Ventes au détail avec une hiérarchie
- Étude de cas 3
- 150 min
- Facultative · 1 étude de cas requise pour le certificat
Où nous en sommes
En huit modules, nous avons prévu une hiérarchie comprenant des produits à faible vente et fixé les commandes de stock. Dans cette étude de cas, nous utilisons des données ouvertes réelles : les ventes d'un détaillant en ligne par pays et produit. Nous rapprochons la hiérarchie et fixons les quantités commandées selon un tableau de coûts.
Étude de cas 3 sur 3 · Prévision et séries chronologiques : prévoir la suiteVentes au détail avec une hiérarchie
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
Passez des lignes de facture d’une vraie boutique en ligne à une commande de stock et à son coût. Vous traiterez les annulations sans masquer la demande et construirez une hiérarchie pays → groupe de produits → produit. Vous comparerez les méthodes pour les produits à faible vente dans le test rétrospectif du cours et rapprocherez la hiérarchie. Ensuite, vous fixerez la commande, testerez ce choix une seule fois et indiquerez où il a échoué.
Le carnet (notebook) Jupyter exécute chaque étape de cette page, avec le même code et les mêmes sorties. Il ajoute trois tâches avec des vérifications. Ses cellules de configuration installent les paquets et téléchargent les données (15 Mo) ainsi que le fichier backtest.py du cours. Il s’exécute en environ une minute après l’installation.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
Cette étude de cas utilise tout le cours. Ces leçons sont les plus importantes :
- La demande n’est pas les ventes, dans Définir le cadre de prévision, et le nettoyage sans masquer la demande, dans Nettoyer sans masquer la demande.
- Le test rétrospectif à origine glissante et
backtest.py, dans Tester comme dans le futur : le test rétrospectif, ainsi que MASE, WAPE et le biais, dans Mesurer l’erreur qui compte. - La méthode ascendante et MinT, dans Des hiérarchies qui doivent s’additionner.
- Croston, SBA et TSB, et pourquoi MASE préfère « toujours 0 », dans Demande intermittente.
- Les quantiles et la commande selon le ratio critique, dans Une prévision est un intervalle et De la prévision à la commande et à l’horaire.
Ce qu’il vous faut sur votre ordinateur
Rien : le carnet s’exécute dans Colab ou Kaggle. Pour l’exécuter localement, utilisez un environnement virtuel avec Python 3.12, pandas 2.3.3, statsforecast 2.1.1 et hierarchicalforecast 1.5.3. La cellule de configuration crée un dossier online-retail-forecasting. Pour recommencer, supprimez ce dossier.
Testé sur macOS avec Python 3.12, dans Jupyter après un démarrage à neuf. Colab, Kaggle, Windows et Linux n’ont pas été testés.
La situation
Section intitulée « La situation »Une boutique en ligne britannique vend des cadeaux et des articles pour la maison. Beaucoup de ses clients sont de petites boutiques qui achètent à la douzaine. Elle possède un seul entrepôt et commande du stock toutes les quatre semaines.
Nadia achète le stock. Owen, un analyste de données, produit les prévisions. Nous avons inventé ces deux personnes pour cette étude de cas. La boutique et ses ventes sont réelles.
Chaque commande peut poser deux problèmes. Les coûts sont des hypothèses du cours, les mêmes que pour Larkfield :
- Une unité manquante : un client la voulait, mais il n’y en avait plus. La boutique perd sa marge, soit 35 % du prix.
- Une unité invendue : elle reste sur une tablette et se vend plus tard à prix réduit. Cela coûte 25 % du prix.
Nadia demande à Owen : « Quelle quantité de chaque produit dois-je commander pour les quatre prochaines semaines? Et les responsables des pays et les acheteurs peuvent-ils planifier avec les mêmes chiffres? »
Ce que vous allez construire
Section intitulée « Ce que vous allez construire »Vous produirez des prévisions hebdomadaires pour 200 produits dans six groupes de pays, à chaque niveau de la hiérarchie. Elles aboutiront à une commande de stock par produit et à son coût. Vous la testerez une seule fois sur quatre semaines qu’aucune étape n’a vues.
Les données
Section intitulée « Les données »Les données proviennent d’Online Retail II, dans le UCI Machine Learning Repository. Elles contiennent toutes les lignes de facture de la boutique du 1er décembre 2009 au 9 décembre 2011. Une ligne représente un produit sur une facture.
Voici les colonnes utilisées dans cette étude de cas :
| Colonne | Signification |
|---|---|
Invoice |
Le numéro de facture. Un numéro qui commence par C indique une annulation : le client a annulé sa commande. |
StockCode |
Le code du produit. Certains codes ne désignent pas des produits, comme POST pour les frais de poste. |
Description |
Le nom du produit, en majuscules. |
Quantity |
Le nombre d’unités sur la ligne. Négatif pour une annulation. |
InvoiceDate |
La date et l’heure de la facture. |
Price |
Le prix d’une unité, en livres sterling (£). |
Customer ID |
Un numéro pour le client. Nous l’utilisons seulement pour associer une annulation à sa commande. |
Country |
Le pays du client. |
Nous avons comparé deux autres jeux de données. Nous n’avons pas pu confirmer que les conditions de M5, les données de ventes de Walmart, permettent leur redistribution. Le premier jeu de données Online Retail ne contient qu’un seul Noël.
