Aller au contenu
English

Nouveaux produits sans historique

  • Leçon 20
  • 35 min
  • Module 6 : Séries difficiles et séries nombreuses

Où nous en sommes

Nous pouvons prévoir les ventes des produits qui se vendent peu. Un nouveau produit est encore plus difficile : son historique ne couvre que quelques semaines, ou il n'en a aucun. Dans cette leçon, nous utilisons des produits similaires, la courbe de catégorie et un modèle global. Nous évaluons ensuite la fiabilité des premières semaines.

Ce que vous saurez faire

Prévoyez les ventes d’un produit qui n’a que six semaines de ventes. Son historique est court et commence lentement après le lancement. Vous utilisez ce que vous connaissez : ses derniers jours, le profil de sa catégorie et un modèle global entraîné sur tous les produits. Puis vous mesurez la confiance à accorder à chacun.

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

Le carnet (notebook) Jupyter contient toutes les cellules de code, les tâches et les vérifications de cette leçon. Il construit la courbe de catégorie à la main et prévoit les ventes des 19 nouveaux produits de Larkfield avec quatre méthodes. Il évalue ensuite chaque produit séparément. Ses cellules de préparation installent les paquets et téléchargent les données de Larkfield. Aucune préparation locale n’est donc nécessaire. Comptez environ 35 minutes, dont environ 20 secondes d’attente pour LightGBM.

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 35 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

Rien : le carnet fonctionne dans Colab ou Kaggle. Sa première cellule installe aussi mlforecast et LightGBM 4.7.0.

Testé avec Python 3.12, pandas 2.3.3 et LightGBM 4.7.0, dans Jupyter sur macOS.

Une amie ouvre un café. Après six semaines, elle vous demande : « Combien de croissants devrais-je cuire la semaine prochaine? »

Ses six semaines aident, mais ce ne sont pas des semaines normales. La première semaine, peu de gens connaissaient le café. Les ventes ont augmenté chaque semaine. Vous pourriez aussi demander à un autre café en ville : « À quoi ressemble votre semaine? » Ses samedis sont occupés et ses mardis sont calmes. Le café de votre amie est plus petit, mais son profil est probablement semblable.

Vous combinez donc deux choses : le volume de ses propres semaines et le profil d’un café similaire. C’est l’idée principale de cette leçon.

Le problème : six semaines qui ne ressemblent pas à l’avenir

Section intitulée « Le problème : six semaines qui ne ressemblent pas à l’avenir »

Larkfield a lancé 19 produits après le premier jour de ses données. Chacun compte au moins six semaines de ventes, plus 14 jours. Kenji planifie la première commande complète au 41e jour après le lancement du produit. Priya teste ce moment pour les 19 produits.

Le hamac de jardin P007 est un exemple. Il a été lancé le lundi 7 avril 2025. Il s’est vendu 13 unités au total la première semaine. La sixième semaine, il s’en est vendu 287 :

  • Unités vendues par jour
  • Courbe de catégorie (WAPE 18,3 %)
  • Moyenne du produit sur 14 jours (22,7 %)
  • LightGBM global (32,4 %)
Les ventes du hamac passent de presque rien à 65 par jour durant ses six premières semaines. Trois prévisions pour les 14 jours suivants (481 vendus) : la courbe de catégorie est la plus proche (477), LightGBM la plus basse (382). La prévision naïve saisonnière (574) n'est pas représentée.
Description textuelle du graphique

Le graphique montre les ventes quotidiennes du hamac depuis son lancement le 7 avril 2025. Durant les deux premières semaines, il s’en vend de 0 à 5 par jour, avec une journée à 13. Les ventes passent à entre 26 et 65 par jour durant la sixième semaine. Pour les 14 jours suivants, du 19 mai au 1er juin, les ventes réelles sont des points entre 16 et 48 par jour : 481 au total. La courbe de catégorie prévoit 477 unités, la moyenne des 14 derniers jours, 456, et le modèle LightGBM global, 382. La prévision naïve saisonnière, non représentée, répète la sixième semaine, avec des journées à 65 et à 59 : 574.

Ce court historique présente trois problèmes :

  • Il commence lentement. Les semaines de lancement sont sous le niveau normal. Leur moyenne est donc trop basse.
  • Il est court. Six semaines contiennent six lundis. Un profil hebdomadaire tiré de six valeurs contient beaucoup de bruit.
  • Il ne couvre aucune année complète. Vous ne pouvez pas savoir comment un hamac se vend en automne à partir de son printemps.

