Aller au contenu
English

Surveiller la prévision

  • Leçon 26
  • 40 min
  • Module 8 : Exploiter une prévision en production

Où nous en sommes

Notre tâche produit une prévision chaque semaine et la conserve. Personne ne la consulte encore après la fin de la semaine. Dans cette leçon, nous comparons la prévision de la semaine passée aux résultats et ajoutons une alarme de biais. Nous décidons aussi quand réentraîner et quand changer de méthode. Pensez d'abord à une balance de cuisine qui se trompe toujours un peu.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité

Ce que vous saurez faire

Vérifiez chaque semaine si la prévision de la semaine passée était juste. Repérez les erreurs qui se répètent dans le même sens. Décidez ensuite quoi changer : les données, l’ajustement ou la méthode.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 40 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

La même chose que dans la leçon précédente : l’environnement virtuel de la tâche, activé, dans forecast-job. Les réexécutions de cette leçon prennent environ 45 secondes chacune.

Vous pesez de la farine pour un gâteau. La recette indique 500 grammes. Un jour, le gâteau est un peu sec. La balance s’est-elle trompée? Peut-être. Vous avez peut-être renversé de la farine, ou le four était trop chaud. Un seul gâteau raté vous apprend peu de choses.

Maintenant, la balance affiche 450 grammes chaque fois que vous y posez un paquet de 500 grammes. Chaque jour, elle indique trop peu, toujours d’environ la même quantité. Ce n’est plus de la malchance. La balance a un biais : une erreur qui reste dans le même sens. Peser plus soigneusement ne règle pas le problème. Vous réparez la balance, ou vous en achetez une autre.

Une prévision peut ressembler à cette balance. Une seule mauvaise semaine est normale. Une prévision trop basse, semaine après semaine, dans la même catégorie, demande qu’une personne l’examine.

Le problème : personne ne vérifie le plan de la semaine passée

Section intitulée « Le problème : personne ne vérifie le plan de la semaine passée »

La tâche produit un plan chaque lundi et le conserve. Mais le plan n’est qu’une estimation des 14 prochains jours. Une semaine plus tard, les ventes des 7 premiers jours sont connues. Si personne ne compare les deux, une prévision erronée le reste.

Regardez les meubles de jardin au printemps 2025. Chaque point montre la prévision des 7 premiers jours d’un plan hebdomadaire et les ventes de ces 7 jours :

  • Unités vendues pendant les 7 jours
  • Prévision de la tâche pour ces 7 jours
Meubles de jardin, tous produits et toutes régions réunis : prévision des 7 premiers jours de chaque plan comparée aux ventes. Dès la mi-mars, la prévision reste bien en dessous des ventes, presque chaque semaine.
Description textuelle du graphique

Le graphique couvre 11 semaines, du plan du 3 mars à celui du 12 mai 2025. Les deux premières semaines, la prévision et les ventes sont proches : 87 contre 88, puis 96 contre 111. Dès la semaine du 17 mars, les ventes augmentent vite : 203, 392, 608 unités. La prévision suit avec du retard : 112, 162, 358. En avril, les deux courbes se rapprochent deux fois. La prévision est de 520 contre 452 unités vendues le 7 avril, puis de 600 contre 614 le 21 avril. En mai, les ventes bondissent encore, à 1 600 et 2 559 unités. La prévision reste environ 40 % plus basse : 920 et 1 532.

La semaine du 24 mars, la tâche prévoyait 162 unités et les ventes ont atteint 392 unités. Une commande basée sur cette prévision est trop petite. La semaine suivante, la prévision était encore trop basse. Chaque lundi, la tâche réajustait son modèle avec les ventes les plus récentes, mais suivait encore la saison avec du retard.