Premières vérifications
Section intitulée « Premières vérifications »Le carnet charge toutes les lignes et compte les problèmes qui touchent la demande :
lines = pd.read_csv("online_retail_ii.csv.gz", dtype={"Invoice": str, "StockCode": str}, parse_dates=["InvoiceDate"])cancel = lines["Invoice"].str.startswith("C")print(lines.shape, "|", lines["InvoiceDate"].min(), "to", lines["InvoiceDate"].max())print(f"exact repeated lines: {lines.duplicated().sum():,} | cancellation lines (C...): {cancel.sum():,} | " f"price 0 or below: {(lines['Price'] <= 0).sum():,}")print("lines per weekday (Monday = 0):", lines["InvoiceDate"].dt.dayofweek.value_counts().sort_index().to_dict())(1067371, 8) | 2009-12-01 07:45:00 to 2011-12-09 12:50:00exact repeated lines: 34,335 | cancellation lines (C...): 19,494 | price 0 or below: 6,207lines per weekday (Monday = 0): {0: 189084, 1: 196626, 2: 185051, 3: 203149, 4: 153803, 5: 402, 6: 139256}Ce que cela nous apprend. Il y a environ un million de lignes sur deux ans. La plupart des 34 335 doublons exacts proviennent des neuf jours présents dans les deux feuilles Excel. Le samedi contient très peu de lignes : la boutique ne travaille pas ce jour-là. Une semaine est donc une unité naturelle pour la prévision.
Nettoyer sans masquer la demande
Section intitulée « Nettoyer sans masquer la demande »Trois règles de l’étude de cas sur la segmentation
Section intitulée « Trois règles de l’étude de cas sur la segmentation »Les trois premières règles sont les mêmes que dans Segmenter les clients d’une boutique en ligne, qui les explique. Supprimez les doublons exacts, les codes qui ne désignent pas des produits (poste, frais, bons) et les lignes au prix nul ou négatif.
removed because lines removed lines left exact repeat of another line 34335 1033036not a product (postage, fee, voucher) 5801 1027235 price 0 or below 5963 1021272Ici, nous conservons les lignes sans identifiant de client. La commande d’un acheteur invité représente quand même de la demande.
La quatrième règle : les commandes annulées
Section intitulée « La quatrième règle : les commandes annulées »Il reste alors 17 915 lignes d’annulation, pour 467 740 unités. Deux solutions simples existent, mais les deux sont mauvaises.
- Soustraire toutes les annulations des ventes. Un retour en mars réduit alors la demande de mars. Mais le client voulait les articles au moment de commander. Une unité retournée est du stock, pas une demande négative.
- Ignorer toutes les annulations. Une commande faite par erreur compte alors comme de la demande. Le 18 janvier 2011, un client a commandé 74 215 pots de rangement, puis annulé sa commande 16 minutes plus tard.
Owen divise donc les annulations en deux catégories. Une annulation du même produit, de la même quantité, par le même client, dans les 24 heures annule la commande correspondante. Cette commande n’a jamais représenté de la demande, alors les deux lignes sont supprimées. Toute autre annulation est un vrai retour : la commande reste, et le retour n’est pas soustrait.
def undone_orders(clean): """Pairs of an order line and a cancellation of the same product, the same quantity and the same customer, within 24 hours after it. Returns the index labels of the order lines and of the cancellations.""" c = clean[clean["Invoice"].str.startswith("C") & clean["Customer ID"].notna()] s = clean[~clean["Invoice"].str.startswith("C") & clean["Customer ID"].notna()] m = c.reset_index().merge(s.reset_index(), on=["Customer ID", "StockCode"], suffixes=("_c", "_s")) gap = m["InvoiceDate_c"] - m["InvoiceDate_s"] m = m[(m["Quantity_s"] == -m["Quantity_c"]) & (gap >= pd.Timedelta(0)) & (gap <= pd.Timedelta("1D"))] m = m.assign(gap=gap).sort_values("gap") m = m.drop_duplicates("index_c").drop_duplicates("index_s") # one order for one cancellation return m["index_s"].tolist(), m["index_c"].tolist()undone orders: 1,331 order lines StockCode Description Quantity InvoiceDate1065882 23843 PAPER CRAFT , LITTLE BIRDIE 80995 2011-12-09 09:15:00587080 23166 MEDIUM CERAMIC TOP STORAGE JAR 74215 2011-01-18 10:01:00order lines: 1,002,026, 10,973,734 units | other returns, not subtracted: 253,413 unitsCe que cela nous apprend. 1 331 commandes totalisant 214 327 unités ont été annulées; les deux plus grandes représentent 155 210 de ces unités. Les 253 413 autres unités retournées ne sont pas soustraites de la demande.
Erreur courante
Le produit le plus vendu que personne n'a acheté
Symptôme : Owen classe les produits selon les unités commandées de décembre 2009 à la mi-avril 2011, après avoir supprimé les lignes d’annulation. Le pot de rangement moyen en céramique est le produit le plus vendu.
Cause : les lignes d’annulation ont été supprimées, mais la commande qu’elles annulaient a été conservée. Les 74 215 pots provenaient tous d’une seule commande, annulée 16 minutes plus tard.
