre courte gagne à deux des trois dates de coupure, avec jusqu’à 14,5 points d’écart. À la troisième, la saison a fait remonter les ventes. Raccourcissez donc la fenêtre pour les méthodes qui ont une longue mémoire. Par exemple : une moyenne, une longue moyenne mobile, ou une régression qui ajuste un seul niveau à toutes les données. Pour ETS et les autres méthodes avec un poids de lissage, vérifiez d’abord combien les anciens jours comptent encore.

Agissez quand le changement est durable et important par rapport au bruit : changement de prix, nouveau canal, client perdu. N’agissez pas sur une seule semaine inhabituelle. Ce peut être une valeur aberrante ou la saison.

Les coûts :

  • Une fenêtre plus courte élimine de l’information valable : ici, le profil hebdomadaire. Moins il y a de jours, plus le modèle est bruité.
  • Une fenêtre par produit exige une date par produit, et une personne pour tenir les dates à jour. Une table de changements prévus, comme price_changes.csv, est la source la moins coûteuse.
  • Une rupture change aussi le test rétrospectif (backtest). Évaluez la prévision seulement sur les jours après la rupture. Sinon, l’ancien niveau l’avantage ou la pénalise.

Une autre solution garde tout l’historique : donnez le prix au modèle comme entrée, comme dans La prévision comme régression. Le modèle peut alors apprendre l’effet d’une hausse de prix. Cela fonctionne quand les prix changent assez souvent pour en tirer des leçons. L’historique de Larkfield ne contient que trois changements de prix, chacun sur un produit différent.

Erreur courante

Un remède dont le modèle n'avait pas besoin

Symptôme : après la hausse, Tomás configure toutes les prévisions de Larkfield pour utiliser seulement les données depuis le dernier changement de prix. Pour le boyau d’arrosage, ETS devient moins bon aux trois dates de coupure : 24,6 % au lieu de 23,4 % à la première.

Cause : ETS donnait déjà presque aucun poids aux anciens jours. Avec un alpha de 0,16, l’ancien niveau gardait moins de 0,1 % après 42 jours. La fenêtre courte a seulement retiré les jours qui enseignaient le profil hebdomadaire à ETS.

Correction : vérifiez ce que la méthode garde en mémoire avant de couper son historique. Comparez la fenêtre courte à l’historique complet dans un test rétrospectif sur les jours après la rupture. Gardez-la seulement là où elle gagne : ici, pour la moyenne de la fenêtre, pas pour ETS.

Conséquence pour le travail en IA : une solution qui semble évidente peut dégrader une prévision, sans que personne le remarque sans test. Chaque changement aux données d’entraînement est un changement au modèle. Soumettez-le donc à un test rétrospectif.

  1. Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet en haut de cette page.
  2. Exécutez les cellules de préparation. La cellule des données se termine par la ligne Ready: (prêt).
  3. Dans la section 1, prédisez quelle prévision est la plus proche de 12. Exécutez ensuite la cellule. Vous voyez smoothed level: 13.3 (niveau lissé : 13,3).
  4. Dans la section 2, exécutez la cellule. Vous voyez le changement de prix et les moyennes hebdomadaires 126.9 et 79.8.
  5. Dans la section 3, prédisez si la règle se déclenche seulement en juin 2025. Exécutez la cellule. Vous voyez sept semaines.
  6. Dans la section 4, prédisez quelle fenêtre donne la WAPE la plus faible. Exécutez la cellule. Vous voyez six lignes.
  7. Dans la section 5, écrivez votre réponse dans la cellule Your turn (à vous), puis exécutez la cellule de vérification.

À vous de jouer : combien l’ancien niveau compte-t-il encore?

Section intitulée « À vous de jouer : combien l’ancien niveau compte-t-il encore? »

Avant l’exécution, faites une prédiction. Après 42 jours avec un alpha d’environ 0,16, l’ancien niveau garde-t-il plus ou moins de 1 % du poids? Dans la section 5 du carnet, prenez l’alpha d’ETS sur tout l’historique à la première date de coupure. Calculez (1 − alpha) à la puissance 42. Placez le résultat dans old_weight, arrondi à 4 décimales.

Afficher la réponse
alpha = ets.loc[0, "alpha"]
old_weight = round(float((1 - alpha) ** 42), 4)
print(alpha, old_weight)
0.1563 0.0008

Moins de 0,1 %. Après six semaines, ETS a pratiquement oublié le niveau d’avant la hausse de prix. La prévision au nouveau niveau vient du modèle lui-même, pas d’une fenêtre plus courte.

