Principe
Les modèles d'apprentissage automatique (LightGBM, XGBoost, Prophet, réseaux de neurones) apprennent à partir de l'historique et de variables multiples : prix, promotions, calendrier, météo, données de point de vente. Ils sont performants sur de gros volumes de données (distribution, e-commerce), mais demandent des données propres, une validation rigoureuse et une explicabilité pour être acceptés.
Comprendre pas à pas
1. La situation
Une enseigne de jardinerie veut prévoir ses ventes par magasin et par jour. Les ventes dépendent fortement de la météo, des promotions et des jours fériés. Un éditeur propose un modèle de machine learning. Question : qu'apporte-t-il, et à quelles conditions ?
2. Les variables utilisées par le modèle
| Variable | Exemple | Effet appris par le modèle |
|---|---|---|
| Historique des ventes | 2 ans par magasin et article | niveau, tendance, saison |
| Calendrier | jour de la semaine, jours fériés, vacances | +60 % le samedi, +40 % les ponts |
| Météo prévue | température, pluie | +25 % de ventes de plantes au-dessus de 18 °C |
| Promotions | remise, mise en avant | surcroît de 2 à 4 fois la base |
| Prix | prix de vente et concurrents | élasticité au prix |
3. L'idée
Un modèle de machine learning (par exemple un « gradient boosting ») apprend à partir de milliers d'exemples passés comment chaque variable influence les ventes, y compris les combinaisons (une promotion un samedi ensoleillé). Il ne suit pas une formule fixe comme le lissage : il « découvre » les relations dans les données.
Apprentissage
Le modèle est entraîné sur le passé (par exemple 2023-2024).
Test
On mesure sa précision sur une période qu'il n'a jamais vue (2025), en respectant l'ordre du temps.
Comparaison
On compare à la méthode actuelle sur la même période.
Explication
On affiche l'importance de chaque variable pour que les planificateurs comprennent et fassent confiance.
4. Le déroulé du projet pilote
Préparer les données. Deux ans de ventes par magasin, nettoyées des ruptures ; calendrier ; météo historique ; historique des promotions. C'est 70 % du travail.
Entraîner et tester. Entraînement sur 2023-2024, test sur 2025. Erreur pondérée : 34 % pour le lissage actuel, 27 % pour le modèle.
Comprendre. La météo et les promotions expliquent l'essentiel du gain ; sans données météo, le modèle ne gagne que 2 points.
Déployer prudemment. Pilote sur 10 magasins pendant 3 mois avant généralisation, avec suivi de la dérive.
5. Les conditions de réussite
Beaucoup de données
Le machine learning brille sur de grands volumes (magasins × articles × jours).
Variables explicatives
Sans variables externes utiles, il ne fait guère mieux qu'un lissage.
Explicabilité
Une boîte noire incomprise est contournée par les planificateurs.
Maintenance
Le modèle se dégrade avec le temps : surveillance et réentraînement réguliers.
6. À vous de jouer : êtes-vous prêt ?
Évaluez si votre contexte se prête à un projet de machine learning pour la prévision.
7. Ce qu'il faut retenir
- Le machine learning apprend les effets de nombreuses variables à partir du passé.
- Gain réel quand il y a beaucoup de données et des variables explicatives utiles.
- Toujours tester sur une période non vue et comparer à la méthode actuelle.
Mise en œuvre
- Acteurs
- Prévisionniste ou planificateur de la demande
- Durée
- Paramétrage en quelques jours, calcul mensuel ou hebdomadaire
- Livrables
- Prévision par article, précision mesurée (modèle LibreOffice)
- Préparer l'historiqueConstituez une base riche : historique, prix, promotions, calendrier, météo, données de points de vente.
- Choisir les paramètresChoisissez un modèle (gradient boosting, Prophet) et les variables, avec un expert data.
- Calculer la prévisionEntraînez sur le passé et prévoyez la période de test, avec une validation temporelle (pas de mélange passé/futur).
- Mesurer la précisionComparez à la méthode actuelle sur plusieurs mois ; expliquez les principaux facteurs aux planificateurs.
- Déployer et surveillerSurveillez la dérive du modèle et réentraînez-le périodiquement.
Exemple d'application
Distributeur alimentaire : un modèle de gradient boosting intégrant météo et promotions réduit l'erreur à la maille magasin-jour de 18 % par rapport au lissage exponentiel.
Points de vigilance
- Boîte noire non comprise des planificateurs, donc contournée