Correction : supprimez ensemble la commande et son annulation. Avec la quatrième règle, le pot n’a aucune commande avant mai 2011 et ne figure pas parmi les 200 produits.
Conséquence pour le travail en IA : une prévision entraînée sur cette semaine ferait commander des pots que personne ne veut. Les erreurs de données deviennent du stock sur une tablette.
Cadrer la prévision
Section intitulée « Cadrer la prévision »Définir le cadre de prévision pose quelques questions avant tout modèle. Voici les réponses d’Owen :
- Quoi : les unités commandées par produit, après le nettoyage décrit ci-dessus. C’est proche de la demande. Mais sans indicateur de rupture de stock, une semaine sans commande peut être une semaine sans stock.
- Unité de temps : une semaine, du lundi au dimanche. Seulement des semaines complètes : du 7 décembre 2009 à la semaine du 28 novembre 2011, soit 104 semaines.
- Horizon : 4 semaines, la période qu’une commande doit couvrir.
- Niveau : la commande est par produit, puisqu’il n’y a qu’un entrepôt. Les responsables des pays planifient par pays, et les acheteurs par groupe de produits.
- Quels produits : les 200 ayant le plus d’unités avant la première semaine de test, pour ne pas regarder le futur. Ils représentent 39,8 % de toutes les unités.
La hiérarchie
Section intitulée « La hiérarchie »La boutique n’a pas de catégories de produits. Owen construit donc huit groupes de produits à partir des mots de la description, comme « BAG » ou « SHOPPER » pour les sacs. C’est notre règle, pas le catalogue de la boutique.
La plupart des clients sont au Royaume-Uni. Owen conserve les quatre pays suivants (Irlande, Allemagne, France et Pays-Bas) et regroupe les autres. La fonction aggregate() de hierarchicalforecast construit ces niveaux à partir des séries du bas, comme dans Des hiérarchies qui doivent s’additionner :
{'total': 1, 'total/country': 6, 'total/country/group': 48, 'total/country/group/product': 1048} | rows: 114712Description textuelle du diagramme
Un arbre. Au sommet se trouve le total. En dessous, six pays avec le nombre des 200 produits commandés avant le test : Royaume-Uni 199, EIRE (Irlande) 181, Allemagne 174, France 173, Pays-Bas 128, autres pays 193. En dessous, les huit groupes de produits dans chaque pays, soit 48 séries : paper-and-crafts 40 produits, other-gifts 32, bags 30, home-decor 27, party-and-baking 26, lights-and-candles 21, kitchen-and-table 18, christmas 6. Au bas se trouvent les 1 048 séries pays-produit.
Une paire pays-produit sans commande avant la première semaine de test est exclue : sa prévision serait de toute façon nulle.
Les semaines
Section intitulée « Les semaines »Description textuelle du graphique
La ligne montre les unités commandées par semaine pour les 200 produits. Sur les 104 semaines, 79 se situent entre 30 000 et 80 000 unités. Quelques semaines de 2010 contiennent de très grosses commandes, jusqu’à 104 518 unités la semaine du 27 septembre 2010. Les semaines du 28 décembre 2009 et du 27 décembre 2010 sont à zéro. D’avril à novembre, la moyenne hebdomadaire était de 50 314 unités en 2010 et de 36 621 unités en 2011.
Ce que cela nous apprend. La boutique ferme à la fin de décembre, et les semaines précédentes sont chargées. Un seul revendeur peut doubler le volume d’une semaine avec une commande. Et pour ces produits, 2011 est environ 27 % plus faible que 2010. Ce sera important plus tard : ils ont été choisis parce qu’ils se vendaient bien avant le test.
À quelle fréquence les produits se vendent-ils?
Section intitulée « À quelle fréquence les produits se vendent-ils? »Dans la série pays-produit moyenne, 71,9 % des semaines n’ont aucune commande : 17,5 % au Royaume-Uni et 84,6 % dans les autres pays.
Quatre classes de demande
Section intitulée « Quatre classes de demande »Imaginez un dépanneur qui vend des parapluies. Certaines semaines, il n’en vend aucun, puis dix pendant une semaine pluvieuse. Une prévision qui fonctionne pour le pain échoue ici. Deux nombres décrivent ce type de série, selon la proposition de Syntetos et Boylan :
- ADI, l’intervalle moyen de demande : le nombre de semaines divisé par le nombre de semaines avec une commande. Un ADI de 4 signifie une commande en quatre semaines.
- CV², le coefficient de variation au carré : la variation des quantités commandées par rapport à leur moyenne.
Avec les seuils habituels, 1,32 pour ADI et 0,49 pour CV², chaque série appartient à l’une de quatre classes. Régulière : des commandes la plupart des semaines, de taille semblable. Erratique : des commandes la plupart des semaines, de tailles très différentes. Intermittente : beaucoup de semaines sans commande, des tailles semblables. Irrégulière (lumpy) : beaucoup de semaines sans commande, des tailles très différentes. Petit exemple : les semaines 0, 0, 12, 0, 0, 0, 12, 0 ont un ADI de 8 ÷ 2 = 4 et un CV² de 0. La demande est donc intermittente.
