Si vous naviguez dans le milieu de la data, vous avez forcément entendu parler de « Forecasting ». Mais de quoi parle-t-on exactement ?

Le Forecasting, que l’on peut traduire littéralement par « prévision », est un procédé consistant à formuler des prédictions fondées sur des données passées et présentes. Établir une prévision est une tâche statistique courante, notamment en entreprise. Elle aide à orienter les décisions relatives à la planification, que ce soit de la production, du transport ou des ressources humaines, et peut servir de guide pour la planification stratégique à long terme. Elle est particulièrement utilisée pour la maintenance prédictive du parc machine de nombreuses industries.

Toutefois, il est commun que ces prévisions soient mal réalisées et fréquemment confondues avec des tâches ne relevant que de la planification et de la définition des objectifs. Il s’agit pourtant de trois notions distinctes.

• La prévision consiste à anticiper l’avenir avec la plus grande précision possible, en s’appuyant sur toutes les informations disponibles, notamment les données historiques et la connaissance d’événements futurs susceptibles d’influer sur les prévisions.
• Les objectifs correspondent aux résultats que vous souhaiteriez obtenir. Ils devraient être étroitement liés aux prévisions et aux plans, ce qui n’est pas toujours le cas. Trop souvent, des objectifs sont fixés sans plan pour les atteindre, ni prévisions permettant d’évaluer s’ils sont réalistes.
• La planification constitue une réponse aux prévisions et aux objectifs. Elle consiste à définir les actions appropriées pour faire en sorte que vos prévisions s’alignent sur vos objectifs.

Cet article revient sur le principe même derrière le Forecasting, ainsi que sur la méthodologie et les applications se cachant derrière ce terme parfois un peu fourre-tout.

LE PRINCIPE DU FORECASTING

Le Forecasting désigne donc le procédé de modélisation statistique (mais pas que) permettant d’établir des prévisions à partir de données passées et présentes. Il peut s’avérer nécessaire dans de nombreuses situations. Parmi elles :

• Décider s’il convient de construire une nouvelle centrale électrique au cours des cinq prochaines années exige des prévisions de la demande future ;
• Planifier les effectifs d’un centre d’appels pour la semaine suivante nécessite des prévisions du volume d’appels ;
• Gérer les stocks requiert des prévisions des besoins en approvisionnement.

Les prévisions peuvent se faire plusieurs années à l’avance ou seulement quelques minutes avant l’événement. Une étape cruciale consiste à déterminer la possibilité d’établir des prévisions fiables, afin de reconnaître si les valeurs obtenues peuvent être considérées sérieusement, ou si elles ne valent guère mieux qu’un simple tirage à pile ou face. En effet, de bonnes prévisions saisissent les tendances et les relations réelles présentes dans les données historiques, sans pour autant reproduire des événements passés qui ne se reproduiront plus.

Beaucoup de gens supposent, à tort, qu’il est impossible d’établir des prévisions dans un environnement en constante évolution. Or, tout environnement est en évolution, et un bon modèle permet de saisir la dynamique de ces changements. Les prévisions issues du Forecasting reposent rarement sur l’hypothèse d’un environnement immuable ; elles supposent, en règle générale, que la dynamique observée se poursuivra à l’avenir. Ainsi, un environnement très instable le restera. Un modèle de prévision a pour vocation de capturer la trajectoire des phénomènes, et non de se limiter à leur état actuel.

Quelles que soient les circonstances ou les horizons temporels, le Forecasting constitue une aide précieuse pour une planification efficace et performante.

QUAND ET QUOI PRÉVOIR ?

Qu’importe votre domaine, le Forecasting améliore grandement vos activités décisionnelles. En fonction de vos besoins spécifiques, il est possible d’obtenir des prévisions à court, moyen et long terme.

