La qualité de la prédiction à la vitesse d'Excel

La prévision est un enjeu crucial pour les marques de la mode, mais en plus d'être précise, elle doit être rapide, car les équipes n'ont pas le temps. Product Autopilot répond à ce double besoin !

La prévision, un enjeu crucial, mais complexe


Sur le marché de la mode, toujours plus en tension, il est devenu crucial de bien prévoir la demande de chaque référence-couleur afin de limiter les impacts dus au stock résiduel ou à la promotion et ainsi de maximiser son éco-rentabilité. 

Or, si la qualité de la prévision est cruciale, un Merchandise Planner peut gérer de nombreux produits, parfois jusqu’à 1000 produits par saison ! La productivité sera alors un enjeu fort pour lui. 

De plus, la prévision de vente est complexe : elle est multi-dimensionnelle puisqu’un grand nombre de facteurs doivent être pris en compte si l’on souhaite calculer précisément le potentiel de chaque référence couleur : historique, saisonnalité, nombre de magasins, croissance prévue, etc…

Excel, un ami qui vous veut du bien ?


Aujourd’hui, la plupart du temps l’outil de référence dans les marques est Excel. 

Ne le négligeons pas, c’est un super outil: 

  • Il est simple pour le Merchandise Planner, tout non initié peut l’utiliser. 
  • Il est maintenable en interne: les équipes se sont dotées la plupart du temps de profils type contrôleurs de gestion pour développer ces outils/maquettes internes. La maîtrise de ces outils est donc souvent très bonne. 
  • Il est rapide dans son utilisation: Si la création de la maquette a pu demander du temps, et sa mise à jour avec les données peut parfois être fastidieuse, son utilisation est ensuite très rapide pour son utilisateur. 

En revanche, cette dernière notion n’est vraie que lorsque l’on croise peu de données. En effet, dès lors qu’on essaie d’ajouter de la complexité dans les maquettes, les formules ou la donnée, alors on arrive très vite aux limites d’Excel. Et donc Excel ne résout cette équation qu’en partie car il est certes fiable et maîtrisé mais reste lent dès qu’il s’agit de prendre en compte de nouveaux facteurs pourtant déterminant dans la fiabilité de la prévision (historiques multiples, saisonnalité, rupture de stocks, promotion, etc…).

De plus, Excel ne permet pas de gérer des modèles statistiques puissants, Machine Learning et Deep Learning pour faire du forecasting. Il ne peut pas apporter la précision que peuvent avoir les dernières méthodologies de Data Science dans le domaine. 

Néanmoins, chez Fashion Data, nous sommes persuadés que tout outil de prévision doit être au minimum aussi simple et rapide qu’Excel

Product Autopilot V1: La fiabilité avant tout


Chez Fashion Data, nous travaillons sur la prévision de la demande pour l’industrie de la mode depuis presque 3 ans et avons développé une solution, appelée Product Autopilot. Cette application vise à aider le Merchandise Planner à ne fabriquer que ce qu’il est en mesure de vendre, tout en développant son agilité en cours de saison. 

Dans notre première version, nous nous sommes attachés à assurer la fiabilité de nos prédictions en créant une expérience utilisateur au plus proche de leur geste métier. Via des analyses automatiques des ventes du passé, nous les corrigions des principaux effets, comme la rupture de stock et les promotions. Puis, grâce à des algorithmes de prévisions poussés, nous étions capables de calculer un potentiel pour chaque nouvel article, avec une courbe de vie attachée à celui-ci, qui prenait en compte la saisonnalité des ventes, les groupes de magasins dans lesquels était vendu ce nouvel article ou l’évolution générale de la fréquentation du parc magasins ou de la famille de produits. 

En revanche, et alors même que cette première version de notre application était en mesure de calculer très précisément un potentiel de ventes et une courbe de vie en une dizaine de secondes, les utilisateurs trouvaient l’application pas suffisamment rapide au regard de l’instantanéité d’Excel notamment pour forecaster de larges collections et tester de nombreux scénarios. 

Après avoir entendu ces retours et mesuré les performances, nous avons décidé de retravailler notre plateforme technique et nos modèles d’intelligence artificielle, afin d’améliorer la vitesse d’exécution tout en garantissant un niveau de précision au moins équivalent à la première version

Product Autopilot V2: la rapidité au service de la précision

Améliorer la rapidité de l’application: 

Nous avons travaillé à la fois sur l’architecture technique de notre application ainsi que sur nos modèles statistiques afin de les rendre extrêmement réactifs tout en maintenant un haut niveau de précision.

Résultat, la prévision est désormais quasi-instantanée (cf graphique 2): Ce qui prenait auparavant 10 secondes environ pour agréger la donnée, appliquer notre traitement et sortir les résultats de prévision met désormais moins de 0,5 seconde. 

 

graph1

Améliorations du modèle

Parce que nos équipes souhaitent constamment améliorer la précision des prévisions, cette nouvelle version de Product Autopilot renforce encore la qualité et la robustesse de notre modèle de forecasting : 

  • Suppression des effets  de bord du COVID. Désormais, les utilisateurs n’ont plus à se soucier de la période comparable utilisée pour la prévision même si elle se superpose aux fermetures de magasins dues à la crise sanitaire.
  • Renforcement de la stabilité des prévisions : Nous avons introduit un grand nombre d'algorithmes tant pour corriger les problèmes de qualité des données source que pour “lisser” les prévisions grâce à des traitements multi-niveaux permettant de garder uniquement les signaux les plus significatifs. 

Résultats ? 

D’après notre analyse dite de “backtesting”, nous avons amélioré de quasiment 6 points la qualité de la prévision par rapport à la première version ! Cela va donc avoir un impact significatif sur la marge additionnelle générée par Product Autopilot. 

La rapidité comme facteur de précision

Nous savons tous que plus une application est fluide et rapide, plus nous l’utilisons. Quand il s’agit de simuler différents scénarios, cette rapidité applicative améliore indirectement la qualité globale des prévisions car l’utilisateur prend alors le temps de forecaster précisément un plus grand nombre de références articles en testant plusieurs hypothèses et en intégrant de multiples facteurs (Cf. Schéma ci-dessous)

 

graph2

Pour la suite, quelles sont les prochaines étapes ?

Début Q3, Product Autopilot intégrera une nouvelle fonctionnalité permettant de forecaster un grand nombre de modèles en trois clics, nous l’avons appelé “Fast Forecast”. Conçue spécialement pour les produits éphémères, plus réactifs à la tendance, elle sera la solution de forecast destinée à prévoir les modèles aux historiques de ventes plus volatiles et prévus sur une courte période. Nous nous tenons à votre disposition pour vous faire une démo de cette nouvelle fonctionnalité !


Nous vous en parlerons dans la prochaine newsletter, stay tuned ! Nous sommes impatients que vous puissiez l’utiliser, car cela va encore renforcer la valeur générée par Product Autopilot !

 

🔎 En savoir plus sur notre solution 👉 Découvrir notre fiche use case