Une prévision pour un nouveau produit utilise de l’information provenant de produits plus anciens. Voici trois façons courantes :

  • Moyenne récente du produit : utilisez seulement la partie la plus récente de son historique, soit les 14 derniers jours. Elle évite le démarrage lent, mais ne donne aucun profil.
  • Courbe de catégorie : prenez le profil du produit ancien moyen de la même catégorie. Ajustez-le ensuite au volume du nouveau produit. Le profil vient du voisin, le volume vient du produit lui-même.
  • Modèle global : un seul modèle entraîné sur tous les produits, comme le LightGBM de Amplification de gradient avec LightGBM. Il voit l’âge, la catégorie, le prix et les promotions du nouveau produit. Il apprend de tous les produits comment se vend un produit de cet âge et de ce type.

Une méthode similaire utilise les produits analogues. Vous choisissez à la main quelques anciens produits semblables au nouveau (même prix, même usage), puis copiez leur courbe de lancement. Les données de Larkfield commencent le 1er avril 2024. Nous ne pouvons donc pas voir les courbes de lancement des produits plus anciens. Ici, la catégorie remplace les produits analogues.

Une nouvelle lampe s’est vendue à 30 unités durant ses 2 premières semaines. La lampe ancienne moyenne de sa catégorie s’est vendue à 20 unités durant les mêmes 2 semaines. La nouvelle lampe représente donc 30 ÷ 20 = 1,5 fois une lampe moyenne. La semaine dernière, la lampe ancienne moyenne s’est vendue à 2, 2, 3, 3, 4, 6 et 5 unités, du lundi au dimanche.

Lun Mar Mer Jeu Ven Sam Dim
Lampe ancienne moyenne, semaine dernière 2 2 3 3 4 6 5
× 1,5 = nouvelle lampe, semaine prochaine 3 3 4,5 4,5 6 9 7,5
ratio: 1.5 | next week: [3.0, 3.0, 4.5, 4.5, 6.0, 9.0, 7.5]

Les mêmes étapes avec les chiffres réels du hamac :

Trois cases sur une ligne. Un : le hamac s'est vendu à 647 unités en 6 semaines, le produit ancien moyen de mobilier de jardin à 267,9, rapport 2,415. Deux : la dernière semaine du produit ancien moyen, par jour, de 11,87 à 18,82. Trois : chaque jour multiplié par 2,415, de 28,7 à 45,5, soit 477 unités en 14 jours contre 481 vendues.
La courbe de catégorie du hamac : le volume vient de ses six premières semaines (2,415 fois un produit moyen de mobilier de jardin). Le profil vient de la dernière semaine de la catégorie. 477 prévus, 481 vendus.
Description textuelle du diagramme

Le diagramme comporte trois étapes. Étape 1, quel est le volume du nouveau produit : le hamac s’est vendu à 647 unités durant ses 6 premières semaines. Le produit ancien moyen de mobilier de jardin s’est vendu à 267,9 unités durant les mêmes 6 semaines. Le rapport est 647 ÷ 267,9 = 2,415. Étape 2, quel est le profil de la catégorie : les ventes quotidiennes du produit ancien moyen la semaine dernière, du lundi au dimanche. Elles sont de 11,87, 11,87, 12,65, 13,78, 14,17, 18,82 et 15,61. Étape 3, la prévision égale le profil multiplié par le volume : chaque jour multiplié par 2,415, pendant 2 semaines. Cela donne 28,7, 28,7, 30,6, 33,3, 34,2, 45,5 et 37,7. En 14 jours, cela représente 477 unités; le hamac s’est vendu à 481 unités.