• Les prévisions à court terme sont utiles pour la planification du personnel, de la production et du transport. Dans ce cadre, il est souvent indispensable de prévoir la demande.
• Les prévisions à moyen terme servent à déterminer les besoins futurs en ressources, qu’il s’agisse de l’achat de matières premières, du recrutement de personnel ou de l’acquisition de machines et d’équipements.
• Les prévisions à long terme interviennent dans la planification stratégique. De telles décisions doivent prendre en compte les opportunités de marché, les facteurs environnementaux et les ressources internes.

Il est également important de mettre en place un système de prévision intégrant diverses approches afin d’anticiper les événements incertains. Cela nécessite de développer une expertise dans l’identification des problématiques de prévision, la maîtrise de différentes méthodes, la sélection de l’approche la plus adaptée à chaque situation, ainsi que l’évaluation et l’ajustement continus de ces méthodes. Par ailleurs, un soutien organisationnel solide est essentiel pour garantir le succès de l’utilisation de méthodes de prévision formelles.

Dès les premières étapes d’un projet de Forecasting, il est nécessaire de définir précisément ce qui doit faire l’objet de prévisions. Dans un contexte industriel, il convient par exemple de se demander si les prévisions doivent porter sur chaque gamme de produits, ou des groupes de produits, ainsi que sur chaque point de vente ou uniquement sur le volume total des ventes, ou encore la régularité des données (hebdomadaires, mensuelles…)

Il faut également déterminer l’horizon de prévision : jusqu’où veut-on prévoir ? De ce choix dépendra en effet le choix du modèle. La fréquence des prévisions est également à considérer. Si des prévisions doivent être établies fréquemment, il peut être préférable d’utiliser un système automatisé plutôt que des méthodes nécessitant un travail manuel minutieux.

Avant d’entreprendre un travail approfondi d’élaboration des prévisions, il peut être judicieux d’échanger avec les futurs utilisateurs afin de bien comprendre leurs besoins et la manière dont ces prévisions seront exploitées. Une fois déterminées les prévisions nécessaires, il convient de trouver ou de recueillir les données sur lesquelles ces prévisions seront fondées. Les données requises pour l’élaboration de prévisions peuvent déjà exister. De nos jours, une grande quantité de données est enregistrée ; la tâche du prévisionniste consiste alors souvent à identifier où et comment sont stockées les données nécessaires. Une part importante du temps du prévisionniste peut être consacrée à la recherche et au rassemblement des données disponibles, préalablement à la mise au point de méthodes de prévision appropriées.

MÉTHODES DE FORECASTING

La méthode employée varie considérablement en fonction de l’horizons temporel choisi, de la nature des structures de données…Le choix dépend des données disponibles et de la prévisibilité de la grandeur que l’on cherche à prévoir. Les méthodes de Forecasting peuvent être simples, avec l’utilisation de la donnée la plus récente en guise de prévision (ce que l’on appelle la « méthode naïve »), ou extrêmement complexes.

Lorsque les données sont disponibles et suffisantes, les méthodes quantitatives sont à privilégier. La prévision quantitative est possible à travers une grande variété de méthodes, souvent élaborées au sein de disciplines spécifiques pour répondre à des besoins particuliers. Ces méthodes reposent entièrement sur des modèles mathématiques ou quantitatifs. Chaque méthode possède ses propres caractéristiques, son degré de précision et son coût, autant d’éléments à prendre en compte lors du choix d’une méthode donnée. Les résultats obtenus par cette approche dépendent exclusivement de calculs mathématiques. La plupart des problèmes de prévision quantitative reposent soit sur des données de séries temporelles (recueillies à intervalles réguliers dans le temps), soit sur des données en coupe instantanée (recueillies à un moment précis). L’analyse de séries temporelles et les modèles associatifs font partie de ce type de Forecasting.

