Demande intermittente
- Leçon 19
- 35 min
- Module 6 : Séries difficiles et séries nombreuses
Où nous en sommes
Notre hiérarchie donne maintenant des totaux cohérents. À sa base, certains produits se vendent une fois par semaine ou par mois. La plupart des jours, les ventes sont nulles. Dans cette leçon, nous voyons pourquoi les prévisions et les mesures habituelles échouent pour ces produits. Nous utilisons Croston, SBA et TSB.
Leçon 19 sur 27 · Prévision et séries chronologiques : prévoir la suiteDemande intermittente
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
Prévoyez les ventes des produits qui se vendent seulement quelques jours, et choisissez la prévision avec une mesure adaptée. Pour un produit à faibles ventes, la plupart des jours n’ont aucune vente. Les mesures d’erreur habituelles préfèrent alors une prévision de zéro, qui ne commande rien. La méthode de Croston et ses variantes SBA et TSB prévoient la quantité vendue et la fréquence des ventes.
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. Il applique la méthode de Croston à la main et trouve les 140 séries à faibles ventes de Larkfield. Puis il teste rétrospectivement six méthodes et montre pourquoi « toujours 0 » gagne selon MASE. Ses cellules de préparation installent les paquets et téléchargent les données de Larkfield. Aucune préparation locale n’est donc nécessaire. Environ 35 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 main
Ce que vous devez savoir
- MASE, WAPE, le biais et le coût de la commande de stock, dans Mesurer l’erreur qui compte.
- Le lissage : une nouvelle valeur rapproche en partie le niveau de cette valeur, dans Lissage exponentiel.
- La hiérarchie de Larkfield, dans Des hiérarchies qui doivent s’additionner.
Ce qu’il vous faut sur votre ordinateur
Rien : le carnet fonctionne dans Colab ou Kaggle.
Testé avec Python 3.12, pandas 2.3.3 et statsforecast 2.1.1, dans Jupyter sur macOS.
La clé de rechange
Section intitulée « La clé de rechange »Vous gardez une clé de maison de rechange pour les visiteurs. Un visiteur vient environ une fois par mois, sans que personne puisse vous dire quel jour. Combien de clés vous faut-il la semaine prochaine?
« Zéro » est juste la plupart des jours, donc cela semble être une bonne prévision. Mais si vous prévoyez zéro, vous n’avez aucune clé le jour où un visiteur arrive. Une meilleure réponse comporte deux parties : à quelle fréquence les visiteurs viennent (environ tous les 30 jours). Et combien viennent en même temps (habituellement un). Vous pouvez alors planifier : une clé suffit.
Larkfield a beaucoup de produits de ce genre : quelques unités certains jours, avec de longs intervalles entre les ventes.
Le problème : la plupart des jours n’ont aucune vente
Section intitulée « Le problème : la plupart des jours n’ont aucune vente »Priya examine la base de la hiérarchie : un produit dans une région. Elle garde les séries en vente pendant tout l’historique et comptant 70 % ou plus de jours sans vente :
140 slow series | mean share of zero days: 0.902vacuum bags P170, days with a sale: {'north': 12, 'south': 5, 'coast': 11}En moyenne, 9 jours sur 10 n’ont aucune vente. Les sacs d’aspirateur se vendent environ une fois par mois. Cette demande, avec beaucoup de jours sans vente et des ventes à des moments irréguliers, s’appelle la demande intermittente. Ce sont des produits à faibles ventes.