Description textuelle du diagramme
Une grille de quatre cases. Ligne du haut, commandes la plupart des semaines (ADI de 1,32 ou moins) : régulière, 49 séries, et erratique, 106, toutes au Royaume-Uni. Ligne du bas, beaucoup de semaines sans commande : intermittente, 427 séries (5 au Royaume-Uni), et irrégulière, 466 (39 au Royaume-Uni). La colonne de gauche contient des tailles peu variables (CV² de 0,49 ou moins). Une note indique que Croston, SBA et TSB sont conçus pour la ligne du bas, soit 893 séries (85 %).
Ce que cela nous apprend. La boutique représente deux activités dans un seul tableau. Au Royaume-Uni, la plupart des produits se vendent la plupart des semaines. À l’étranger, un produit est commandé de temps en temps, souvent en grande quantité par un seul revendeur. Cette étude de cas nécessite donc les méthodes pour produits à faible vente de Demande intermittente.
Référence de base et autres méthodes dans un même test rétrospectif
Section intitulée « Référence de base et autres méthodes dans un même test rétrospectif »Le test rétrospectif
Section intitulée « Le test rétrospectif »Owen utilise le fichier backtest.py du cours, avec des semaines. Il y a 7 origines, espacées de quatre semaines, du 18 avril au 3 octobre 2011. Chaque prévision couvre 4 semaines, et chaque méthode est réajustée à chaque origine. Les quatre semaines après le 31 octobre sont réservées au test final.
Six méthodes, chacune avec sa raison :
- Toujours 0 : le minimum, et un rappel du comportement de MASE pour les produits à faible vente.
- Naïve saisonnière (52 semaines) : la même semaine l’année précédente. C’est la référence de base du cours, et elle tient ici compte de Noël.
- ETS sans saison : ETS de statsforecast ne peut pas utiliser une saison de 52 semaines, alors il lisse seulement le niveau.
- Croston, SBA et TSB, les méthodes pour produits à faible vente. TSB utilise un poids de 0,1 pour la taille de commande et pour la probabilité d’une commande.
Chaque méthode prévoit les 1 048 séries du bas. La commande de stock est par produit. Le carnet additionne donc les six pays et évalue la commande avec bt.stock_cost(). Les coûts sont en livres sterling par commande de 4 semaines pour les 200 produits. (La colonne de la fonction utilitaire s’appelle cost $ (coût); ici, elle contient des livres sterling.)
for name, make in METHODS.items(): forecasts[name] = bt.backtest(bot, stats(make), h=H, origins=ORIGINS) row = bt.score(forecasts[name], bot, name, season=52) product_row = bt.score(to_products(forecasts[name]), prod_hist, name, season=52, cost=cost) row["product WAPE %"], row["cost"] = product_row["WAPE %"], product_row["cost $"] rows.append(row) method MASE WAPE % bias % product WAPE % cost always 0 0.986 100.0 -100.0 100.0 70921seasonal naive (52 weeks) 3.318 127.7 40.0 110.6 40858 ETS (no season) 1.515 88.0 10.7 70.8 25926 Croston 1.900 104.0 21.9 86.8 34243 SBA 1.847 101.2 15.8 84.4 34009 TSB 1.253 81.3 0.7 64.8 25035Description textuelle du graphique
Six colonnes : toujours 0 environ 71 000 £, naïve saisonnière 41 000 £, ETS 26 000 £, Croston 34 000 £, SBA 34 000 £ et TSB 25 000 £, le plus bas, mis en évidence.
Une mesure pour choisir
Section intitulée « Une mesure pour choisir »Quelle colonne décide? Le coût de la commande, parce que c’est la décision à prendre.
- MASE préfère « toujours 0 » (0,986), comme dans Demande intermittente. Dans 69,7 % des semaines de test, une série n’a aucune commande, et une prévision de 0 est correcte. Sa commande coûte 70 921 £.
- La prévision naïve saisonnière est beaucoup trop élevée : biais de +40 %. Beaucoup des 200 produits avaient connu une bonne année avant le test, sans que cela se répète.
- Croston et SBA sont aussi trop élevés (+21,9 % et +15,8 %). Ils changent seulement lors d’une semaine avec une commande. Ils continuent donc de prévoir des ventes pour un produit qui ne se vend plus (cas d’échec ci-dessous).
- TSB est le meilleur pour le coût, WAPE et le biais : 25 035 £, 81,3 % et +0,7 %. Sa prévision baisse chaque semaine sans commande.
La commande la moins chère coûte encore environ 12 % des ventes des 200 produits sur quatre semaines. Ces ventes représentent environ 203 000 £ à leurs prix médians. La demande irrégulière coûte cher à planifier, quelle que soit la méthode.
Faire concorder les niveaux
Section intitulée « Faire concorder les niveaux »Les responsables des pays et les acheteurs planifient avec les niveaux supérieurs. Owen prévoit les 1 103 séries avec ETS. À chaque origine, la prévision propre au total est de 7,5 % à 16,5 % plus faible que la somme des 1 048 prévisions du bas.