Il peut également arriver qu’aucune donnée ne soit disponible. Par exemple, si l’on souhaite prévoir les ventes d’un nouveau produit au cours de sa première année de commercialisation, on ne dispose, par définition, d’aucune donnée sur laquelle s’appuyer. En l’absence de données, ou si les données disponibles ne sont pas pertinentes pour les prévisions, il convient d’utiliser des méthodes de prévision qualitative. Ces méthodes ne relèvent pas de la simple conjecture : il existe des approches structurées et éprouvées permettant d’obtenir des prévisions fiables sans recourir à des données historiques. Ces méthodes reposent sur des émotions, des intuitions, des jugements, des expériences personnelles et des opinions. Cela signifie qu’aucun calcul mathématique n’intervient dans les méthodes de prévision qualitative. La méthode Delphi, les études de marché, l’avis des cadres dirigeants et la méthode de synthèse des estimations de la force de vente font partie de ce type de prévision.

LES ÉTAPES DU FORECASTING

Un projet de Forecasting comprend généralement cinq étapes fondamentales. 

Étape 1 : Définition du problème

C’est souvent l’aspect le plus ardu de la prévision. Définir le problème avec précision nécessite de comprendre comment les prévisions seront utilisées, qui en a besoin, et comment la fonction de prévision s’articule au sein de l’organisation concernée. Le ou la prévisionniste doit prendre le temps d’échanger avec toutes les personnes impliquées dans la collecte des données, la gestion des bases de données et l’utilisation des prévisions pour la planification future. 

Étape 2 : Collecte des informations.

Deux types d’informations sont systématiquement requis :

• des données statistiques,
• l’expertise accumulée par les personnes qui collectent ces données et utilisent les prévisions.

Il est parfois difficile d’obtenir suffisamment de données historiques pour ajuster un modèle statistique pertinent. Dans ce cas, on peut recourir aux méthodes de prévision fondées sur le jugement. Il arrive aussi que des données anciennes perdent de leur pertinence en raison de changements structurels au sein du système étudié ; il peut alors être judicieux de ne retenir que les données les plus récentes. Toutefois, gardez à l’esprit que des modèles statistiques robustes sont capables de prendre en compte les évolutions du système ; ne rejetez donc pas inutilement des données exploitables. 

Étape 3 : Analyse préliminaire (exploratoire)

Commencez toujours par représenter graphiquement les données. Observe-t-on des schémas récurrents ? Une tendance marquée ? Une saisonnalité significative ? Des signes de cycles économiques ? Existe-t-il des valeurs aberrantes qui nécessiteraient une explication de la part d’experts du domaine ? Quelle est l’intensité des relations entre les variables disponibles pour l’analyse ? Divers outils ont été conçus pour faciliter cette étape. 

Étape 4 : Choix et ajustement des modèles

Le choix du modèle optimal dépend de la disponibilité des données historiques, de la force des relations entre la variable à prévoir et les éventuelles variables explicatives, ainsi que de l’usage qui sera fait des prévisions. Il est courant de comparer deux ou trois modèles potentiels. Chaque modèle constitue une construction artificielle reposant sur un ensemble d’hypothèses (explicites et implicites) et intègre généralement un ou plusieurs paramètres devant être estimés à partir des données historiques disponibles.

Étape 5 : Utilisation et évaluation d’un modèle de prévision

Une fois qu’un modèle a été sélectionné et que ses paramètres ont été estimés, il est utilisé pour établir des prévisions. La performance du modèle ne peut être évaluée correctement qu’une fois les données relatives à la période de prévision disponibles. Plusieurs méthodes ont été développées pour aider à évaluer la précision des prévisions.

Le Forecasting ne vous ai désormais plus inconnu. Il regroupe de nombreuses méthodes et peut s’adapter à votre problématique, qu’importe votre domaine. Chez PGData, nous en avons fait une de nos spécialité, alors n’hésitez pas à nos contacter !

SOURCES

• Hyndman, Rob J., et George Athanasopoulos. Forecasting: Principles and Practice
• Montero-Manso, Pablo, et Rob J. Hyndman. « Principles and algorithms for forecasting groups of time series: Locality and globality ». International Journal of Forecasting 37, n^o 4 (2021)
• J. Scott Armstrong. Principles of Forecasting. A Handbook for Researchers and Practitioners