Priya lance le test rétrospectif (backtest) du cours sur les 140 séries : 13 dates de coupure, ou origines, de 14 jours chacune. Une de ses méthodes est une blague : elle prévoit toujours 0.
method MASE WAPE % bias % cost $ always 0 0.599 100.0 -100.0 4371seasonal naive 1.012 156.7 -4.0 2885 Croston 1.091 165.5 4.6 3733 SBA 1.066 162.2 -0.6 3679 TSB 1.007 152.9 -3.1 3193 ADIDA 1.004 151.6 -4.4 2911« Toujours 0 » a de loin la meilleure MASE. Seule cette méthode passe sous 1, soit « mieux que la prévision naïve saisonnière ». Pourtant, elle ne commande rien, donc Kenji perd chaque vente. Son coût est le plus élevé du tableau : 4 371 $ US par cycle de commande. Ce coût utilise les hypothèses du cours : une vente perdue coûte 35 % du prix, et une unité invendue, 25 %.
Description textuelle du graphique
Un diagramme à colonnes de la MASE sur 140 séries à faibles ventes. Toujours 0 : 0,599, la plus basse. Naïve saisonnière : 1,012. ADIDA : 1,004. ETS : 1,009. TSB : 1,007. SBA : 1,066. Croston : 1,091.
Description textuelle du graphique
Un diagramme à colonnes du coût de la commande de stock de 14 jours, par cycle, sur 140 séries à faibles ventes. Toujours 0 : 4 371 $ US, le plus élevé. Naïve saisonnière : 2 885, le plus bas. ADIDA : 2 911. ETS : 2 950. TSB : 3 193. SBA : 3 679. Croston : 3 733.
Pourquoi la mesure se trompe
Section intitulée « Pourquoi la mesure se trompe »La MASE divise l’erreur absolue moyenne par un facteur d’échelle. Regardez un jour sans vente. Une prévision de 0 a une erreur de 0. Une prévision de 0,15 a une erreur de 0,15. Dans le test rétrospectif, 90,2 % des jours prévus n’ont aucune vente :
forecast days: 25480 | days with no sale: 22993 (90.2%) | units sold: 3120always 0 mean absolute error per day: 0.1224Croston mean absolute error per day: 0.2026L’erreur absolue récompense la prévision juste pour une journée typique. Or, la journée typique d’un produit à faibles ventes n’a aucune vente. En termes statistiques : l’erreur absolue est minimale à la médiane, qui vaut 0 pour un produit à faibles ventes. WAPE échoue autrement : « toujours 0 » manque chaque unité, donc sa WAPE vaut exactement 100 %. Les autres dépassent 150 %. On ne peut même pas calculer la MAPE, car elle divise par les ventes des jours sans vente, qui valent zéro.
Une commande de stock a besoin du total des 14 prochains jours, pas de la journée typique. Une prévision juste en moyenne, avec un biais près de 0, donne le bon total.
L’idée : la méthode de Croston
Section intitulée « L’idée : la méthode de Croston »En 1972, J. D. Croston a proposé de prévoir les faibles ventes avec deux petites séries, comme pour la clé de rechange :
- la quantité demandée : les unités vendues chaque jour avec une vente;
- l’intervalle : les jours entre une vente et la suivante.
Croston lisse chacune avec le lissage exponentiel simple. La valeur la plus récente reçoit un poids de 0,1, et l’ancien niveau garde 0,9. Puis il divise la quantité par l’intervalle. Les unités par vente divisées par les jours par vente donnent des unités par jour. La prévision est ce taux moyen, identique pour chaque jour à venir.
Croston sur 14 jours
Section intitulée « Croston sur 14 jours »Description textuelle du diagramme
Le schéma montre 14 carrés représentant les jours. Le jour 3 compte 2 unités vendues, le jour 7 en compte 1 et le jour 10 en compte 3. Les 11 autres jours comptent 0 vente. Des accolades sous les carrés montrent les intervalles : 3 jours jusqu’à la première vente, comptés depuis le début. Puis 4 jours jusqu’à la deuxième et 3 jours jusqu’à la troisième. Les jours 11 à 14 n’ont pas encore de vente. Les quantités demandées 2, 1 et 3 donnent les valeurs lissées 2,00, puis 1,90, puis 2,01. Les intervalles 3, 4 et 3 donnent les valeurs lissées 3,00, puis 3,10, puis 3,09. La prévision quotidienne vaut 2,01 ÷ 3,09 = 0,65 unité, identique pour chaque jour à venir. Croston ne change pas aux jours 11 à 14. TSB réduit sa prévision à 0,29 par jour.