Il rapproche ensuite les prévisions ETS avec la méthode ascendante et MinT. Il ajoute une quatrième option : la somme des prévisions TSB du bas. Sur les 7 origines (environ 30 secondes dans le carnet) :
WAPE % by level, 7 origins: total country group in a country product in a countryETS base (not coherent) 16.3 29.7 45.4 88.0ETS bottom-up 17.9 29.4 45.3 88.0ETS MinT 17.3 29.0 44.5 86.9TSB bottom-up 15.7 27.4 42.1 81.3Ce que cela nous apprend. La somme des prévisions TSB est la meilleure à chaque niveau, même au total (15,7 % contre 16,3 % pour la prévision propre d’ETS). MinT améliore un peu les prévisions ETS sous le total; à Larkfield, il était le meilleur seulement au niveau produit. Il ne peut pas corriger des prévisions trop élevées au bas de la hiérarchie. Owen choisit donc TSB, méthode ascendante : un seul ensemble de chiffres pour Nadia, les acheteurs et les responsables des pays.
La commande de stock à partir d’un quantile
Section intitulée « La commande de stock à partir d’un quantile »Le niveau de commande selon les coûts
Section intitulée « Le niveau de commande selon les coûts »La commande doit aussi déterminer le risque à prendre. Le modèle du vendeur de journaux (newsvendor) donne ce niveau (De la prévision à la commande et à l’horaire). Commandez le quantile au ratio critique, 0,35 ÷ (0,35 + 0,25) = 0,583. Le stock s’épuise alors dans environ 42 % des cycles, et le coût attendu est le plus bas.
Il faut donc un intervalle pour la demande de chaque produit sur 4 semaines. Owen en essaie deux :
- Normale : le total prévu, plus ou moins la dispersion des 26 dernières semaines, comme si les semaines étaient indépendantes et la demande symétrique.
- Empirique : les totaux du produit sur 4 semaines dans les 52 dernières semaines, ajustés pour que leur moyenne égale le total prévu. Un produit à demande irrégulière (lumpy) a beaucoup de petits totaux et quelques gros. Cet intervalle conserve cette forme.
def empirical_order(point, history, origin, ratio=RATIO, weeks=52): """The `ratio` quantile of the product's past 4-week totals, scaled to the forecast total.""" tail = history[(history["ds"] <= origin) & (history["ds"] > origin - pd.Timedelta(weeks=weeks))] sums = tail.sort_values("ds").groupby("unique_id")["y"].apply(lambda s: s.rolling(H).sum().dropna().to_numpy()) total = point.groupby("unique_id")["yhat"].sum() out = {} for u, t in total.items(): v = sums.get(u, np.array([])) out[u] = t * np.quantile(v, ratio) / v.mean() if len(v) and v.mean() > 0 else t return pd.Series(out).clip(lower=0)Pour les prévisions de TSB :
critical ratio 0.583TSB, the forecast total: cost 25035, runs out 0.386TSB, normal 58.3% order: cost 25780, runs out 0.339, 80% range holds 0.654TSB, empirical 58.3% order: cost 25968, runs out 0.422, 80% range holds 0.771Ce que cela nous apprend. L’intervalle normal est trop étroit : son intervalle à 80 % contient seulement 65,4 % des totaux réels (voir Noter l’intervalle). L’intervalle empirique est presque fidèle : 77,1 %. Son stock s’épuise dans 42,2 % des cycles, près des 41,7 % attendus. Mais les deux commandes par quantile coûtent plus cher que le simple total prévu.
Où se trouve le niveau le moins cher?
Section intitulée « Où se trouve le niveau le moins cher? »Le carnet fait varier le quantile de la commande empirique de 0,3 à 0,8 :
- Commande empirique à ce quantile
- Le total prévu comme commande (25 035 £)
Description textuelle du graphique
La courbe montre le coût de la commande empirique pour sept quantiles : 0,3 à 32 038 £; 0,4 à 28 628 £; 0,5 à 26 811 £; 0,583 à 25 967 £; 0,6 à 25 896 £; 0,7 à 27 094 £; 0,8 à 32 373 £. Son point le plus bas est à 0,6. Une ligne horizontale pointillée à 25 035 £, le total prévu, se trouve sous tous les points.
Ce que cela nous apprend. Avec cet intervalle, le niveau le moins cher est près de 0,583, comme le prévoit la théorie. Mais pour un produit à demande irrégulière, une seule grosse commande passée change beaucoup l’intervalle. Les deux coûts sont aussi proches (35 % et 25 %). Le meilleur quantile se trouve donc près du milieu de toute façon. Ici, le quantile coûte environ 930 £ de plus par commande. Owen recommande donc le total prévu comme commande. Si les coûts sont plus éloignés, refaites le test.
Le test final, une seule fois
Section intitulée « Le test final, une seule fois »Owen a choisi TSB, avec une approche ascendante et le total prévu comme commande. Il l’exécute maintenant une seule fois sur les quatre semaines après le 31 octobre 2011, en novembre. Aucune étape n’a vu ces données. Il exécute aussi les autres méthodes et ne change rien ensuite.
product WAPE % bias % costalways 0 100.0 -100.0 102729seasonal naive (52 weeks) 89.8 44.6 43590ETS (no season) 57.5 -11.3 37163SBA 73.5 -9.4 52370TSB 56.3 -21.0 41594Description textuelle du graphique
Cinq colonnes, le coût de la commande de novembre : toujours 0 environ 103 000 £, naïve saisonnière 44 000 £, ETS 37 000 £ (le plus bas, mis en évidence), SBA 52 000 £, TSB 42 000 £.