L’idée : vérifier chaque plan et signaler le biais qui se répète

Section intitulée « L’idée : vérifier chaque plan et signaler le biais qui se répète »

La vérification est simple. Pour chaque catégorie, prenez le plan de la semaine passée et additionnez ses prévisions pour les 7 jours. Additionnez les unités vendues pendant ces mêmes 7 jours. Ensuite :

biais % = 100 × (prévision − ventes) ÷ ventes

Un biais négatif signifie que la prévision était trop basse : un risque de rayons vides. Un biais positif signifie qu’elle était trop haute : du stock invendu.

Voici l’exemple détaillé des meubles de jardin, tiré du fichier runs/2025-03-24/check.csv de la tâche :

Semaine du plan Prévision (7 jours) Ventes Prévision − ventes Biais
17 mars 111,9 203 −91,1 −91,1 ÷ 203 = −44,9 %
24 mars 162,2 392 −229,8 −229,8 ÷ 392 = −58,6 %

Deux semaines de suite, la prévision était beaucoup trop basse. C’est la balance de cuisine qui indique toujours trop peu.

Une alarme de biais transforme ce constat en règle que la tâche vérifie chaque semaine. La règle de notre tâche comprend trois parties :

Un diagramme de décision. Le plan de la semaine passée et les ventes donnent le biais par catégorie. Trois questions suivent : écart de 20 % ou plus? Dans le même sens la semaine précédente? Au moins 200 unités vendues chacune des deux semaines? Trois oui mènent à ALARME DE BIAIS; un seul non mène à aucune alarme.
L'alarme de biais de la tâche : une catégorie, un écart de 20 % ou plus dans le même sens, deux semaines de suite, avec au moins 200 unités vendues chaque semaine.
Description textuelle du diagramme

À gauche, deux cases : le plan de la semaine passée, sa prévision pour les 7 premiers jours, et les ventes de ces 7 jours. Les deux alimentent une case : biais par catégorie, soit la prévision moins les ventes, divisée par les ventes. Par exemple, −45 % trop bas ou +81 % trop haut. Puis trois questions se suivent. Première : écart de 20 % ou plus? Deuxième : écart dans le même sens la semaine précédente? Troisième : au moins 200 unités vendues chacune des deux semaines? Si les trois réponses sont oui, le résultat est ALARME DE BIAIS : cherchez la cause avant la prochaine commande. Si une réponse est non, le résultat est aucune alarme.

Chaque partie a sa raison :

  • 20 % ou plus. Dans cette réexécution, le biais de toutes les catégories réunies reste entre −12,8 % et +10,2 %. Les quatre catégories sans saison annuelle restent généralement entre −15 % et +15 %. Une limite de 20 % repère les gros écarts, pas le bruit normal.
  • Deux semaines de suite, dans le même sens. Une mauvaise semaine peut venir d’un seul événement : une fin de semaine ensoleillée, un problème de livraison. Un biais qui se répète révèle un motif.
  • 200 unités ou plus. Dans une petite catégorie, quelques unités donnent un grand pourcentage. Les barbecues étaient à −54,1 % la semaine du 24 mars, mais seulement 111 unités ont été vendues. Avec un minimum de 200 unités, l’alarme attend que la catégorie ait assez de poids.

Le code se trouve dans forecast_job/monitor.py : check_week() produit check.csv, et alarms() applique la règle. Les trois nombres sont en haut du fichier : ALARM_PCT = 20.0, ALARM_WEEKS = 2 et MIN_UNITS = 200.

  1. Dans forecast-job, avec l’environnement virtuel activé, copiez le fichier de tests de cette leçon :

    Fenêtre de terminal
    cp ../nextia-learning-labs/C35/forecast-job/end-of-m08/tests/test_monitor.py tests/
  2. Exécutez les tests. Les trois nouveaux tests vérifient qu’une semaine normale ne déclenche aucune alarme, qu’une saison précoce en déclenche une, et qu’une seule mauvaise semaine n’en déclenche pas.

    Fenêtre de terminal
    python -m pytest -q
    20 passed in 5.81s
  3. Vérifiez le plan du 24 mars. La tâche l’a préparé dans la section À vous de jouer de la leçon précédente. Si vous avez sauté cette étape, exécutez d’abord python -m forecast_job run --week 2025-03-24.

