Prévision statistique et prédictive (IA / ML)

Un modèle de prévision est une règle de calcul ajustée sur des données pour estimer une valeur encore inconnue ; il peut prolonger une évolution passée ou relier cette valeur à des facteurs explicatifs. La prévision statistique et prédictive fournit ainsi une estimation reproductible, à confronter aux informations opérationnelles et non à accepter comme une vérité. Elle complète le forecast, une prévision actualisée tenant compte des informations disponibles, sans remplacer la responsabilité de ceux qui le valident.

• Partir d'une décision, pas d'un outil. Prévoir les ventes pour dimensionner les achats ne demande pas nécessairement le même modèle que prévoir les encaissements pour organiser les paiements. Il faut fixer l'horizon de prévision, le délai séparant la date de calcul de la période estimée, et la granularité, le niveau de détail retenu. Une estimation globale peut être satisfaisante tout en masquant une erreur importante sur une activité. Le bon niveau est celui auquel une action peut réellement être engagée.
• Mesurer le résultat dans des conditions réalistes. Un modèle doit être évalué sur des périodes qu'il n'a pas utilisées pour apprendre, avec les seules informations disponibles au moment de prévoir. Il doit aussi être comparé à une règle simple, comme reprendre la dernière valeur connue. Une formule complexe n'est utile que si elle améliore une mesure pertinente et reste exploitable dans le calendrier de gestion.
• Conserver une validation humaine traçable. Une fermeture de site, un contrat signé ou un changement de prix peut rendre le passé moins représentatif. La finance et les responsables opérationnels doivent pouvoir expliquer leurs corrections, conserver la proposition initiale et vérifier ensuite si leur intervention a aidé. La démarche transforme ainsi la révision du forecast en apprentissage collectif, plutôt qu'en remplacement automatique des échanges métier.

Sans démarche structurée, la direction financière consacre souvent beaucoup d'efforts à réunir les fichiers et à harmoniser les hypothèses. La discussion commence alors sur des chiffres déjà anciens, et les équipes disposent de peu de temps pour examiner les causes des écarts ou préparer des actions. Les prévisions deviennent difficiles à reproduire : une même donnée peut être interprétée différemment selon le responsable ou la période.

La première difficulté est de distinguer une évolution durable d'un événement isolé. La tendance, mouvement de fond d'une variable, et la saisonnalité, variation qui se répète selon le calendrier, peuvent se superposer. Une hausse habituelle liée à la saison n'a pas le même sens qu'une progression durable de la demande. À l'inverse, une commande exceptionnelle ne doit pas être prolongée mécaniquement dans toutes les périodes suivantes.

La deuxième difficulté est le biais de jugement. Une équipe peut reconduire son objectif commercial dans sa prévision, alors que le budget est un engagement ou une référence de gestion fixée pour une période, et non la meilleure estimation actualisée du résultat attendu. Une proposition calculée indépendamment de cet objectif fournit un point de comparaison. Elle n'est pas forcément plus juste, mais elle oblige à rendre les hypothèses visibles.

La troisième difficulté concerne le volume de combinaisons à examiner : activités, produits, zones ou clients. Une analyse systématique aide à repérer les cas qui méritent une revue approfondie, plutôt qu'à consacrer le même effort à chaque ligne.

Cette pratique ne répare cependant ni des données incohérentes ni une organisation sans responsable de validation. Elle est surtout utile lorsque des observations comparables existent et qu'une décision peut être réajustée. Pour une activité entièrement nouvelle, les hypothèses opérationnelles, les analogies et le jugement restent souvent plus informatifs qu'un modèle entraîné sur un passé peu pertinent.

1. Définir ce qui doit être prévu. La variable cible est la grandeur que le modèle cherche à estimer : quantités vendues, chiffre d'affaires ou encaissements, par exemple. Préciser son unité, la période concernée et la date à laquelle la prévision doit être disponible. Prévoir des commandes ne revient pas à prévoir des ventes comptabilisées.