Larkfield : quatre méthodes sur 19 nouveaux produits

Section intitulée « Larkfield : quatre méthodes sur 19 nouveaux produits »

Priya prévoit les ventes des 19 nouveaux produits à leur 41e jour, avec quatre méthodes. La quatrième est un seul modèle LightGBM global. Ses entrées sont l’âge du produit en jours, le jour de la semaine, la catégorie, le prix et l’indicateur de promotion. Il reçoit aussi les ventes d’il y a 14, 21 et 28 jours. Il est réentraîné à l’origine de chaque produit, à partir des 200 produits.

own mean WAPE % and bias %: (35.7, 2.9)
seasonal naive WAPE % and bias %: (47.9, 10.8)
category curve WAPE % and bias %: (35.2, -12.7)
LightGBM global WAPE % and bias %: (45.3, 6.6)
Sur 19 nouveaux produits, six semaines après le lancement : la courbe de catégorie (35,2 %) et la moyenne du produit sur 14 jours (35,7 %) battent le modèle LightGBM global (45,3 %) et la prévision naïve saisonnière (47,9 %).
Description textuelle du graphique

Un graphique à colonnes de la WAPE de quatre méthodes sur les 14 jours après le 41e jour de 19 nouveaux produits. Moyenne du produit sur les 14 derniers jours : 35,7 %, biais +2,9 %. Naïve saisonnière : 47,9 %, biais +10,8 %. Courbe de catégorie : 35,2 %, biais −12,7 %. LightGBM global : 45,3 %, biais +6,6 %.

Trois résultats ressortent.

  1. Les deux méthodes simples qui utilisent l’information disponible gagnent, presque à égalité : la courbe de catégorie à 35,2 % et la moyenne du produit à 35,7 %.
  2. La courbe de catégorie est trop basse de 12,7 %. Son rapport utilise les six semaines, y compris les semaines de lancement lent. Elle sous-estime donc un produit qui a atteint son niveau normal. La moyenne du produit sur les 14 derniers jours évite le début, et son biais est seulement de +2,9 %.
  3. Le modèle global perd. Dans le module 5, LightGBM était parmi les meilleures méthodes sur les 50 anciens produits. Ici, il est à 10 points derrière. Il a surtout appris à partir de produits ayant deux ans d’historique. Leurs décalages fournissent la plupart de l’information. Les décalages d’un nouveau produit sont peu nombreux et faibles, et ses premières semaines n’en ont aucun.

Un WAPE total cache les écarts entre les produits. Voici la WAPE de chaque produit, avec un point par produit :

Pour chaque méthode, la WAPE des nouveaux produits individuels va d'environ 20 % à 100 % ou plus. Meilleure méthode par produit : moyenne du produit 8 fois, courbe de catégorie 8, naïve saisonnière 2, LightGBM 1.
Description textuelle du graphique

Un diagramme à points avec quatre lignes, une par méthode, et 19 points par ligne, un par nouveau produit. L’axe va de 0 à 200 %. Moyenne du produit sur les 14 derniers jours : de 21,4 % (gants P097) à 113,0 % (pied de parasol P027). Naïve saisonnière : de 27,4 % à 175,0 %. Courbe de catégorie : de 18,3 % (hamac P007) à 101,0 % (semences à gazon P069). LightGBM global : de 22,3 % à 191,3 %. Sur chaque ligne, quelques produits sont près de 100 % ou au-dessus : le pied de parasol P027, les semences à gazon P069 et le taille-haie P099. La meilleure méthode par produit est la moyenne du produit pour 8 produits, la courbe de catégorie pour 8, la prévision naïve saisonnière pour 2 et LightGBM pour 1.

La réponse à « quelle confiance accorder à six semaines? » est : peu pour un seul produit. La courbe de catégorie du hamac avait une erreur de 18,3 % des unités. Pour le pied de parasol P027, l’erreur atteignait 95 % ou plus avec chaque méthode. Il s’est vendu 241 unités durant ses six premières semaines, au printemps, et seulement 46 durant les deux semaines suivantes. Les semences à gazon P069 et le taille-haie P099 se sont si peu vendus (27 et 22 unités en six semaines) que chaque prévision contenait surtout du bruit.

