Revenir au contenu principal
Un socle de données et d'IA

Qu'est-ce que la prévision de la demande ?

Technique analytique utilisant les données de ventes historiques, les tendances du marché et la saisonnalité pour prévoir la demande future et optimiser l'allocation des stocks et des ressources.

par Équipe Databricks

Archived. This article has not been updated since the publish date above. The dynamic nature of information means that previously accurate content can become outdated or even obsolete over time. Readers are advised to exercise due diligence and cross-check any information found in this blog post before making decisions or adopting any practices based on said information.

  • Utilise l'analyse des séries temporelles, les modèles de régression, les algorithmes d'apprentissage automatique (ARIMA, Prophet, réseaux de neurones LSTM) et les méthodes d'inférence causale intégrant les promotions, les jours fériés, les conditions météorologiques et les indicateurs économiques comme variables prédictives.
  • Les avantages incluent la réduction des ruptures et des surstocks, l'amélioration de la trésorerie grâce à une optimisation du fonds de roulement, une satisfaction client accrue grâce à une réponse fiable à la demande, et une planification stratégique des capacités de production et de distribution.
  • Les défis consistent à gérer la volatilité de la demande, à prévoir les nouveaux produits sans données historiques, à intégrer les signaux du marché en temps réel et à trouver un équilibre entre la granularité des prévisions (au niveau de l'UGS ou de la catégorie) et la complexité de calcul.

Qu'est-ce que la prévision de la demande ?

  • La prévision de la demande consiste à établir une projection de la demande des clients (et donc des revenus futurs). Plus spécifiquement, elle projette l'assortiment de produits que les consommateurs vont acheter, en s'appuyant sur des données quantitatives et qualitatives.
  • Les détaillants sont confrontés à un problème qui se chiffre en milliards de dollars : l'indisponibilité des produits au moment où les consommateurs les réclament. Quand la prévision de la demande est défaillante, les entreprises ne mettent pas les bons produits en rayon ou, pire encore, subissent des ruptures de stock en boutique.

En quoi le Lakehouse for Retail facilite-t-il la prévision de la demande ?

  • Le Lakehouse for Retail permet d'accéder aux données en temps réel. En abandonnant l'approche batch de l'accès, de l'analyse et du calcul, les données deviennent constamment disponibles. Résultat : des décisions et de la business intelligence en temps réel. Le lakehouse utilise des technologies comme Delta, les DLT, Autoloader et Photon. Elles permettent aux organisations de rendre les données disponibles pour la prise de décision en temps réel
  • Le Lakehouse for Retail prend en charge les jobs les plus volumineux en quasi temps réel. Par exemple, des clients importent près de 400 millions d'événements par jour depuis des systèmes de journaux transactionnels, à des intervalles de 15 secondes. En raison des perturbations qui touchent les rapports et l'analyse pendant le traitement des données, la plupart des clients du secteur du retail chargent leurs données dans leur data warehouse pendant la nuit. Certaines entreprises chargent même les données à un rythme hebdomadaire ou mensuel.
  • Une architecture en lakehouse fournit une méthode plus simple que les approches traditionnelles – l'architecture Lambda, notamment – pour importer et traiter les données en batch et en streaming. L'architecture gère la capture des données de modification et assure la conformité ACID des transactions.
  • Les DLT simplifient la création de pipelines de données et créent automatiquement le lineage pour faciliter la gestion en continu.
  • Le lakehouse permet d'importer des flux de données en temps réel et de les analyser. Les data warehouses nécessitent des opérations d'extraction, de transformation et de chargement, puis une nouvelle extraction pour effectuer des travaux analytiques.
  • Photon délivre des performances exceptionnelles pour les requêtes, ce qui permet aux utilisateurs d'interroger les plus grands ensembles de données afin d'alimenter la prise de décisions en temps réel dans les outils de BI.
Rapport

Le guide pratique de l'IA agentique pour l'entreprise

Lire la suite

Quelles sont les sources de données de la prévision de la demande ?

  • La prévision de la demande fait partie intégrante de la fourniture de produits aux consommateurs. Pour acheminer des produits aux consommateurs, les détaillants doivent collaborer avec les fabricants dans le cadre des processus opérationnels et des cas d'usage : planification des ventes et des opérations (S&OP), optimisation de la chaîne d'approvisionnement, contrôle et optimisation de l'inventaire et planification de la production. Les données qui alimentent les modèles de prévision de la demande sont issues de plusieurs sources :
    • Point de vente : les transactions de vente, sous la forme de données structurées en temps réel
    • Historique de la demande : l'historique de la demande peut être hébergé dans les systèmes de planification des ressources de l'entreprise (SAP) et il est généralement structuré en batch
    • Données externes : les flux sociaux, les actualités et les informations sur la concurrence se présentent le plus souvent dans des formats non structurés en temps réel
    • Flux de clics : données semi-structurées en temps réel
    • Données externes : même la météo peut être un facteur déterminant dans la demande (pensez à l'impact d'une tempête, par exemple)

Ressources complémentaires

Recevez les derniers articles dans votre boîte mail

Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.

Voir tous les blogs