2. Construire un historique comparable. Une série temporelle est une suite d'observations ordonnées dans le temps. Vérifier les dates, les changements d'activité et les valeurs manquantes. Distinguer une absence de donnée d'une valeur réellement nulle. Conserver les événements exceptionnels identifiés pour décider de leur traitement, sans effacer silencieusement les périodes difficiles.

3. Choisir les informations explicatives. Un inducteur est un facteur opérationnel influençant la grandeur prévue, comme les volumes ou le prix. Une variable explicative est une information utilisée par le modèle pour estimer sa cible ; elle peut être utile sans démontrer une relation de cause à effet. Son emploi suppose qu'elle soit connue à la date de prévision, ou qu'une hypothèse explicite fournisse sa valeur future.

4. Ajuster plusieurs méthodes. L'entraînement consiste à estimer les paramètres du modèle à partir de données historiques. Comparer une règle simple avec des méthodes tenant compte de la tendance, de la saisonnalité ou des variables explicatives. L'approche par inducteurs reste utile pour traduire les hypothèses métier en effets financiers.

5. Tester en respectant le temps. Le backtesting est une évaluation qui reconstitue des prévisions à des dates passées, sans utiliser d'informations alors inconnues. Répéter cette évaluation sur plusieurs périodes et sur l'horizon réellement attendu.

6. Publier puis apprendre. Présenter la proposition calculée, ses limites et les corrections validées. À l'arrivée du réel, mesurer les erreurs, examiner leurs causes et décider s'il faut réentraîner le modèle, modifier les données ou revenir à une méthode plus simple.

Cet exemple est entièrement fictif : une entreprise de taille intermédiaire prévoit les ventes mensuelles de deux familles de produits. Le chiffre d'affaires (CA) est le montant des ventes de la période ; ici, il est calculé hors taxes, sans remises ni retours. Une régression est une méthode qui estime une relation entre une cible et des variables explicatives ; les coefficients ci-dessous sont supposés avoir été ajustés et testés sur un historique distinct.

Pour la famille A, la formule est : quantité prévue = 800 + 20 × commandes confirmées. Pour la famille B : quantité prévue = 500 + 10 × commandes confirmées. Une commande peut contenir plusieurs unités. À la date de calcul, les commandes confirmées sont de 10 pour A et de 10 pour B. Les prix sont supposés constants.

| Élément | Famille A | Famille B | Total | |---|---:|---:|---:| | Quantité prévue | 1 000 | 600 | 1 600 | | Quantité réelle | 1 100 | 550 | 1 650 | | Prix unitaire | 50 € | 100 € | — | | CA prévu | 50 000 € | 60 000 € | 110 000 € | | CA réel | 55 000 € | 55 000 € | 110 000 € | | Écart de prévision du CA | +5 000 € | −5 000 € | 0 € |

Les quantités prévues se recalculent ainsi : A = 800 + 20 × 10 = 1 000 ; B = 500 + 10 × 10 = 600. Le CA prévu vaut 1 000 × 50 + 600 × 100 = 110 000 €. Le CA réel vaut 1 100 × 50 + 550 × 100 = 110 000 €.

L'écart de prévision est réel − prévision. Pour A : 55 000 − 50 000 = +5 000 €, favorable pour le CA ; pour B : 55 000 − 60 000 = −5 000 €, défavorable pour le CA. Le total nul masque donc des erreurs opposées.

La forecast accuracy mesure ici la précision selon la convention 1 − |réel − prévision| / réel, pour un réel strictement positif. Sur le CA total : 1 − |110 000 − 110 000| / 110 000 = 100 %. Mais la somme des erreurs absolues vaut 5 000 + 5 000 = 10 000 €, soit 10 000 / 110 000 ≈ 9,09 % du CA réel. Le modèle est juste au total, pas au détail : les décisions de production doivent en tenir compte.

1. Cadrer l'usage. Choisir une décision précise, son responsable, son horizon et les conséquences d'une erreur. Prévoir les ventes pour engager une production exige de distinguer les erreurs par produit ; prévoir un total financier répond à un autre besoin. Livrable : une fiche de cadrage avec cible, périmètre, calendrier et critères d'acceptation.