    Fenêtre de terminal
    python -m forecast_job check --week 2025-03-24
    Check 2025-03-24: all categories -7.5%, largest heating-and-decor +103.2%, 3 alarms
    BIAS ALARM garden-furniture: the forecast was too low 2 weeks in a row (-45% and -59%, weeks of 2025-03-17, 2025-03-24). Look for the cause before the next order (a season that starts early, a stock-out, a price change), then refit or change the method.
    BIAS ALARM garden-tools: the forecast was too low 2 weeks in a row (-27% and -29%, weeks of 2025-03-17, 2025-03-24). Look for the cause before the next order (a season that starts early, a stock-out, a price change), then refit or change the method.
    BIAS ALARM heating-and-decor: the forecast was too high 2 weeks in a row (+81% and +103%, weeks of 2025-03-17, 2025-03-24). Look for the cause before the next order (a season that starts early, a stock-out, a price change), then refit or change the method.

    Toutes catégories réunies, la prévision n’était que 7,5 % trop basse. Dans ce total, trois catégories présentaient de grands écarts.

  4. Ouvrez runs/2025-03-24/check.csv dans VS Code. Il contient une ligne par catégorie : forecast (prévision), sales (ventes), bias_pct (biais en pourcentage) et days (jours : 7, ou moins quand le flux a omis un jour).

Si vous vérifiez une semaine sans plan, la tâche l’indique : The week of 2025-03-31 has no plan in runs/. Plan it first: … (la semaine du 31 mars 2025 n’a aucun plan dans runs/; préparez-le d’abord). Si la semaine n’est pas encore terminée, elle indique quand la vérifier.

La réexécution vérifie chaque semaine pour vous. Exécutez le trimestre complet de 12 semaines. Les semaines que vous avez déjà planifiées restent telles quelles.

Fenêtre de terminal
python -m forecast_job replay --start 2025-03-03 --weeks 12

La sortie est longue. Voici ses premières lignes, une semaine au milieu et la dernière ligne :

Week 2025-03-03 is already planned with the same inputs (ec8bedf4e7811156). Nothing to do.
Week 2025-03-10 is already planned with the same inputs (244b2032b74c7443). Nothing to do.
Check 2025-03-03: all categories +5.7%, largest plants-and-seeds -22.8%, 0 alarms
…
Check 2025-03-31: all categories -4.1%, largest heating-and-decor +72.3%, 3 alarms
BIAS ALARM garden-furniture: the forecast was too low 2 weeks in a row (-59% and -41%, weeks of 2025-03-24, 2025-03-31). Look for the cause before the next order (a season that starts early, a stock-out, a price change), then refit or change the method.
BIAS ALARM garden-tools: the forecast was too low 2 weeks in a row (-29% and -22%, weeks of 2025-03-24, 2025-03-31). Look for the cause before the next order (a season that starts early, a stock-out, a price change), then refit or change the method.
BIAS ALARM heating-and-decor: the forecast was too high 2 weeks in a row (+103% and +72%, weeks of 2025-03-24, 2025-03-31). Look for the cause before the next order (a season that starts early, a stock-out, a price change), then refit or change the method.
…
Replayed 12 weeks from 2025-03-03: 17 bias alarms, 0 weeks stopped.

La réexécution a vérifié 11 semaines. Le plan du 19 mai sera vérifié seulement quand la tâche s’exécutera le 26 mai, après le trimestre. Elle a déclenché 17 alarmes dans 6 des 10 catégories :

Catégorie Alarmes Sens Quand
heating-and-decor 5 trop haut vérifications du 17 mars au 14 avril
garden-furniture 4 trop bas 24 et 31 mars, 5 et 12 mai
plants-and-seeds 2 trop bas 10 et 17 mars
garden-tools 2 trop bas 24 et 31 mars
barbecue 2 trop bas 5 et 12 mai
shade-and-parasols 2 trop bas 5 et 12 mai

