IA et prévision de la demande : ce qui marche vraiment

De quoi s’agit-il ?

La prévision de la demande consiste à estimer les ventes futures par référence pour dimensionner les approvisionnements et les stocks. Les méthodes classiques — moyennes mobiles, lissage exponentiel, modèles saisonniers — reposent sur l’extrapolation de l’historique.

L’apport annoncé de l’apprentissage automatique tient à sa capacité d’intégrer davantage de variables explicatives : météo, calendrier, promotions, prix, ventes de produits corrélés, signaux externes — et de détecter des relations non linéaires qu’un modèle statistique classique ne capte pas.

Qu’est-ce qui change réellement ?

Trois évolutions concrètes, au-delà du discours.

La disponibilité. Ce qui exigeait il y a cinq ans une équipe de data scientists est aujourd’hui intégré aux modules de planification des principaux éditeurs. Le coût d’entrée a fortement baissé.

La prévision multi-variables devient exploitable. Intégrer l’effet d’une promotion, d’un jour férié ou d’une vague de chaleur ne demande plus de construire un modèle sur mesure.

La détection d’anomalies. Souvent plus utile que la prévision elle-même : signaler qu’une référence dévie de son comportement habituel permet à un approvisionneur d’intervenir avant la rupture. Ce gain est immédiat et rarement mis en avant commercialement.

Ce qui ne change pas

Les références à faible rotation restent imprévisibles. Sur un article vendu trois fois par mois de façon erratique, aucun modèle ne fera mieux que constater l’irrégularité. Or ces références représentent souvent 60 à 80 % du catalogue d’une PME. Le bon traitement reste un stock de sécurité calculé sur la variabilité observée, pas une prévision sophistiquée.

Les ruptures de série ne s’anticipent pas. Lancement produit, changement de gamme, perte ou gain d’un client majeur : l’historique ne contient pas l’information. La prévision reste un exercice humain, éclairé par le commercial.

Les données fausses produisent des prévisions fausses. Un historique pollué par des ruptures non tracées — la demande réelle était supérieure aux ventes constatées — enseigne au modèle une demande sous-estimée, qu’il reproduira. Ce biais est extrêmement répandu et rarement corrigé.

Pour qui ?

Pertinent pour une entreprise disposant d’au moins trois ans d’historique propre, avec plusieurs centaines de références à rotation régulière, une saisonnalité marquée et une sensibilité forte aux promotions ou à la météo. La distribution alimentaire, le retail saisonnier et l’e-commerce à catalogue large en sont les terrains naturels.

Peu pertinent pour une entreprise à catalogue restreint, à demande erratique, ou fonctionnant majoritairement sur commande. Un industriel qui produit à la commande n’a pas de problème de prévision : il a un problème de capacité et de délai.

Prématuré si vos données ne sont pas fiables, si vos ruptures ne sont pas tracées, ou si vos stocks de sécurité n’ont jamais été calculés méthodiquement. Ces trois chantiers apportent davantage, plus vite, et pour beaucoup moins cher.

Ce que ça coûte

Le module de prévision d’un éditeur d’APS ou d’ERP se situe généralement entre 15 et 60 k€ de mise en œuvre pour une PME ou une ETI, licences comprises la première année.

Le poste déterminant n’est pourtant pas là. Comptez 30 à 60 jours de travail interne pour le nettoyage de l’historique, la définition des règles de gestion et la montée en compétence des approvisionneurs. C’est ce budget-là qui décide du résultat, et c’est celui qu’on oublie de provisionner.

Mon avis

L’apport est réel, mais il arrive en troisième position dans l’ordre des priorités.

Sur la majorité des entreprises que j’audite, deux leviers rapportent davantage et coûtent beaucoup moins cher : calculer correctement les stocks de sécurité — beaucoup fonctionnent encore avec des couvertures fixes décidées il y a des années — et segmenter le catalogue pour appliquer des règles de gestion différenciées selon la rotation et la criticité.

Ces deux chantiers ne nécessitent aucun logiciel supplémentaire, se mènent en deux à trois mois, et produisent typiquement 10 à 20 % de réduction de stock à taux de service constant. La prévision par apprentissage automatique vient ensuite, sur un socle assaini — et elle donne alors ses meilleurs résultats.