Kenji traite donc la prévision d’un nouveau produit différemment :

  • Commandez pour une période plus courte, par exemple une semaine plutôt que deux, puis réévaluez.
  • Gardez un intervalle plus large. Le module 7 transforme une prévision en intervalle. Pour un nouveau produit, cet intervalle devrait être large.
  • Surveillez le biais des premières commandes. Si les deux premières commandes sont trop faibles, le produit a probablement dépassé son niveau de lancement.
Méthode Utilisez-la quand Elle échoue quand Coût
Moyenne récente du produit le produit a au moins 2 semaines stables le produit croît encore rapidement ou présente un profil hebdomadaire aucun
Courbe de catégorie la catégorie a un profil clair et des produits similaires le produit diffère de sa catégorie (un pied de parasol se vend différemment des parasols) quelques lignes de pandas
Modèle global les nouveaux produits sont nombreux, avec des caractéristiques qui les expliquent (prix, promotions, âge) les nouveaux produits sont peu nombreux et le modèle a appris sur les anciens un modèle par origine (19 ici, environ 20 secondes)
Produits analogues un expert peut nommer des lancements similaires personne ne le peut, ou l’historique avant le lancement est perdu le temps d’une personne

Avec aucun historique (avant le lancement), seules restent la courbe de catégorie avec un volume prévu et les produits analogues. Le volume vient alors du plan de Kenji : « Nous prévoyons qu’il se vendra comme un produit de mobilier de jardin du tiers supérieur. »

Erreur courante

Les semaines de lancement dans la moyenne

Symptôme : Priya utilise la courbe de catégorie avec un rapport sur les six semaines pour chaque nouveau produit. Les premières commandes de Kenji sont insuffisantes : sur les 19 produits, les prévisions sont trop basses de 12,7 %.

Cause : le rapport inclut les semaines de lancement, quand peu de clients connaissaient le produit. Le hamac s’est vendu à 13 unités la première semaine et à 287 la sixième.

Correction : vérifiez le biais, pas seulement la WAPE. Dans le carnet, un rapport calculé sur les 14 derniers jours fait passer le biais à +9,4 %. Mais la WAPE empire : 38,1 % contre 35,2 %. Deux semaines d’un nouveau produit fournissent peu de données, avec beaucoup de bruit. Un compromis mérite un test rétrospectif (backtest) : par exemple les quatre dernières semaines, ou la moyenne du produit pour les produits qui croissent rapidement.

Conséquence pour le travail en IA : une méthode ayant la meilleure erreur totale peut quand même se tromper dans une direction. Pour une commande de stock, une prévision toujours trop basse signifie des étagères vides à chaque nouveau lancement.

Exercice guidé : les nouveaux produits dans le carnet

Section intitulée « Exercice guidé : les nouveaux produits dans le carnet »
  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 de données se termine par la ligne Ready: (prêt).
  3. Dans la section 1, prédisez les ventes de la lampe le samedi. Puis exécutez la cellule. Vous voyez 9.0 pour le samedi.
  4. Dans la section 2, exécutez la cellule. Vous voyez 19 new products (19 nouveaux produits).
  5. Dans la section 3, prédisez si la courbe de catégorie est trop haute ou trop basse. Exécutez la cellule. Vous voyez -12.7.
  6. Dans la section 4, prédisez si LightGBM bat la courbe de catégorie. Exécutez la cellule. Vous voyez (45.3, 6.6).
  7. Dans la section 5, exécutez la cellule. Vous voyez la WAPE de chaque produit et la meilleure méthode par produit.
  8. Dans la section 6, écrivez votre réponse dans la cellule Your turn (à vous), puis exécutez la cellule de vérification.

À vous de jouer : un rapport sur les deux dernières semaines

Section intitulée « À vous de jouer : un rapport sur les deux dernières semaines »

Avant l’exécution, prédisez : si le rapport utilise seulement les 14 derniers jours, la WAPE diminuera-t-elle et le biais changera-t-il de signe? Dans la section 6 du carnet, calculez la courbe de catégorie avec un rapport sur 14 jours pour les 19 produits. Placez sa WAPE en % dans wape_recent.

Afficher la réponse
pairs = []
for p in new.itertuples():
mine = sales[sales["unique_id"] == p.product_id]
hist = window(mine, p.origin - pd.Timedelta(days=14), p.origin)["y"].to_numpy()
real = window(mine, p.origin, p.origin + pd.Timedelta(days=14))["y"].to_numpy()
others = sales[(sales["category"] == p.category) & sales["unique_id"].isin(old_ids)]
cat_2_weeks = window(others, p.origin - pd.Timedelta(days=14), p.origin).groupby("ds")["y"].mean()
cat_last_week = window(others, p.origin - pd.Timedelta(days=7), p.origin).groupby("ds")["y"].mean().to_numpy()
pairs.append((real, np.tile(cat_last_week, 2) * hist.sum() / cat_2_weeks.sum()))
print("category curve, 14-day ratio, WAPE % and bias %:", wape_bias(pairs))
wape_recent = wape_bias(pairs)[0]
category curve, 14-day ratio, WAPE % and bias %: (38.1, 9.4)

Le biais change de signe : de −12,7 % à +9,4 %. La WAPE empire : 38,1 % contre 35,2 %. Retirer le démarrage lent a corrigé un problème et ajouté du bruit. Gardez un changement seulement quand la WAPE et le biais le justifient tous les deux.