Ce que cela nous apprend. La méthode choisie a perdu le test final. TSB a la meilleure WAPE (56,3 %), mais un biais de −21,0 %. La commande d’ETS coûte 4 431 £ de moins. Le total réel était de 192 581 unités; ETS en prévoyait 163 672, et TSB seulement 152 097. Novembre marque le début de la saison de Noël. TSB donne à chaque nouvelle semaine un poids de seulement 0,1. Il suit donc lentement une hausse rapide. Les semaines de comparaison, d’avril à octobre, n’avaient aucune hausse semblable. Le test rétrospectif (backtest) ne pouvait donc pas la montrer.
Owen présente ce résultat tel quel. S’il passait maintenant à ETS, novembre deviendrait un deuxième jeu de données de validation, et il ne resterait aucun test.
La commande de décembre, avec de nouvelles données
Section intitulée « La commande de décembre, avec de nouvelles données »La dernière étape produit la commande des quatre prochaines semaines à partir de toutes les semaines jusqu’au 28 novembre 2011. Elle lit ensuite les lignes les plus récentes, du 5 au 9 décembre 2011, avec le même nettoyage :
December order: 165,642 units for 200 products description orderproduct22197 SMALL POPCORN HOLDER 732984077 WORLD WAR 2 GLIDERS ASSTD DESIGNS 459785099B JUMBO BAG RED RETROSPOT 4494new lines 5-9 December: 17,446; undone orders: 81,162 unitsCe que cela nous apprend. Premièrement, le nettoyage fonctionne sur de nouvelles données. Le 9 décembre, un client a commandé 80 995 articles de bricolage en papier, puis a annulé 12 minutes plus tard. La quatrième règle supprime les deux lignes. C’est plus que les ventes des 200 produits réunis pendant une semaine typique.
Deuxièmement, la commande ignore le calendrier. TSB prévoit 41 388 unités pour chacune des quatre semaines. Mais l’an dernier, les ventes de la semaine du 20 décembre atteignaient seulement 30,7 % de celles de la première semaine de décembre. La semaine du 27 décembre n’avait aucune vente : la boutique ferme. Une règle du planificateur applique ces proportions aux deux dernières semaines. Avec cette règle, la commande passe de 165 642 à 95 590 unités. Aux prix médians, elle passe d’environ 242 000 £ à 140 000 £. Cette règle vient du calendrier, comme dans Calendriers, jours fériés et événements. Elle n’est pas testée : les données se terminent le 9 décembre.
Erreur courante
Croston et la tasse qui ne se vendait plus
Symptôme : dans le test rétrospectif, Croston prévoit 21,9 % de trop, et sa commande coûte 9 208 £ de plus que celle de TSB.
Cause : Croston change sa prévision seulement pendant une semaine avec une commande. La tasse à fleurs et à motifs cachemire noirs et blancs (1,25 £) a reçu des commandes pendant 12 semaines. La dernière date du 5 avril 2010. L’une d’elles comptait 19 152 tasses pour un revendeur au Danemark. La taille moyenne des commandes de Croston en conserve la trace. À chaque origine, 18 mois plus tard, Croston prévoit encore 1 129 tasses par semaine.
Correction : utilisez une méthode qui apprend aussi des semaines sans commande. TSB réduit sa prévision à chaque semaine vide : de 2,1 tasses par semaine à la première origine à 0,2 à la dernière. Sa commande pour cette tasse coûte 1 £ par cycle; celle de Croston coûte 1 412 £. Parmi les 200 produits, 16 n’avaient reçu aucune commande dans les 12 semaines avant la dernière origine.
Conséquence pour le travail en IA : une prévision qui ne voit pas qu’un produit ne se vend plus continue à le commander. Vérifiez la date de la dernière commande des produits peu vendus, pas seulement leur moyenne.
- Tasses commandées par semaine (0 depuis avril 2010)
- Croston : 1 129 par semaine à chaque origine
- TSB : de 2,1 à 0,2 par semaine
Description textuelle du graphique
Les commandes hebdomadaires de la tasse sont nulles d’avril 2010 à octobre 2011. Pendant les semaines de test, Croston reste à 1 129 tasses par semaine, et TSB baisse de 2,1 à 0,2.
Recommandation
Section intitulée « Recommandation »Owen écrit à Nadia dans ses mots à elle :
- Commandez la prévision de TSB sur 4 semaines pour chaque produit, additionnée sur tous les pays. Dans la comparaison, elle coûtait 25 035 £ par commande, contre 25 926 £ pour ETS et 40 858 £ pour « les mêmes semaines l’an dernier ».
- Utilisez les mêmes chiffres à chaque niveau. Les totaux par pays et par groupe sont les sommes des prévisions par produit. Tous les plans concordent donc. Ces totaux étaient aussi plus exacts que des prévisions séparées.
- Avant Noël, soyez prudente. En novembre, TSB prévoyait 21 % de trop peu, et ETS aurait coûté 4 431 £ de moins. Pour les commandes d’octobre et de novembre, comparez les deux prévisions et les semaines de l’an dernier.