2. Qualifier les données. Recenser les sources, rapprocher les totaux des données financières validées et vérifier les dates de disponibilité. Documenter les changements de produits, d'activité et de règles de comptabilisation. Livrable : un dictionnaire des données précisant leur sens, leur unité, leur provenance et les contrôles associés.

3. Établir un point de comparaison. Le modèle de référence est une méthode simple servant de comparaison aux méthodes candidates. Il peut reprendre la dernière observation ou celle de la période comparable précédente. Livrable : une prévision reproductible et ses erreurs sur les mêmes périodes que les autres modèles.

4. Organiser les essais. Séparer les périodes utilisées pour ajuster le modèle de celles réservées à son évaluation finale. Choisir les méthodes sur des essais intermédiaires, sans ajuster sans cesse les paramètres pour réussir le test final. Livrable : un rapport comparatif par horizon et par activité, avec erreurs, limites et besoins de données.

5. Définir la validation métier. Nommer le responsable de la proposition calculée et celui de la prévision publiée. Prévoir une justification des corrections et une procédure lorsque les données attendues n'arrivent pas. Livrable : une règle de validation, un journal des corrections et une méthode de remplacement utilisable.

6. Installer le fonctionnement récurrent. Intégrer les calculs au calendrier financier, surveiller les données reçues et mesurer les résultats après publication du réel. Former les utilisateurs à lire les limites autant que les valeurs centrales. Livrable : un dossier d'exploitation décrivant contrôles, responsabilités et conditions de réexamen. Le déploiement est réussi lorsque la prévision sert une décision et peut être reproduite, pas seulement lorsqu'un calcul s'exécute.

Prévoir à la date où l'on décide

Conserver une copie des informations disponibles à chaque date de prévision. Un historique corrigé après coup peut être comptablement meilleur, mais il ne reproduit pas nécessairement les conditions réelles de décision. Les essais doivent aussi tenir compte du retard de publication des données. Cette discipline évite de croire qu'un modèle aurait anticipé un événement dont il connaissait déjà le résultat.

Choisir une complexité justifiée

Commencer par des méthodes simples et compréhensibles. Une méthode plus élaborée doit apporter un bénéfice constaté sur des périodes non utilisées pour son ajustement, à un coût d'exploitation acceptable. Évaluer séparément les activités régulières et celles où les ventes sont rares ou irrégulières. Le même calcul peut être adapté à l'une et trompeur pour l'autre.

Rendre l'incertitude visible

Un intervalle de prévision est une plage de valeurs destinée à représenter l'incertitude autour d'une estimation future, selon un niveau de couverture annoncé. Vérifier dans le temps si le réel tombe effectivement dans cette plage aussi souvent qu'attendu. Une plage très large peut être prudente mais peu utile pour décider. Distinguer cette incertitude statistique d'un scénario, un ensemble cohérent d'hypothèses sur une situation possible, qui n'a pas automatiquement une probabilité mesurée.

Conserver les corrections et leurs effets

Enregistrer la proposition du modèle, la correction métier et la prévision finalement approuvée. Comparer leurs erreurs sur les mêmes périodes permet de savoir dans quels cas l'intervention humaine aide. Une correction justifiée par un contrat identifié n'a pas le même statut qu'un ajustement visant seulement à rejoindre un objectif.

Relier les résultats aux actions

Fixer des règles de revue selon les enjeux financiers et opérationnels. Une prévision ne doit pas déclencher automatiquement une décision irréversible sur la seule base d'un écart. Dans un rolling forecast, c'est-à-dire une prévision à horizon glissant, actualiser les estimations doit aussi conduire à réexaminer les actions encore possibles.

Utiliser sans le savoir une information future

La fuite de données est l'utilisation, pendant l'ajustement ou l'évaluation, d'informations indisponibles à la date où la prévision aurait été produite. Elle peut venir d'un prix finalement facturé, d'une commande reçue après cette date ou d'un fichier corrigé ultérieurement. Pour l'éviter, dater chaque donnée et reconstituer les délais réels de disponibilité, y compris pour les opérations de préparation des données.

