La prévision de la demande estime ce que les clients auront besoin sur une période future définie. Sa valeur dépend de la décision qu’elle soutient : achat de stock, planification du personnel ou capacité de planification. Un modèle qui prédit bien demain peut encore être inadapté pour une décision d’achat prise six semaines à l’avance.
L’annonce de TimesFM de novembre 2025 publiée par Google Cloud a introduit des capacités de prévision préentraînées dans BigQuery et AlloyDB. Un accès plus facile rend l’expérimentation plus pratique, mais cela ne supprime pas la nécessité de tester les prévisions par rapport à une référence commerciale.
Commencez par l’horizon de décision
Définissez l’article, l’emplacement, l’intervalle de temps et le délai avant de sélectionner un modèle. La demande quotidienne pour un seul magasin est un problème différent de la demande mensuelle dans une région. L’agrégation peut masquer les ruptures de stock dans des emplacements individuels même lorsque la prévision globale semble exacte.
Vérifiez si les ventes enregistrées représentent la demande. Une étagère vide peut produire des ventes nulles malgré un fort intérêt des clients. Marquez ces périodes et documentez comment le processus de prévision les traite.
Comparez avec une référence saisonnière
Un point de départ simple prédit la même valeur qu’une période précédente comparable, comme le même jour de la semaine de la semaine précédente. Utilisez une référence qui reflète l’historique disponible et le cycle commercial.
Testez les deux méthodes sur des périodes ultérieures qui n’étaient pas disponibles lors du développement. Répétez cela sur plusieurs dates de coupure plutôt que de choisir un mois favorable. Notre guide pour prévenir la fuite de données explique pourquoi l’information disponible à chaque date de prédiction est importante.
Mesurez les erreurs là où elles ont des conséquences
L’erreur absolue moyenne est facile à interpréter en unités commerciales. Inspectez également la sur-prévision et la sous-prévision systématiques par produit ou par emplacement. Les pourcentages d’erreur nécessitent de la prudence lorsque la demande réelle est proche de zéro.
Pour un exemple illustratif de gestion du personnel, une prévision qui manque régulièrement les heures de pointe peut être coûteuse même si son erreur moyenne quotidienne est faible. Comparez les erreurs avec les retards de service, les coûts de stockage des stocks ou les commandes manquées, sans supposer que chaque unité d’erreur ait la même conséquence.
Utilisez des plages et des exceptions explicites
Un intervalle d’incertitude décrit une plage de résultats possibles selon les hypothèses du modèle. Vérifiez combien de fois la demande observée se situe à l’intérieur pendant les périodes mises de côté. Un intervalle étroit n’est pas utile s’il manque régulièrement la réalité.
Signalez les lancements, les promotions majeures et les données manquantes pour examen. Consignez les ajustements afin que l’équipe puisse plus tard comparer la prévision originale avec celle ajustée. Surveillez les changements après le déploiement en utilisant un processus de dérive du modèle.
Rendre le premier projet gérable
Choisissez une décision de planification avec des enregistrements historiques cohérents et une conséquence mesurable. Explorez le machine learning sans code avec NextBrain AI, et discutez de votre horizon de prévision et des données avant de l’étendre à chaque produit ou emplacement.