Principe
statsmodels propose les lissages exponentiels et ARIMA ; Prophet et les modèles d'apprentissage gèrent les séries complexes ; scikit-learn le machine learning ; PuLP et OR-Tools l'optimisation linéaire et les tournées. On peut ainsi prototyper rapidement avant d'investir dans un outil.
Comprendre pas à pas
1. La situation
Un planificateur veut tester plusieurs méthodes de prévision sur ses 500 articles principaux, ce que son tableur ne permet pas. Question : comment prévoir et comparer des méthodes en Python ?
2. Les bibliothèques courantes
| Bibliothèque | Usage |
|---|---|
| statsmodels | lissage exponentiel (Holt-Winters), ARIMA |
| statsforecast | méthodes statistiques rapides sur de nombreuses séries (ETS, ARIMA, Croston) |
| scikit-learn, LightGBM | apprentissage automatique avec variables explicatives |
| pandas | préparation des séries |
3. L'idée
Python permet d'appliquer automatiquement plusieurs méthodes à des centaines de séries et de les comparer sur une période de test (backtesting). Le principe : on cache les derniers mois, on prévoit avec chaque méthode, on mesure l'erreur, et on retient la meilleure méthode par article ou par segment.
Pour chaque article : apprentissage sur les mois 1 à 24, test sur les mois 25 à 30, erreur WMAPE par méthode
4. L'étude
Préparation. Historique mensuel nettoyé de 500 articles (pandas).
Méthodes. Moyenne mobile, lissage simple, Holt-Winters, Croston pour les articles intermittents.
Comparaison. WMAPE sur 6 mois de test : Holt-Winters gagne sur 60 % des articles saisonniers ; Croston sur les intermittents.
Résultat. Erreur globale de 31 % à 24 % en choisissant la méthode par segment. Le simulateur ci-dessous permet de tester une méthode sur vos propres données.
5. À vous de jouer : testez une méthode
Testez le lissage exponentiel sur l'exemple ou sur vos propres données (bouton « Essayer avec mes données »).
6. Ce qu'il faut retenir
- Appliquer plusieurs méthodes à de nombreuses séries automatiquement.
- Comparer sur une période de test cachée (backtesting).
- Retenir la meilleure méthode par segment.
Mise en œuvre
- Acteurs
- Analystes
- Durée
- —
- Livrables
- Usage maîtrisé, gains mesurés
- Préparer les sériesNettoyage, fréquence.
- Tester plusieurs modèlesLissages, ARIMA, machine learning.
- Comparer sur une période de testAvec les mêmes indicateurs.
- Industrialiser ou passer à un outilSelon les résultats.
Exemple d'application
Prototype de prévision sur 500 articles avec statsmodels : comparaison de 4 méthodes sur 12 mois de test, qui sert de base au cahier des charges de l'APS.
Points de vigilance
- Prototype mis en production sans maintenance