Apprendre le passé au lieu de généraliser

Le surapprentissage apparaît lorsqu'un modèle épouse trop précisément les particularités des données d'entraînement et prévoit mal de nouvelles observations. Des résultats historiques séduisants ne suffisent donc pas. Réserver une évaluation finale indépendante, limiter les informations peu pertinentes et comparer systématiquement à une méthode simple. Le choix du modèle ne doit pas reposer uniquement sur son ajustement au passé.

Confondre association et causalité

Une variable peut évoluer avec les ventes sans en être la cause. Le modèle peut exploiter cette association pour prévoir, mais elle ne prouve pas qu'une action sur cette variable produirait l'effet calculé. Pour décider d'une hausse de prix ou d'une campagne commerciale, compléter l'analyse par une compréhension métier et, lorsque c'est possible, une évaluation adaptée de l'effet de l'action.

Masquer les erreurs par agrégation

Des surestimations et des sous-estimations peuvent s'annuler au niveau du groupe. Examiner les erreurs absolues et les écarts par activité avant de conclure à une bonne précision. Sur un réel nul, ne pas calculer un ratio qui divise par ce réel ; présenter plutôt une erreur en valeur et préciser la règle d'exclusion des ratios.

Reconduire un modèle devenu inadapté

La dérive est une évolution des données ou des relations apprises qui peut dégrader les prévisions. Un nouveau canal commercial ou une modification du périmètre peut la provoquer. Définir des conditions de revue, conserver une méthode de remplacement et ne pas supposer qu'un réentraînement automatique résout toute rupture économique.

Un indicateur clé de performance (KPI) est une mesure retenue pour suivre un objectif ou la qualité d'un processus. Pour évaluer les prévisions, poser R = réel, P = prévision et n = nombre d'observations comparables. Toutes les comparaisons doivent porter sur le même horizon, les mêmes unités et les mêmes dates de production.

• Écart de prévision : R − P. Un écart positif signifie une sous-prévision ; son caractère favorable dépend de la grandeur. Pour une charge, un réel supérieur à la prévision est généralement défavorable. L'écart budgétaire est réel − budget : il mesure autre chose et ne doit pas remplacer l'écart de prévision.
• Erreur absolue moyenne, moyenne de la taille des erreurs sans leur signe : Σ|R − P| / n. Elle s'exprime dans l'unité de la cible et indique l'ampleur habituelle des erreurs, sans compensation entre signes.
• Biais moyen, moyenne des écarts signés : Σ(R − P) / n. Un résultat positif indique une tendance à sous-prévoir. Un résultat proche de zéro ne garantit pas de petites erreurs.
• Forecast accuracy : 1 − |R − P| / R, pour R strictement positif. Multiplier par 100 pour l'exprimer en pourcentage. Selon cette convention, la valeur peut être négative lorsque l'erreur dépasse le réel ; ne pas la ramener artificiellement à zéro.
• Erreur absolue pondérée, rapport des erreurs absolues au volume réel total : Σ|R − P| / ΣR, pour des réels non négatifs et une somme strictement positive. Multiplier par 100 pour obtenir un pourcentage. Elle évite la compensation des erreurs, mais les grandes activités pèsent davantage.
• Couverture observée de l'intervalle : nombre de réels compris dans l'intervalle / nombre d'observations évaluables. La lire avec la largeur des intervalles, pas isolément.

Les livrables comprennent un tableau d'erreurs par horizon et activité, une comparaison avec le modèle de référence, le journal des corrections et la liste des données indisponibles. La mesure de la fiabilité des prévisions doit distinguer proposition automatique et version validée. Aucun indicateur isolé ne décrit toute la qualité du processus.

Un EPM (Enterprise Performance Management) est un système de gestion de la performance qui relie notamment planification, prévisions, analyse et processus de validation. Pour la prévision prédictive, il peut fournir un cadre commun aux données et aux décisions, sans nécessairement effectuer lui-même tous les calculs statistiques.