Les quatre autres catégories, literie et textiles, cuisine, éclairage extérieur et rangement, n’ont déclenché aucune alarme en 11 semaines. Ce graphique montre pourquoi :

  • Chauffage et décoration
  • Meubles de jardin
  • Cuisine
  • Les limites d'alarme, ±20 %
Le biais de trois catégories dans la réexécution du printemps. Chauffage et décoration reste bien au-dessus de +20 %, et meubles de jardin bien en dessous de −20 %. Cuisine reste dans les limites : une semaine atteint +21,0 %, la suivante revient à +11,4 %, donc aucune alarme.
Description textuelle du graphique

Le graphique montre le biais de trois catégories sur 11 semaines, avec des lignes pointillées à +20 % et −20 %. Chauffage et décoration commence à +13,1 %, puis monte à +43,9 %, +80,7 % et +103,2 % (semaine du 24 mars). Ensuite, il atteint +72,3 %, +32,0 % et +36,5 %. Il descend à +7,5 % le 21 avril, puis remonte à +62,3 % le 5 mai. Meubles de jardin commence près de zéro (−1,6 %, −14,0 %), puis descend à −44,9 %, −58,6 % et −41,2 %. Il bondit à +15,0 % le 7 avril, puis reste près de −40 % fin avril et en mai. Cuisine reste entre −5,0 % et +21,0 %. Une seule semaine, le 14 avril, dépasse +20 %.

Le motif est clair : la tâche prévoit trop haut pour le chauffage quand l’hiver finit. Elle prévoit trop bas pour tout le jardin quand le printemps commence. Cuisine, literie et rangement n’ont pas de saison annuelle, et la tâche prévoit bien leurs ventes.

Pourquoi l’alarme se déclenche : une saison que la méthode ne voit pas

Section intitulée « Pourquoi l’alarme se déclenche : une saison que la méthode ne voit pas »

L’alarme dit : « Cherchez la cause, puis réajustez ou changez de méthode. » Priya cherche donc la cause avec les quatre questions de ce diagramme :

Un diagramme allant d'une alarme de biais à la question : quelle est la cause? Quatre réponses : les données (corriger les données, relancer), un événement ponctuel (le noter et attendre), un nouveau niveau (réajuster), un motif que la méthode ne peut pas apprendre (changer de méthode).
L'action à prendre après une alarme de biais dépend de la cause. Un réajustement aide seulement quand le niveau a changé. Un motif que la méthode ne peut pas apprendre exige une autre méthode.
Description textuelle du diagramme

Le diagramme commence par une alarme de biais : une catégorie, deux semaines d’écart dans le même sens. Il demande : quelle est la cause? Quatre réponses suivent, chacune avec son action. Première : les données, par exemple une rupture de stock ou un flux tardif ou défectueux. Corrigez les données, puis relancez la semaine. Deuxième : un événement ponctuel, par exemple une canicule ou une promotion. Notez-le et attendez, l’erreur disparaît d’elle-même. Troisième : un nouveau niveau, par exemple une hausse de prix durable. Réajustez, et le prochain ajustement hebdomadaire le suivra. Quatrième : un motif que la méthode ne peut pas apprendre, par exemple une saison annuelle. Changez de méthode, ajoutez la saison annuelle ou un facteur explicatif.

Priya parcourt la liste :

  1. Les données? Non. La vérification des données n’a donné aucun avertissement pendant ces semaines.
  2. Un événement ponctuel? Non. Le biais a duré plusieurs semaines, dans six catégories.
  3. Un nouveau niveau? Non, ou pas seulement. Un réajustement réglerait cela, et la tâche réajuste déjà chaque lundi. Les alarmes se déclenchaient encore semaine après semaine.
  4. Un motif que la méthode ne peut pas apprendre? Oui. L’ETS de la tâche a une saison hebdomadaire, mais aucune saison annuelle. Il apprend le niveau récent et le suit avec du retard. Chaque printemps, les produits de jardin montent et le chauffage baisse. La tâche a toujours quelques semaines de retard.

