La plupart des prévisions de la demande reposent sur l’historique des ventes. Cela vous indique ce que vous avez expédié, ce qui reste un indicateur correct de la demande jusqu’à ce qu’on y regarde de plus près. Les données de ventes masquent la demande que vous n’avez pas su satisfaire, le client qui a trouvé le rayon vide et est parti ailleurs, et elles ont un retard sur la réalité égal au temps qu’il faut pour clôturer les comptes.
L’IoT change la donnée d’entrée. Un distributeur connecté, une benne surveillée, une ligne équipée d’un compteur et un actif suivi mesurent tous la consommation au moment où elle se produit, là où elle se produit. C’est plus proche de la demande réelle qu’une facture, et cela arrive en temps réel plutôt qu’en fin de mois. Le hic, c’est que des relevés de consommation bruts ne sont pas une prévision, ils en sont la matière première, et transformer ce flux en un chiffre sur lequel l’entreprise peut planifier demande quelques étapes délibérées. Voici le chemin.
Pourquoi les données IoT sont une meilleure base pour la demande
Les chiffres de ventes répondent à la question “qu’avons-nous vendu”. Les données de consommation répondent à “qu’ont réellement utilisé les gens”, et l’écart entre ces deux réponses est exactement l’information dont une prévision de la demande a besoin. Un distributeur automatique qui remonte ses niveaux de stock révèle la demande même pour l’article épuisé à midi et qui n’a plus généré de ventes le reste de la journée. Une cuve surveillée sur le site d’un client montre son taux d’utilisation réel, pas seulement le rythme de ses commandes.
Comme le signal est mesuré à la source et en temps réel, il se met aussi à jour bien plus vite qu’une prévision fondée sur les ventes. Vous voyez un changement de demande à mesure que la consommation évolue, pas des semaines plus tard quand le schéma de réapprovisionnement finit par le refléter. Pour tout ce qui tourne rapidement, cette rapidité est un atout.
Étape une : transformer les relevés en série de demande
Les données IoT brutes ne sont pas encore de la demande. Un capteur de niveau indique à quel point une cuve est pleine ; la demande, c’est la vitesse à laquelle elle se vide. La première étape consiste donc à dériver une série de consommation à partir de la série d’état : différencier les niveaux pour obtenir un taux d’utilisation, compter les événements de distribution ou additionner le débit mesuré par période. C’est une transformation simple dans une Analysis TagoIO qui lit la variable brute et écrit une variable de consommation propre par heure ou par jour.
Soignez bien cette couche, car tout ce qui vient ensuite prévoit la série dérivée, pas les relevés bruts. Traitez aussi ici les pièges évidents : un remplissage ressemble à une consommation négative et doit être filtré, et une coupure de capteur ne doit pas être lue comme une demande nulle.
Étape deux : prévoir la série de demande
Avec une série de consommation propre, il s’agit d’une prévision de séries temporelles ordinaire. La demande présente en général une forte saisonnalité, selon l’heure de la journée, le jour de la semaine et souvent un cycle annuel, si bien qu’un modèle saisonnier est le bon point de départ, et la même progression s’applique que pour toute prévision IoT : d’abord une base de référence saisonnière, puis le machine learning seulement lorsqu’un signal dépend de plusieurs facteurs et que le modèle plus simple a échoué de manière mesurable.
Les prévisions de la demande profitent tout particulièrement de facteurs externes. La météo fait bouger la consommation de nombreux produits. Les promotions, les jours fériés et les événements locaux la font bouger fortement. Là où vous disposez de ces données, intégrez-les, car un pic de demande autour d’un événement connu n’est prévisible que si le modèle sait que l’événement approche.
Étape trois : prévoir par unité, puis agréger
Un chiffre de demande unique et global masque le détail dont les opérations ont besoin. Le schéma le plus solide consiste à prévoir au niveau de l’unité, par machine, par site, par SKU, en utilisant des tags pour exécuter un seul script sur l’ensemble de la flotte, puis à agréger. Cela vous donne à la fois le total pour la planification et la ventilation pour l’action : quels sites sont en hausse, quel produit est sur le point de manquer et où.
Agréger des prévisions au niveau de l’unité tend aussi à être plus précis que de prévoir directement le total global, car le schéma de chaque unité est plus propre que la somme bruitée, et cela vous permet d’acheminer chaque signal local vers la personne qui agit dessus.
De la prévision à la décision
Une prévision de la demande rentabilise son coût lorsqu’elle guide le stockage, la production et la distribution. Réapprovisionnement : envoyez du stock à la machine ou au site que la prévision annonce en rupture, avant que cela n’arrive. Planification de la production : programmez la production en fonction de la demande prévue plutôt que des ventes du mois dernier. Distribution : positionnez les stocks là où la demande progresse, pas là où elle était.
Sur TagoIO, la boucle est familière. Les appareils remontent la consommation, une Analysis planifiée dérive la série de demande et la prévoit par unité, et les prédictions sont réécrites sous forme de variables qui alimentent les tableaux de bord, les alertes et les systèmes en aval via l’API. Avec TagoIO Analytics, la prévision de la demande tenant compte de la météo et des événements réside juste à côté des données de consommation.
Commencez par un produit et une décision
Choisissez un produit dont les ruptures ou les surstocks vous coûtent, dérivez sa série de consommation, prévoyez-la par unité et reliez la prévision à une seule décision : le réapprovisionnement est en général le plus rapide à démontrer de la valeur. Faites-en la preuve sur une ligne de produits, puis déployez la même approche fondée sur les tags à travers tout le catalogue.
L’IoT vous donne la demande mesurée à la source en temps réel. Découvrez comment TagoIO Analytics transforme ce flux en une prévision sur laquelle l’entreprise peut planifier.
TagoIO Analytics peut construire le modèle de demande à votre place, sans code. Connectez-vous sur sight.tago.io/login avec votre compte TagoIO et entraînez une prévision sur vos données de consommation en quelques minutes, détection d’anomalies incluse, sans data scientist.