Mettre les prévisions dans un processus contrôlé

Les fonctions à rechercher sont concrètes : charger les historiques, organiser les données par activité et période, conserver plusieurs versions, des états distincts des données comme la proposition calculée et la prévision approuvée, puis gérer les droits de modification. Un workflow est un circuit organisé de tâches et de validations ; il permet de soumettre une correction à un responsable et de suivre son approbation.

L'EPM peut également rapprocher les quantités et les prix, traduire leurs effets financiers, produire les tableaux d'écarts et conserver l'origine des changements. Si le calcul prédictif se déroule dans un outil séparé, l'enjeu est de transférer les résultats avec leurs dates, unités et identifiants, puis de contrôler leur cohérence avant publication. Une connexion technique ne suffit pas à garantir que les données ont le même sens.

Examiner les solutions sur le besoin réel

Des plateformes telles que OneStream, CCH Tagetik, Oracle EPM, Anaplan et Pigment, ainsi que SAP Analytics Cloud, Board et Workday Adaptive Planning, peuvent être examinées pour structurer le processus de planification et de prévision. Les capacités statistiques, les connexions et les modalités d'exploitation dépendent de l'offre, des modules et de la configuration retenus.

Faire démontrer le parcours complet sur des données représentatives : calcul ou import d'une proposition, contrôle, correction justifiée, validation et comparaison au réel. Vérifier aussi la restitution des limites du modèle et la possibilité de conserver une méthode simple. Le critère n'est pas l'étiquette « IA », mais la capacité à produire une prévision explicable, contrôlée et utilisable.

Débutant — Une référence simple et mesurée

L'organisation dispose d'un historique cohérent sur un périmètre limité. La cible, l'horizon et le responsable sont nommés. Une règle simple produit une proposition distincte du budget et les erreurs sont mesurées à l'arrivée du réel. Les corrections peuvent encore être manuelles, mais elles sont conservées avec leur justification. Le signe distinctif est la reproductibilité : une autre personne peut refaire le calcul et comprendre les données utilisées.

Le passage au niveau suivant suppose surtout de stabiliser les définitions et les dates de disponibilité. Accumuler des méthodes avant d'avoir ces bases augmente la complexité sans rendre la prévision plus crédible.

Intermédiaire — Une comparaison organisée et une validation régulière

Plusieurs méthodes sont évaluées dans des conditions temporelles réalistes. Les résultats sont suivis par horizon et par activité, et la méthode de référence demeure visible. Les propositions automatiques et les corrections métier sont distinguées. Le processus prévoit des contrôles de données, un responsable de validation et une solution de remplacement en cas d'échec du calcul.

Le signe distinctif est l'utilisation régulière dans les décisions : les écarts conduisent à revoir des achats, des ressources ou des hypothèses, pas seulement à commenter un tableau. Les intervalles, lorsqu'ils sont produits, sont évalués sur leur couverture et leur utilité.

Avancé — Une exploitation surveillée et réversible

Les données et les résultats sont reliés au processus financier avec un historique des traitements. La surveillance distingue problème de source, dégradation du modèle et changement économique. Le réentraînement est encadré et une nouvelle méthode n'est mise en service qu'après comparaison documentée. Les effets des corrections humaines sont analysés de façon régulière.

Le signe distinctif est la capacité à revenir à une méthode antérieure ou à suspendre une proposition devenue peu fiable. Une organisation avancée n'emploie pas nécessairement du ML partout : elle choisit les méthodes selon l'usage, leurs limites et leur coût de maintien. La maturité se mesure à la maîtrise du processus, non à la sophistication affichée.

