Liste : Prédiction de C.A. par rayon

La liste proposée ici utilise un modèle d'intelligence artificielle (IA non générative) qui permet de fournir des prévisions de données sur base de données historiques. L'exemple est donné pour le C.A. mensuel par rayon mais il peut s'appliquer à n'importe quelle série de données chronologique. Le rapport exploite un modèle SSA  (Singular Spectrum Analysis) qui apprend à partir des données passées pour estimer des valeurs futures. SSA est une technique mathématique/statistique :

• Elle décompose la série temporelle en composantes (tendance, saisonnalité, bruit).
• Puis elle reconstruit un modèle à partir de ces composantes pour extrapoler les valeurs futures.

Le modèle doit recevoir des données d'apprentissage (train data) sur une période suffisamment longue que pour faire apparaître la saisonnalité et les tendances. Ces données doivent être des suite continues. (Par exemple, si pour un mois, il n'y a pas de vente, il est nécessaire d'avoir un enregistrement à zéro pour ce mois). Dans notre exemple, le modèle est entraîné et exécuté pour chaque rayon. Une autre granularité peut être utilisée, par exemple la famille, la sous-famille ou une catégorie. Ou n'importe quelle donnée. Cette nature d'analyse n'est de toute façon par prise en compte par le modèle : seule la suite de données chiffrées prévaut.

Dans le customizer, il est nécessaire de fixer avec soin les paramètres suivants :

• windowSize : Taille de la fenêtre d’observation (ou contexte). Définit combien de points passés sont utilisés pour prédire la valeur suivante. Typiquement 12 pour une analyse annuelle.
• seriesLength : Longueur totale de la série utilisée pour détecter la saisonnalité, longueur de la mémoire globale du modèle
• trainSize : taille du jeu de données à utiliser pour l'apprentissage
• horizon : nombre de périodes pour la prédiction

La sortie du rapport se fait en mode "fenêtre". Etant donné la durée possible longue d'exécution, ce code pourra être avantageusement utilisé en mode console.

Pour installer ce document :

• Dézipper le fichier ZIP ci-inclus dans le répertoire principal de Mercator.
• Relancer Mercator pour installer la nouvelle liste (installation rapide)

Le document est accessible via le menu "Articles / Documents".

⚠️ Réserve d’utilisation – Modèles prédictifs basés sur l’IA

Ce modèle de prévision fournit des estimations utiles pour la planification, mais ne constitue pas des certitudes. Ses résultats doivent être interprétés avec prudence.

1) Qualité & quantité des données

• Volume recommandé :
  • Durée : si l'analyse est annuelle, au moins 36 mois de données pour détecter tendance et saisonnalité.
  • Quantité d'information : au plus les données seront denses, au plus la prédiction sera fiable. (Par exemple, la prédiction sur un rayon avec peu de ventes sera moins fiable qu'un rayon avec beaucoup d'activité).
• Qualité : données nettoyées, cohérentes, sans rupture ou valeurs aberrantes.
• Traçabilité : documenter les sources, les filtres et les corrections appliquées.

2) Paramétrage du modèle

• windowSize (fenêtre de contexte) : adapter à la périodicité (ex. 12 pour une saisonnalité annuelle).
• seriesLength (longueur analysée) : assez longue pour capter les cycles, sans mélanger des régimes différents.
• horizon : choisir une portée réaliste ; au-delà, l’incertitude augmente fortement.
• Bonne pratique : validation effectuée sur base d'une comparaison entre données prédites et données réelles.

3) Précautions d’usage

• Les résultats sont une aide à la décision, pas des valeurs exactes.
• Effectuer une revue humaine et croiser avec des indicateurs métiers (promotions, contexte marché, saisonnalité).
• Éviter les usages isolés pour des engagements financiers/contractuels sans vérification complémentaire.

4) Responsabilité

Ineo Srl décline toute responsabilité en cas d’utilisation des modèles prédictifs sans validation humaine ni contrôle métier approprié. En installant et en utilisant ces modèles, vous acceptez d’évaluer les résultats, de documenter vos choix de paramètres et d’appliquer les contrôles nécessaires.