- Appliquez le calendrier de la boutique à la commande de décembre. La boutique ferme pendant Noël, et aucune méthode ici ne le sait. Avec les proportions de l’an dernier, la commande de décembre est de 95 590 unités, et non de 165 642.
- Pour l’instant, gardez la commande au niveau de la prévision, pas d’un quantile. La commande par quantile était bien étalonnée, mais coûtait environ 930 £ de plus par commande.
Et ce pour quoi il ne faut pas l’utiliser :
- Pas pour les nouveaux produits. Un produit sans historique ne reçoit aucune prévision ici. Voir Nouveaux produits sans historique.
- Pas pour les milliers de produits moins vendus sans un nouveau test rétrospectif. Les 200 produits représentent seulement 39,8 % des unités.
- Pas comme promesse à un fournisseur. C’est une prévision avec une erreur connue (WAPE de 64,8 % par produit), pas un contrat.
Constats et limites
Section intitulée « Constats et limites »- Les ventes ne sont pas la demande. Sans indicateur de rupture de stock, la prévision interprète les semaines sans stock comme une faible demande.
- Les groupes de produits sont les nôtres, créés à partir des mots dans les descriptions. Un vrai catalogue regrouperait certains produits autrement.
- Le choix des produits se base sur le passé. Une vraie boutique prévoirait chaque produit qu’elle compte garder.
- Une seule saison dans la comparaison. Les 7 origines vont d’avril à octobre. Avec deux ans de données et une saison de 52 semaines, un test rétrospectif en novembre de l’an dernier était impossible.
- La règle de nettoyage repose sur un jugement. « La même quantité dans les 24 heures » repère les erreurs claires. Une erreur annulée après deux jours, ou une annulation partielle, reste dans la demande.
- Coûts supposés, anciennes données. Les valeurs de 35 % et de 25 % viennent du cours, pas de la boutique. Les ventes proviennent d’une seule boutique britannique, de 2009 à 2011.
La leçon Surveiller la prévision du cours montre comment une alarme de biais détecterait le problème de novembre en production.
Utilisation responsable
Section intitulée « Utilisation responsable »- Les données concernent de vraies entreprises.
Customer ID(identifiant du client) est un numéro pseudonyme, utilisé ici seulement pour associer une annulation à sa commande. Ne tentez pas d’identifier un client et ne publiez pas d’analyses de clients individuels. - Citez la source. CC BY 4.0 vous permet de partager et de modifier les données. Incluez le texte d’attribution ci-dessus et une note sur vos changements.
- Une commande touche d’autres personnes. Les fournisseurs planifient leur travail à partir de celle-ci, et le stock invendu peut être jeté. Indiquez l’erreur et le biais à côté de chaque prévision que vous remettez.
- Indiquez les hypothèses. Les coûts, les groupes de produits et la règle de Noël sont des choix. Précisez-le partout où un chiffre en dépend.
Faites-en un projet pour votre portfolio
Section intitulée « Faites-en un projet pour votre portfolio »Cette étude de cas montre à un employeur que vous pouvez transformer des données de transactions désordonnées en décision de stock. Elle montre aussi que vous présentez un résultat qui va contre votre choix. Personnalisez-la avec un changement, par exemple d’autres coûts, plus de produits ou un ajustement saisonnier pour novembre. Rendez-la ensuite publique et facile à lire en cinq minutes.
Quoi mettre dans le dépôt :
README.md, la page que les gens lisent en premier (modèle ci-dessous).- Le carnet, exécuté du début à la fin, avec ses sorties.
cleaning.md: les quatre règles de nettoyage, avec les lignes et les unités que chacune a supprimées.backtest_table.csv: les six méthodes avec MASE, WAPE, biais et coût; etfinal_test.csv, conservé séparément.- La source et la licence des données, avec le texte d’attribution ci-dessus. CC BY 4.0 permet de partager les données avec attribution, mais un lien et une somme de contrôle suffisent.
Un modèle de README :
# Weekly stock orders for an online gift shop, with a hierarchy
## ProblemOne warehouse orders 200 products every 4 weeks. A unit short costs 35% of its price,a unit left over 25% (assumptions). Country managers and buyers need numbers that add up.
## Data and licenceUCI "Online Retail II" (Chen), invoice lines Dec 2009 - Dec 2011, CC BY 4.0,https://doi.org/10.24432/C5CG6D. Cleaning: repeats, non-products, price <= 0, andorders cancelled within 24 hours (same customer, product, quantity) removed.
## ApproachWeekly series: total, 6 countries, 48 groups, 1,048 country-products (85% intermittentor lumpy). Backtest: 7 origins Apr-Oct 2011, 4 weeks ahead. Always 0, seasonal naive,ETS, Croston, SBA, TSB. Reconciliation: bottom-up, MinT. Order: forecast total vs quantile.
## ResultsTSB bottom-up: lowest cost (25,035 per order vs 25,926 ETS), best WAPE at every level.Quantile order calibrated but 4% more expensive. Final test (Nov 2011): TSB -21% bias,ETS cheaper. Reported, not tuned.