• [ ] Quelle décision cette prévision doit-elle éclairer, et quelles actions seront encore possibles lorsqu'elle sera disponible ?
• [ ] La cible correspond-elle bien au besoin : commandes, quantités livrées, ventes comptabilisées ou encaissements, avec une unité clairement définie ?
• [ ] L'horizon et le niveau de détail sont-ils identiques dans les essais, les indicateurs et la prévision utilisée par les responsables ?
• [ ] Les historiques sont-ils comparables malgré les changements de produits, d'activité, de calendrier ou de règles de comptabilisation ?
• [ ] Savons-nous distinguer une donnée manquante, une valeur nulle et un événement exceptionnel, avec une règle de traitement documentée ?
• [ ] Chaque information explicative était-elle réellement disponible à la date de prévision, ou repose-t-elle sur une hypothèse future explicitée ?
• [ ] Une méthode simple est-elle conservée comme référence, et les modèles sont-ils comparés sur exactement les mêmes observations ?
• [ ] L'évaluation finale porte-t-elle sur des périodes qui n'ont servi ni à ajuster les paramètres ni à choisir la méthode ?
• [ ] Mesurons-nous les erreurs absolues et le biais au détail, sans nous satisfaire d'un total où les écarts peuvent s'annuler ?
• [ ] Les règles concernant les réels nuls ou négatifs sont-elles explicites pour les indicateurs exprimés en pourcentage ?
• [ ] Si des intervalles sont publiés, leur couverture est-elle vérifiée et leur largeur reste-t-elle utile pour prendre une décision ?
• [ ] La proposition calculée, la correction métier et la prévision approuvée sont-elles conservées séparément avec leurs dates et responsables ?
• [ ] Les corrections humaines sont-elles évaluées après l'arrivée du réel pour comprendre quand elles améliorent ou dégradent la précision ?
• [ ] Qui peut interrompre la publication en cas de données incorrectes, et quelle méthode de remplacement est alors appliquée ?
• [ ] Les utilisateurs peuvent-ils expliquer les principales hypothèses et limites sans devoir comprendre tous les détails mathématiques ?
• [ ] Avons-nous défini les événements qui imposent une revue du modèle, et conservons-nous les éléments nécessaires pour reproduire une prévision passée ?

À retenir. La prévision statistique et prédictive apporte une estimation reproductible, pas une certitude. Sa valeur dépend d'une cible utile, de données disponibles au bon moment, d'une comparaison honnête avec une méthode simple et d'une validation métier traçable. L'objectif est de mieux décider sous incertitude, pas de supprimer tout écart.

Faut-il obligatoirement utiliser du ML ?

Non. Une méthode statistique simple peut convenir à une activité régulière et être plus facile à maintenir. Le ML devient pertinent lorsque les données et les relations à exploiter le justifient, et lorsque l'évaluation montre un bénéfice utile. La complexité doit rester proportionnée au problème, aux moyens d'exploitation et à l'enjeu de la décision.

Quel historique faut-il réunir ?

Il n'existe pas de durée universelle. L'historique doit représenter les variations que l'on souhaite prévoir et laisser suffisamment de périodes pour une évaluation indépendante. Une longue série devenue peu comparable peut être moins utile qu'un historique plus récent et bien documenté. Si les observations sont trop rares, expliciter cette limite et privilégier des hypothèses métier ou une méthode plus simple.

Le modèle peut-il prévoir une rupture économique ?

Il peut détecter certains changements déjà visibles dans les données, mais ne garantit pas l'anticipation d'un événement inédit. Une fermeture, une réglementation nouvelle ou un contrat exceptionnel exige souvent une information externe et une revue humaine. Il faut distinguer ce que le modèle a appris de ce que les décideurs savent du futur, puis documenter leur articulation.

Une correction humaine doit-elle toujours primer ?

Non. Elle doit être justifiée par une information pertinente ou une limite identifiée, puis évaluée après l'arrivée du réel. Conserver les deux estimations permet de mesurer son effet. Une correction destinée uniquement à rapprocher la prévision d'un objectif brouille la distinction entre estimation et engagement.

Peut-on automatiser entièrement la publication ?

Pour des cas stables et peu risqués, une publication automatique peut être envisagée avec des contrôles et des conditions d'arrêt. Les prévisions qui engagent des décisions importantes demandent une validation adaptée à leur enjeu. Dans tous les cas, un responsable doit pouvoir expliquer le résultat, suspendre le processus et utiliser une solution de remplacement.