Chaque étape, avec un poids de 0,1 :
| Vente | Unités | Intervalle | Quantité lissée | Intervalle lissé |
|---|---|---|---|---|
| Jour 3 | 2 | 3 | 2,00 (la première valeur) | 3,00 (la première valeur) |
| Jour 7 | 1 | 4 | 0,1 × 1 + 0,9 × 2,00 = 1,90 | 0,1 × 4 + 0,9 × 3,00 = 3,10 |
| Jour 10 | 3 | 3 | 0,1 × 3 + 0,9 × 1,90 = 2,01 | 0,1 × 3 + 0,9 × 3,10 = 3,09 |
Prévision : 2,01 ÷ 3,09 = 0,65 unité par jour, soit environ 9 unités en 14 jours. CrostonClassic de statsforecast donne le même nombre :
size 2.01, interval 3.09, forecast 0.650 a day CrostonClassic CrostonSBA TSB 0.65 0.618 0.291Deux corrections : SBA et TSB
Section intitulée « Deux corrections : SBA et TSB »Croston a deux faiblesses connues. Chacune a une correction portant un nom.
- La prévision est un peu trop élevée en moyenne. Diviser deux nombres lissés donne un résultat avec un biais vers le haut. Syntetos et Boylan l’ont montré. Leur correction, SBA, multiplie ici la prévision de Croston par 0,95 : 0,65 × 0,95 = 0,618.
- La prévision change seulement les jours avec une vente. Après la dernière vente, les quatre jours sans vente ne comptent pas. Si un produit cesse de se vendre, Croston continue de prévoir l’ancien taux indéfiniment. TSB (Teunter, Syntetos et Babai) lisse une autre paire : la quantité et la probabilité d’une vente un jour donné. Cette probabilité diminue chaque jour sans vente, donc TSB réduit sa prévision à 0,291.
Une troisième méthode, ADIDA, additionne les jours en blocs aussi longs que l’intervalle moyen. Ainsi, chaque bloc a rarement zéro vente. Elle prévoit les blocs et répartit le résultat également entre les jours.
Larkfield : la poêle dans le nord
Section intitulée « Larkfield : la poêle dans le nord »La poêle P120 dans le nord est un produit typique à faibles ventes. Jusqu’à la dernière date de coupure, le 15 mars 2026, elle a vendu 81 unités sur 75 de ses 714 jours. Ainsi, 89,5 % de ses jours n’ont aucune vente.
- Unités vendues par jour
- Prévision quotidienne de Croston
- Prévision de TSB, 14 prochains jours
- Ventes des 14 prochains jours
Description textuelle du graphique
Le graphique montre 16 semaines de ventes quotidiennes de la poêle dans le nord, du 24 novembre 2025 au 15 mars 2026. Pendant 16 jours, la poêle a vendu 1 ou 2 unités; les autres jours valent 0. La prévision de Croston est une ligne en escalier qui change seulement les jours avec une vente. Elle passe de 0,089 par jour à 0,146 après la dernière vente, le 28 février. Pour les 14 jours après le 15 mars, Croston prévoit 0,146 par jour et TSB, 0,057 par jour. Pendant ces 14 jours, la poêle a vendu 1 unité, sur une seule journée.
L’image suivante agrandit les six dernières semaines. Elle montre les intervalles que Croston voit et ses deux nombres lissés après chaque vente.