Il y a une deuxième raison en 2025. La saison du jardin est arrivée tôt. La moyenne sur 7 jours des meubles de jardin a dépassé 150 unités par jour le 5 mai 2025. En 2024, elle l’avait fait le 7 juin. C’est environ cinq semaines plus tôt (une situation que nous avons introduite dans les données). Le printemps chaud a aggravé le retard, mais ce retard existe chaque printemps.

Donc, « réajuster » est la mauvaise réponse ici. L’alarme dit changez de méthode. Quelle méthode?

  • En mars 2025, la tâche a moins d’un an d’historique (il commence le 1er avril 2024). Aucune méthode ne peut apprendre une saison annuelle avec moins d’un an de données. La meilleure aide est une personne qui connaît la saison : les ajustements manuels (overrides) de Kenji, dans la prochaine leçon.
  • Dès le printemps 2026, il y a deux ans d’historique. Une méthode avec une saison annuelle peut alors apprendre la montée du printemps. MSTL avec une saison hebdomadaire et une saison annuelle en est une, présentée dans Plusieurs saisons et longues séries. Une autre est LightGBM avec les ventes de l’année passée comme variable. Testez la nouvelle méthode dans le test rétrospectif (backtest) du cours et dans une réexécution avant que la tâche l’utilise.

Le cours MLOps et LLMOps : exploiter l’IA en production pose la même question pour tout modèle : réentraîner avec de nouvelles données ou réviser le modèle lui-même. Une alarme de dérive qui se déclenche chaque mois indique que le réentraînement n’aide pas.

L’alarme est-elle toujours active? Rejouez neuf semaines d’automne :

Fenêtre de terminal
python -m forecast_job replay --start 2025-09-29 --weeks 9

Les dernières lignes :

Check 2025-11-17: all categories +3.5%, largest shade-and-parasols +42.7%, 1 alarms
BIAS ALARM garden-tools: the forecast was too high 2 weeks in a row (+21% and +23%, weeks of 2025-11-10, 2025-11-17). Look for the cause before the next order (a season that starts early, a stock-out, a price change), then refit or change the method.
Replayed 9 weeks from 2025-09-29: 4 bias alarms, 1 weeks stopped.

L’automne compte 4 alarmes, contre 17 au printemps, et une semaine arrêtée :

  • La semaine du 20 octobre s’est arrêtée : le jour manquant du 19 octobre. La tâche a affiché The plan of the week before stays in use. (le plan de la semaine précédente reste en vigueur). Les semaines suivantes, elle a planifié normalement, avec l’avertissement no sales rows for 2025-10-19: filled with the same weekday one week before and after (aucune ligne de ventes pour le 19 octobre 2025 : données complétées avec le même jour de la semaine précédente et suivante).
  • Chauffage et décoration, trop bas (−23 % et −34 %, semaines du 6 et du 13 octobre). La saison du chauffage commence : les ventes sont passées de 247 à 843 unités par semaine en sept semaines.
  • Outils de jardin, trop haut, trois fois en novembre (environ +21 % à +23 %). La saison du jardin finit : les ventes sont passées de 1 463 à 930 unités par semaine.

C’est la même cause qu’au printemps, dans l’autre sens. L’alarme se déclenche quand une saison annuelle change de direction. Dans les semaines entre ces changements, et dans les catégories sans saison annuelle, elle reste silencieuse. Dans les deux réexécutions, cuisine, literie, rangement et éclairage extérieur n’ont déclenché aucune alarme en 18 vérifications.

Quand utiliser une alarme de biais et ce qu’elle coûte

Section intitulée « Quand utiliser une alarme de biais et ce qu’elle coûte »

Utilisez une alarme de biais pour chaque prévision qui guide une décision. Elle coûte peu : la tâche lit deux petits fichiers par semaine. Elle n’a besoin que des plans conservés dans le stockage.

