Une belle courbe de prévision ne prouve pas que les achats fonctionnent mieux. Pour comparer les prévisions d’achat par IA, donnez les mêmes tâches à toutes les solutions. Examinez séparément les erreurs de prévision, la compréhension des suggestions et le travail quotidien nécessaire.
1. Définissez un petit test varié
Choisissez par exemple 30 articles : dix vendus régulièrement, dix saisonniers et dix à demande irrégulière. C’est une proposition de test, pas un minimum universel. Évaluez les nouveautés séparément, car elles n’ont pas d’historique.
Fixez à l’avance l’horizon, par exemple quatre semaines, et une même date limite pour les données. Une prévision pour mars ne doit utiliser que les informations connues au moment convenu. Testez plusieurs fenêtres, pas seulement le mois le plus favorable.
Signalez promotions, retours et périodes de rupture. Les ventes d’un article épuisé ne représentent pas toute la demande. Sans estimation fiable de cette demande, évaluez ces périodes séparément. L’article sur les modèles d’achat hebdomadaires explique comment préparer une base saisonnière.
2. Ajoutez une référence simple
Comparez les fournisseurs à une règle simple, par exemple les ventes de la même période de l’année précédente pour les articles saisonniers. Séparez les données de test de celles utilisées pour ajuster le modèle. Hyndman et Athanasopoulos expliquent ces principes dans Forecasting: Principles and Practice.
Pour un même article, comparez l’erreur absolue moyenne, ou MAE, en pièces. Calculez pour chaque période l’écart absolu entre prévision et réalité, puis la moyenne. Une valeur plus faible signifie des écarts de quantité plus faibles.
Exemple fictif sur quatre semaines :
Ventes réelles : 20 / 30 / 10 / 40 pièces.
Prévision A : 18 / 35 / 12 / 35 → erreurs 2 / 5 / 2 / 5 → MAE de 3,5 pièces.
Prévision B : 25 / 25 / 15 / 35 → erreurs 5 / 5 / 5 / 5 → MAE de 5 pièces.
A est plus proche dans cet exemple. Quatre semaines ne prouvent toutefois pas une supériorité durable. Vérifiez aussi si une méthode sous-estime ou surestime régulièrement la demande. Les erreurs en pourcentage comme la MAPE ne sont pas définies lorsque les ventes sont nulles et sont instables avec de petites quantités.
3. Vérifiez le passage à la commande
Une meilleure prévision ne garantit pas une meilleure décision d’achat. Utilisez donc les mêmes délais, conditionnements, commandes ouvertes et hypothèses de stock de sécurité pour comparer les propositions.
| Question en démonstration | Ce qu’il faut pouvoir vérifier |
|---|---|
| Pourquoi cette quantité précise ? | Le besoin, le stock et les réceptions confirmées sont compréhensibles. |
| Que se passe-t-il en cas de retard ? | Le nouveau délai est intégré ou la mise à jour manuelle est clairement signalée. |
| Comment gérer des cartons de six ? | L’arrondi et le stock supplémentaire sont visibles. |
| Qui décide en cas d’exception ? | Une personne peut vérifier, modifier et valider la suggestion. |
Faites répondre à ces questions avec vos articles de test. Mesurez aussi le temps de vérification et de correction. Les difficultés d’import et les fichiers annexes nécessaires comptent, même si la prévision est bonne.
4. Évaluez ensemble bénéfices et effort
Commencez avec des suggestions en mode d’essai avant d’activer des commandes automatiques. Ce fonctionnement en parallèle mesure plausibilité et charge de travail ; sans mise en œuvre ou simulation bien définie, il ne prouve pas encore des « ruptures évitées ».
Décidez selon plusieurs critères : écarts de quantité, sens des erreurs, valeur de stock attendue, effort d’utilisation et coût total. Un classement unique peut masquer les problèmes d’une famille d’articles importante.
Gäbig Purchase propose suggestions de commande, prévisions et analyses saisonnières avec bexio, Shopify ou WooCommerce. Apportez un article typique et une exception difficile à votre démonstration. L’optimisation des stocks montre pourquoi demande, délai et capital immobilisé doivent être considérés ensemble.