Description textuelle du diagramme
Le schéma montre les 42 derniers jours de la poêle avant le 15 mars 2026. Six jours comptent une vente de 1 unité : les 7, 10, 14, 18, 25 et 28 février. Puis, 15 jours n’ont aucune vente. Un tableau donne chaque vente avec les jours depuis la dernière vente, la quantité lissée, l’intervalle lissé et la prévision quotidienne. 7 février : 15, 1,12, 9,45, 0,118. 10 février : 3, 1,11, 8,80, 0,126. 14 février : 4, 1,10, 8,32, 0,132. 18 février : 4, 1,09, 7,89, 0,138. 25 février : 7, 1,08, 7,80, 0,138. 28 février : 3, 1,07, 7,32, 0,146. TSB prévoit 0,057 par jour, soit 0,80 unité en 14 jours.
Kenji commande des unités entières. Le coût du stock du cours arrondit le total de 14 jours à l’entier supérieur. Croston commande 3 poêles, TSB en commande 1, et « toujours 0 » n’en commande aucune. La poêle a vendu 1 unité.
Le tableau complet
Section intitulée « Le tableau complet »Voici le test rétrospectif sur les 140 séries à faibles ventes. Il inclut ETS et la prévision naïve (les ventes d’hier) de la mesure du cours :
| Méthode | MASE | WAPE % | biais % | RMSE | coût $ |
|---|---|---|---|---|---|
| Toujours 0 | 0,599 | 100,0 | −100,0 | 0,440 | 4 371 |
| Naïve saisonnière | 1,012 | 156,7 | −4,0 | 0,534 | 2 885 |
| ADIDA | 1,004 | 151,6 | −4,4 | 0,392 | 2 911 |
| ETS | 1,009 | 150,9 | −4,6 | 0,393 | 2 950 |
| TSB | 1,007 | 152,9 | −3,1 | 0,397 | 3 193 |
| SBA | 1,066 | 162,2 | −0,6 | 0,406 | 3 679 |
| Croston | 1,091 | 165,5 | +4,6 | 0,406 | 3 733 |
| Naïve | 1,063 | 169,6 | +18,9 | 0,555 | 5 238 |
Lisez-le en trois étapes :
- Croston a un biais vers le haut, comme prévu : +4,6 %. Le facteur 0,95 de SBA le ramène à −0,6 %, le meilleur biais de toutes les méthodes.
- L’erreur quadratique ne préfère pas zéro. RMSE élève chaque erreur au carré avant de calculer la moyenne. Il est donc minimal pour une prévision juste en moyenne, et non pour une journée typique. Selon RMSE, ADIDA et ETS sont les meilleurs (0,392 et 0,393), et « toujours 0 » est loin derrière.
- La commande la moins chère ne vient pas d’une méthode pour faibles ventes. La prévision naïve saisonnière répète seulement les ventes de la semaine précédente. Elle coûte le moins cher (2 885 $ US), juste devant ADIDA et ETS. Gardez toujours une méthode simple dans le tableau.
Le résultat honnête : pour les produits à faibles ventes de Larkfield, Croston, SBA et TSB ne surpassent pas les méthodes plus simples sur le coût. La leçon porte davantage sur la mesure que sur la méthode.
Choisir avec la bonne mesure
Section intitulée « Choisir avec la bonne mesure »Pour les produits à faibles ventes :
- Ne choisissez pas selon MASE, MAE ou WAPE seulement. Ils préfèrent zéro ou pénalisent toute prévision non nulle.
- Examinez le biais. Une commande de stock additionne 14 jours. Une prévision juste en moyenne donne le bon total.
- Choisissez selon le coût de la décision quand vous en avez un. Ici : la commande de stock avec les coûts du cours.
- Utilisez RMSE (ou sa version mise à l’échelle, RMSSE) quand vous avez besoin d’une seule mesure d’erreur. Il ne récompense pas zéro.