Vérifiez votre compréhension

Expliquez la courbe de catégorie avec les chiffres du hamac. Dites pourquoi elle était trop basse en moyenne sur les 19 nouveaux produits.

Afficher la réponse

Le hamac s’est vendu à 647 unités durant ses six premières semaines. Le produit ancien moyen de mobilier de jardin s’est vendu à 267,9 unités durant les mêmes semaines. Le hamac représente donc 2,415 fois un produit moyen. La dernière semaine de la catégorie, par jour (11,87 à 18,82), multipliée par 2,415 donne la prévision. Cela représente 477 unités en 14 jours, contre 481 vendues. Sur les 19 produits, la courbe de catégorie était trop basse de 12,7 %. Son rapport inclut les semaines de lancement lent, quand peu de clients connaissaient le produit.

Vérifiez votre compréhension

Tomás dit : « LightGBM était parmi les meilleurs modèles du module 5. Il doit donc être le meilleur pour les nouveaux produits aussi. » Qu'a montré le test rétrospectif de Larkfield, et pourquoi?

Afficher la réponse

Sur les 19 nouveaux produits, le modèle LightGBM global avait une WAPE de 45,3 %. La courbe de catégorie avait 35,2 %, et la moyenne du produit sur 14 jours, 35,7 %. Il était le meilleur pour seulement 1 des 19 produits. Le modèle a surtout appris sur des anciens produits ayant deux ans d’historique. Pour eux, les décalages de 14, 21 et 28 jours fournissent la plupart de l’information. Les décalages d’un nouveau produit sont peu nombreux, faibles et partiellement absents. Le modèle a donc peu d’information à utiliser.

Vérifiez votre compréhension

Prédisez : Larkfield lance 40 nouveaux produits au printemps prochain. Kenji demande quelle confiance accorder à leurs premières prévisions. Que lui diriez-vous, avec des chiffres?

Afficher la réponse

Pour un seul produit, peu. Dans le test rétrospectif, la WAPE des nouveaux produits individuels allait d’environ 20 % à 100 % ou plus pour chaque méthode. Pour le pied de parasol P027, l’erreur atteignait 95 % ou plus avec les quatre méthodes. Sur de nombreux produits, les erreurs se compensent en partie : les meilleures méthodes avaient une WAPE totale d’environ 35 %. Je proposerais donc des commandes pour des périodes plus courtes, un intervalle large et une vérification du biais après les deux premières commandes. Les ventes d’un produit lancé au printemps, comme le pied de parasol, peuvent aussi chuter rapidement après sa saison.

Récapitulatif

  • Les premières semaines d’un nouveau produit donnent un historique court, commencent lentement et ne couvrent aucune année complète.
  • Utilisez l’information disponible : la moyenne récente du produit évite le démarrage lent. La courbe de catégorie prend le profil de la catégorie et le volume du produit. Un modèle global apprend sur tous les produits.
  • Sur 19 nouveaux produits après six semaines : courbe de catégorie 35,2 %, moyenne du produit sur 14 jours 35,7 %, LightGBM 45,3 %, naïve saisonnière 47,9 %.
  • La courbe de catégorie était trop basse de 12,7 % : son rapport inclut les semaines de lancement. Un rapport sur 14 jours a inversé le biais à +9,4 % et aggravé la WAPE (38,1 %).
  • Accordez peu de confiance à six semaines pour un seul produit : la WAPE individuelle allait d’environ 20 % à plus de 100 %. Commandez pour des périodes plus courtes et surveillez le biais.

Les nouveaux produits changent d’une semaine à l’autre. Les anciens produits peuvent aussi changer, d’un seul coup : une hausse de prix modifie leur niveau de façon permanente. Ensuite, vous repérerez une telle rupture et testerez si la prévision devrait oublier l’ancien historique.

Leçon suivante : Ruptures et changements