Vérifiez votre compréhension

Comment savez-vous que la baisse des ventes du boyau d'arrosage en juin 2025 est une rupture, pas un effet saisonnier? Utilisez les chiffres.

Afficher la réponse

Le changement de prix est consigné : de 24,99 à 31,99 $ le 2 juin 2025. Les ventes étaient de 126,9 unités par semaine pendant les 8 semaines précédentes, contre 79,8 pendant les 8 semaines suivantes. C’est une baisse de 37 %. Pendant les mêmes semaines un an auparavant, sans changement de prix, les ventes de juin dépassaient celles du printemps : 117,8 contre 106,4. La saison seule aurait donc fait augmenter les ventes. Les ventes sont restées sous le niveau de l’année précédente tout l’été. C’est donc un changement de niveau durable : une rupture.

Vérifiez votre compréhension

Pourquoi une fenêtre d'entraînement commençant à la hausse de prix a-t-elle rendu ETS moins bon? Quel type de méthode en profiterait?

Afficher la réponse

ETS entraîné sur tout l’historique avait un alpha d’environ 0,15. Après les 42 jours entre la hausse et la première date de coupure, l’ancien niveau conservait environ 0,0008 du poids. ETS avait donc déjà atteint le nouveau niveau. La fenêtre courte ne donnait à AutoETS que 42 à 98 jours. Il n’a choisi aucun profil hebdomadaire à deux dates de coupure, et un niveau constant aux trois dates. Ses résultats étaient moins bons de 1,2 à 1,3 point. Une fenêtre courte aide une méthode qui donne le même poids à tous les jours. La moyenne de la fenêtre s’est améliorée à deux des trois dates de coupure. Elle est passée de 29,4 % à 24,6 %, et de 31,7 % à 17,2 %.

Vérifiez votre compréhension

Prédisez : Larkfield commencera à vendre sur une grande place de marché le mois prochain. Grace s'attend à beaucoup plus de billets. Que feriez-vous avec la prévision des billets avant et après le lancement?

Afficher la réponse

Avant le lancement, inscrivez la date et le changement attendu dans un tableau des changements prévus, comme Larkfield le fait pour les prix. Après le lancement, comparez les billets hebdomadaires aux mêmes semaines de l’année précédente, et non aux semaines juste avant. Vous évitez ainsi de confondre la saison avec la rupture. Vérifiez ensuite ce que le modèle de billets garde en mémoire. Un modèle avec un poids de lissage peut s’adapter de lui-même en quelques semaines. Un modèle à mémoire longue a besoin d’une fenêtre qui commence à la rupture. Avant de choisir, faites un test rétrospectif des deux versions, uniquement sur les semaines après le lancement. Si d’autres canaux sont prévus, une variable de canal pourrait être préférable à une réduction de l’historique.

Récapitulatif

  • Une rupture (changement de niveau) fait passer une série à un nouveau niveau de façon durable. Après la hausse de prix, les ventes du boyau d’arrosage sont passées de 126,9 à 79,8 unités par semaine. Pendant les mêmes semaines de 2024, les ventes ont augmenté.
  • Repérez-la d’abord à partir des changements prévus, puis en comparant avec l’année précédente. Une règle simple de niveau s’est aussi déclenchée lors de 5 changements de saison. Le cours sur la détection d’anomalies présente les méthodes de détection des points de rupture.
  • Une fenêtre plus courte aide les méthodes qui donnent le même poids à tous les jours. La moyenne s’est améliorée à deux des trois dates de coupure.
  • Elle n’a pas aidé ETS : les résultats étaient moins bons aux trois dates de coupure (24,6 % contre 23,4 % à la première). ETS avait déjà oublié l’ancien niveau (alpha de 0,16), et la fenêtre courte a perdu le profil hebdomadaire.
  • Testez chaque changement aux données d’entraînement dans un test rétrospectif sur les jours après la rupture.

Ce module a rendu les séries difficiles exploitables : hiérarchies, produits peu vendus, nouveaux produits et ruptures. Mais jusqu’ici, chaque commande reposait sur un seul nombre par jour. Ensuite, vous commanderez à partir de l’intervalle de la prévision. La commande de Kenji dépend de l’ampleur possible de l’erreur de prévision.

Leçon suivante : Une prévision est un intervalle