## LimitsNo stock-out flag; our product groups; products chosen from past sales; no Christmas inthe comparison; assumed costs.Comment le décrire en entrevue, en deux phrases : « J’ai créé des commandes de stock hebdomadaires pour 200 produits d’une vraie boutique en ligne, avec une hiérarchie rapprochée par pays et groupe de produits, puis choisi TSB selon le coût de la commande dans un test rétrospectif à origine glissante. Le test final a montré un manque de 21 % pendant la hausse de Noël, et j’ai présenté ce résultat avec une correction pour le prochain cycle au lieu d’ajuster la méthode sur le test. »
Pour aller plus loin :
- Ajoutez une origine en novembre 2010 avec ETS et TSB seulement, et voyez si la comparaison vous aurait averti.
- Ajustez TSB selon la variation de chaque groupe entre octobre et novembre de l’an dernier, puis faites un test rétrospectif.
- Comparez avec les autres études de cas, Demande de vélopartage et planification du parc et Charge électrique de nombreux clients : où le ratio critique est-il loin de 0,5?
À vous de jouer : la commande médiane d’ETS
Section intitulée « À vous de jouer : la commande médiane d’ETS »Avant l’exécution, faites une prédiction : la commande empirique d’ETS à la médiane (0,5) coûte-t-elle moins que celle de TSB (26 811 £)? Dans la section 7 du carnet, calculez le coût de la commande empirique à ratio=0.5 pour forecasts["ETS (no season)"], et placez-le dans ets_median_cost.
Afficher la réponse
ets_median_cost, ets_runs_out = order_cost(to_products(forecasts["ETS (no season)"]), prod_hist, empirical_order, 0.5)print(ets_median_cost, ets_runs_out)27657 0.47La commande médiane d’ETS coûte 27 657 £, plus que celle de TSB (26 811 £). Son stock s’épuise dans 47 % des cycles. ETS prévoit 10,7 % de trop pendant les semaines de comparaison, et la commande médiane conserve ce biais.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Owen supprime ensemble une commande et son annulation lorsqu'elles correspondent dans les 24 heures. Il garde toutefois les autres commandes retournées plus tard, sans soustraire le retour. Expliquez ces deux choix pour une prévision de la demande.
Afficher la réponse
Une commande annulée en quelques heures, pour le même produit et la même quantité, était une erreur : personne ne voulait ces marchandises. Supprimer seulement la ligne d’annulation conserve cette fausse demande, par exemple 74 215 pots de rangement en une semaine. Un retour plus tardif est différent : le client voulait les marchandises au moment de commander. La commande représentait donc une vraie demande. Une unité retournée change le stock, pas la demande. La soustraire rendrait la demande de la semaine du retour trop basse.
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
Dans le test rétrospectif, toujours 0 a la meilleure MASE et TSB le coût le plus bas. Lequel Nadia devrait-elle utiliser, et pourquoi les deux mesures ne concordent-elles pas ici?
Afficher la réponse
Nadia devrait utiliser TSB. La décision porte sur la commande de stock, et son coût est la mesure qui lui correspond : 25 035 £ contre 70 921 £ pour toujours 0. Les mesures divergent parce que 69,7 % des semaines de test d’une série pays-produit n’ont aucune commande. Pendant ces semaines, une prévision de 0 n’a aucune erreur, donc MASE est bas. Mais une commande de zéro fait perdre toutes les ventes pendant les semaines avec commandes. Pour les produits peu vendus, choisissez selon le coût de la décision et examinez le biais.
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
La méthode choisie, TSB, a perdu le test final de novembre contre ETS. Owen devrait-il maintenant passer à ETS? Que devrait-il faire à la place?
Afficher la réponse
Non. Le test final sert une seule fois, pour présenter la performance du choix. Si Owen change de méthode à cause de ce résultat, novembre devient un deuxième jeu de données de validation. Il ne reste alors aucun test honnête. Il devrait présenter le résultat tel quel : TSB prévoyait 21 % de trop peu et coûtait 4 431 £ de plus qu’ETS pendant la hausse de Noël. Pour le prochain cycle, il peut comparer ETS et TSB avant les commandes d’octobre et de novembre. Il peut tester rétrospectivement un ajustement saisonnier sur de nouvelles données et surveiller le biais avec une alarme.
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
- Vous avez nettoyé de vraies lignes de facture sans masquer la demande : les commandes annulées dans les 24 heures ont été supprimées (214 327 unités), et les retours plus tardifs n’ont pas été soustraits.
- Vous avez construit une hiérarchie de 1 103 séries hebdomadaires; 85 % des séries du niveau inférieur ont une demande intermittente ou irrégulière.
- Dans le test rétrospectif, MASE préférait « toujours 0 »; le coût de la commande a choisi TSB (25 035 £ par commande). Les prévisions de TSB additionnées étaient les meilleures à chaque niveau, devant ETS avec MinT.
- La commande par quantile au ratio critique de 0,583 était bien étalonnée, mais coûtait environ 930 £ de plus que le total prévu.
- Le test final est allé contre le choix : en novembre, TSB prévoyait 21 % de trop peu. La commande de décembre a besoin du calendrier de la boutique.
Ensuite, le travail final : une nouvelle région et 40 nouveaux produits pour Larkfield, des tableaux de prévisions à la commande de stock et à l’horaire du trimestre.
Leçon suivante : Travail final