Elle a des limites et des coûts :

  • Elle arrive en retard par conception. Elle exige deux semaines terminées. Les meubles de jardin ont manqué de stock les semaines du 17 et du 24 mars, avant la première alarme.
  • Ses nombres sont des choix. Une limite plus basse déclenche plus d’alarmes, et les gens commencent à les ignorer. Une limite plus haute laisse passer de vrais problèmes. Choisissez-les avec les personnes qui agissent sur les alarmes, et testez-les dans une réexécution.
  • Elle vérifie un sens par catégorie. Elle ne voit pas une prévision juste au total, mais erronée par produit. Pour cela, vérifiez l’erreur au niveau où Kenji commande, comme dans Des hiérarchies qui doivent s’additionner.
  • Quelqu’un doit agir. Une alarme que personne ne lit n’est qu’une ligne de journal. Désignez la personne qui la lit chaque lundi : ici, Priya.

Erreur courante

Réajuster plus souvent

Symptôme : après la première alarme des meubles de jardin, Tomás dit : « Le modèle est vieux. Réajustons-le chaque jour. » Les alarmes continuent le 31 mars, puis encore en mai.

Cause : la tâche réajuste déjà chaque lundi avec les ventes les plus récentes. Un réajustement apprend de nouveau le niveau récent; il n’ajoute pas un motif absent de la méthode. ETS avec une seule saison hebdomadaire suivra chaque saison annuelle avec du retard, peu importe la fréquence des ajustements.

Correction : lisez l’alarme comme une question sur la méthode. Ici, la cause est la saison annuelle. Tant que l’historique n’est pas assez long, ajoutez les connaissances d’une personne. Ce sera un ajustement manuel avec sa raison, dans la prochaine leçon. Avec deux ans d’historique, testez une méthode avec une saison annuelle dans le test rétrospectif et dans une réexécution. Changez ensuite la tâche.

Conséquence dans le travail en IA : « réentraîner plus souvent » est la réponse facile à toute alarme de suivi. Cela coûte des ressources de calcul et cache le vrai problème. Quand la même alarme se déclenche après chaque réentraînement, le modèle lui-même doit changer.

Grace demande : « L’alarme pourrait-elle se déclencher moins souvent, pour qu’on prenne chacune au sérieux? » Avant d’exécuter le code, prédisez combien des 17 alarmes du printemps restent avec une limite de 30 % plutôt que 20 %. Exécutez ensuite ceci dans forecast-job (le code lit les fichiers check.csv de votre réexécution et ne modifie aucun fichier) :

Fenêtre de terminal
python -c "
import pandas as pd
from forecast_job import monitor
weeks = pd.date_range('2025-03-10', '2025-05-12', freq='7D')
for limit in (20, 30):
monitor.ALARM_PCT = limit
found = [a for w in weeks for a in monitor.alarms('runs', w)]
print(f'limit {limit}%: {len(found)} alarms')
"
Afficher la réponse
limit 20%: 17 alarms
limit 30%: 14 alarms

Seulement 3 alarmes disparaissent. Outils de jardin perd ses deux alarmes (−27 %, −29 % et −22 % sont sous 30 % en valeur absolue). Plantes et semences perd sa première (−23 % est sous 30 % en valeur absolue). Chauffage et décoration garde ses cinq alarmes : même son plus petit biais, +32,0 %, dépasse 30 %. Les 14 autres alarmes présentent un écart de 30 % ou plus, deux semaines de suite. Une limite plus stricte ne rend pas cette alarme silencieuse, car les écarts sont grands. Elle signale un vrai problème : la saison annuelle manquante.

Vérifiez votre compréhension

Avec les chiffres de la vérification des meubles de jardin, expliquez ce que mesure l'alarme de biais. Pourquoi la tâche l'a-t-elle déclenchée le 24 mars?