Quand utiliser Croston et sa famille, et à quel coût
Section intitulée « Quand utiliser Croston et sa famille, et à quel coût »Utilisez ces méthodes quand la plupart des jours n’ont aucune vente et que les ventes arrivent à des moments irréguliers. Exemples : pièces de rechange, produits ménagers à faibles ventes, médicaments rares. Elles sont rapides : 140 séries et 13 dates de coupure ont pris moins de 0,1 seconde.
Ne les utilisez pas quand les jours sans vente suivent un motif. Un produit saisonnier sans vente chaque hiver n’est pas intermittent : ses jours sans vente sont prévisibles. Ne les utilisez pas non plus quand les jours sans vente viennent de ruptures de stock. La demande était alors présente, mais les ventes la cachent (Nettoyer sans masquer la demande).
Leur exécution coûte peu, mais leur prévision est un taux, jamais « 1 unité jeudi ». Kenji obtient une quantité à commander, pas une date de vente.
Erreur courante
Le meilleur score, la pire commande
Symptôme : Tomás trie le tableau des produits à faibles ventes selon MASE et propose « toujours 0 » pour les 140 séries. « C’est le meilleur modèle, et il est gratuit. » Au cycle de commande suivant, Kenji ne commande aucun produit à faibles ventes.
Cause : avec 90,2 % de jours sans vente, l’erreur absolue est minimale à zéro. La MASE, basée sur l’erreur absolue, récompense une prévision qui ne commande jamais.
Correction : choisissez les prévisions de faibles ventes selon le coût de la commande, et vérifiez le biais et RMSE. « Toujours 0 » a coûté 4 371 $ US par cycle de commande en ventes perdues. La commande naïve saisonnière a coûté 2 885 $ US.
Conséquence pour le travail en IA : une mesure mal adaptée à la décision choisit un modèle qui paraît meilleur, mais cause le plus de dommages. Les clients trouvent les produits à faibles ventes toujours en rupture de stock.
Exercice guidé : produits à faibles ventes dans le carnet
Section intitulée « Exercice guidé : produits à faibles ventes dans le carnet »- Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet en haut de cette page.
- Exécutez les cellules de préparation. La cellule de données se termine par la ligne
Ready:(prêt). - Dans la section 1, prédisez si la prévision de Croston dépasse 0,6 ou reste en dessous. Puis exécutez la cellule. Vous voyez
forecast 0.650 a day(prévision de 0,650 par jour). - Dans la section 2, exécutez la cellule. Vous voyez
140 slow series(140 séries à faibles ventes). - Dans la section 3, prédisez quelle méthode obtient la meilleure MASE et le coût le plus bas. Lancez le test rétrospectif. Vous voyez le tableau à six lignes.
- Dans la section 4, exécutez la cellule. Vous voyez
22993jours sans vente. - Dans la section 5, écrivez votre réponse dans la cellule Your turn (à vous), puis exécutez la cellule de vérification.
À vous de jouer : la poêle à la main
Section intitulée « À vous de jouer : la poêle à la main »Avant d’exécuter le code, prédisez : la poêle a vendu environ 1 unité par semaine. La prévision de Croston sera-t-elle plus près de 0,1 ou de 0,5 unité par jour? Dans la section 5 du carnet, appliquez la fonction croston() de la section 1 aux ventes jusqu’à ORIGINS[-1]. Placez la prévision quotidienne, arrondie à 3 décimales, dans pan_per_day.
Afficher la réponse
pan = slow[(slow["unique_id"] == "P120/north") & (slow["ds"] <= ORIGINS[-1])]["y"]size, interval, per_day = croston(pan)print(f"size {size:.3f}, interval {interval:.3f}")pan_per_day = round(float(per_day), 3)print(pan_per_day, "a day,", round(14 * per_day, 2), "units in 14 days")size 1.071, interval 7.3210.146 a day, 2.05 units in 14 daysEnviron 1,07 unité tous les 7,32 jours : 0,146 par jour. L’intervalle moyen simple sur tout l’historique est de 9,32 jours. L’intervalle lissé est plus court, car la poêle s’est vendue plus souvent dans les dernières semaines.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Avec les chiffres de Larkfield, expliquez pourquoi une prévision toujours à 0 obtient la meilleure MASE pour les produits peu vendus. Pourquoi Kenji ne devrait-il pas l'utiliser?