Afficher la réponse

L’alarme compare la prévision des 7 premiers jours du plan hebdomadaire aux unités vendues pendant ces jours. Elle le fait par catégorie : biais = (prévision − ventes) ÷ ventes. Pour les meubles de jardin, le plan du 17 mars prévoyait 111,9 unités, contre 203 vendues (−44,9 %). Le plan du 24 mars prévoyait 162,2 unités, contre 392 vendues (−58,6 %). Les deux semaines avaient un écart de plus de 20 %, dans le même sens, avec au moins 200 unités vendues. La tâche a donc déclenché BIAS ALARM garden-furniture: the forecast was too low 2 weeks in a row (alarme de biais pour les meubles de jardin : prévision trop basse deux semaines de suite).

Vérifiez votre compréhension

La tâche réajuste le modèle chaque lundi, et l'alarme se déclenche pour les produits de jardin chaque printemps. Qu'est-ce que cela vous indique, et que changeriez-vous?

Afficher la réponse

Un réajustement apprend le niveau le plus récent, mais ne change pas la méthode. Le biais revient dans chaque catégorie qui a une saison annuelle. La prévision est trop basse pour les produits de jardin au printemps et trop élevée pour le chauffage. C’est l’inverse en automne. Les catégories cuisine, literie et rangement ne déclenchent aucune alarme. La cause est donc un motif qu’ETS ne peut pas apprendre avec une seule saison hebdomadaire. Changez la méthode. Avec deux ans d’historique, utilisez une méthode avec une saison annuelle (MSTL, ou LightGBM avec les ventes de l’an dernier). Testez-la d’abord dans le test rétrospectif (backtest) et dans une réexécution. Avec moins d’un an d’historique, ajoutez les connaissances du planificateur comme ajustement manuel (override), avec sa raison.

Vérifiez votre compréhension

Prédisez : la semaine du 24 mars, les barbecues avaient un écart de −54,1 %, avec 111 unités vendues. La semaine précédente, l'écart était de −31,6 %, avec 62 unités. Est-ce une alarme? Devrait-il y en avoir une?

Afficher la réponse

Aucune alarme : les deux semaines avaient un écart de plus de 20 % dans le même sens. Mais moins de 200 unités ont été vendues, alors la règle attend. C’est voulu : dans une petite catégorie, quelques unités représentent un grand pourcentage. Une alarme pour chaque petite catégorie serait ignorée. Le prix à payer est une alarme plus tardive. Les barbecues en ont déclenché une le 5 mai, quand les ventes ont dépassé 200 unités par semaine. Si les barbecues comptent davantage que leur volume de ventes, par exemple parce qu’ils coûtent cher, le minimum pourrait être en dollars plutôt qu’en unités.

Récapitulatif

  • Chaque semaine, la tâche vérifie le plan de la semaine précédente : biais = (prévision − ventes) ÷ ventes, par catégorie, sur les 7 premiers jours du plan.
  • Une alarme de biais se déclenche quand une catégorie a un écart d’au moins 20 %, dans le même sens, deux semaines de suite. Chaque semaine doit compter au moins 200 unités vendues.
  • Dans la réexécution du printemps, elle s’est déclenchée 17 fois, pour les produits de jardin (trop bas) et le chauffage (trop élevé). En automne, 4 fois, quand les saisons ont produit l’effet inverse. Les catégories sans saison annuelle n’ont déclenché aucune alarme.
  • Après une alarme, trouvez la cause. Corrigez les données, ou attendez la fin d’un événement ponctuel. Réajustez pour un nouveau niveau. Changez la méthode pour un motif qu’elle ne peut pas apprendre.
  • Le réajustement n’a pas aidé ici : la tâche réajuste le modèle chaque semaine. L’alarme indique qu’il faut une saison annuelle.

La tâche peut maintenant détecter quand sa prévision est erronée. Kenji le sait souvent avant l’alarme : il voit le temps chaud arriver. Ensuite, vous le laisserez modifier la commande, consigner sa raison et mesurer si ses changements ont aidé.

Leçon suivante : Les personnes et les prévisions