Afficher la réponse
Sur les 140 séries de produits peu vendus, 90,2 % des jours de prévision n’ont aucune vente. Ces jours-là, une prévision de 0 ne produit aucune erreur. Son erreur absolue moyenne (0,1224) est donc inférieure à celle de Croston (0,2026). La MASE repose sur l’erreur absolue. Ainsi, « toujours 0 » obtient la meilleure MASE, soit 0,599. Mais cette méthode ne commande rien : son biais est de −100 % et elle perd toutes les ventes. Son coût de stock atteint 4 371 $ US par cycle de commande, le plus élevé des méthodes pour produits peu vendus. La commande naïve saisonnière coûtait 2 885 $ US.
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
Un produit s'est vendu à raison de 0, 3, 0, 0, 1, 0 unités sur six jours. Calculez la prévision quotidienne de Croston avec un poids de 0,1, et dites ce que TSB fait différemment.
Afficher la réponse
Les ventes ont lieu le jour 2 (3 unités) et le jour 5 (1 unité). Quantités : 3, 1. Intervalles : 2 (depuis le début), 3. Quantité lissée : 3, puis 0,1 × 1 + 0,9 × 3 = 2,8. Intervalle lissé : 2, puis 0,1 × 3 + 0,9 × 2 = 2,1. Prévision : 2,8 ÷ 2,1 = 1,33 unité par jour. Croston ignore le jour 6 sans vente. TSB lisse la probabilité d’une vente chaque jour, donc le jour 6 réduit sa prévision.
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 : Grace compte chaque jour les billets de soutien concernant un produit rarement vendu, un barbecue au gaz. La plupart des jours n'en ont aucun. Quelle mesure d'erreur utiliseriez-vous pour choisir sa prévision, et pourquoi?
Afficher la réponse
Pas la MASE, la MAE ou la WAPE seules. Avec une majorité de jours à zéro, ces mesures favorisent une prévision de zéro. Grace ne prévoirait donc aucun temps pour ces billets. Utilisez le coût de la décision, s’il existe. Par exemple, le coût d’une heure manquante ou d’une heure supplémentaire de travail d’un agent. Sinon, utilisez la RMSE, qui est minimale pour une prévision juste en moyenne, et vérifiez le biais. Une prévision dont le biais est proche de 0 donne le bon nombre total de billets sur la semaine.
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
- Demande intermittente : la plupart des jours sont à zéro. Larkfield compte 140 séries de produits peu vendus avec, en moyenne, 90,2 % de jours à zéro.
- L’erreur absolue est minimale à la médiane, qui vaut 0 pour un produit peu vendu. Ainsi, « toujours 0 » obtient la meilleure MASE (0,599) et le pire coût (4 371 $ US par cycle de commande).
- Croston prévoit la quantité demandée et l’intervalle, puis divise la première par le second. La poêle se vend à raison de 1,07 unité tous les 7,32 jours, soit 0,146 par jour.
- SBA élimine le biais à la hausse de Croston (×0,95); TSB réduit sa prévision les jours à zéro; ADIDA prévoit des blocs de jours.
- Choisissez les prévisions des produits peu vendus selon le coût, le biais et la RMSE. Chez Larkfield, la commande naïve saisonnière coûtait le moins (2 885 $ US), suivie d’ADIDA et d’ETS.
Les produits peu vendus ont un long historique avec peu de ventes. Un nouveau produit a le problème inverse : un historique court. Ensuite, vous prévoyez les ventes de produits qui n’ont que six semaines de ventes. Vous utilisez leur catégorie et un modèle global.
Leçon suivante : Nouveaux produits sans historique