FeelEat installe des frigos connectés dans les entreprises. Pour chacun de ces frigos, quelqu'un doit décider de ce qu'on y met : quels plats, et combien de chacun. Une erreur dans un sens, et le plat que les gens voulaient n'est plus là. Une erreur dans l'autre, et des repas restent invendus.
Nous avons développé le modèle de prévision de la demande par IA sur lequel repose le module de planification de FeelEat. Il calcule quels plats, et combien de chacun, doivent aller dans le frigo de chaque entreprise. Sa précision est de 98 %, mesurée par rapport aux ventes réelles. Les ruptures de stock ont baissé de 58 % et les surstocks de 41 %.
Dans ce projet, la précision du modèle est ce qui m'inquiète le plus, et cette précision dépend des données qui l'alimentent.
Ce qui entre dans une prévision de la demande par IA
Pour chaque entreprise livrée, la prévision tient compte :
- des habitudes d'achat et de l'historique d'achat de cette entreprise
- de la répartition par âge et par sexe des personnes qui y travaillent
- du type de travail qu'elles exercent
- de la météo
- du type de produit : plat principal, dessert ou boisson
- du régime alimentaire : végan, végétarien, poisson, poulet (la liste est plus longue)
- du prix
Relisez cette liste. Derrière chaque ligne, il y a des données que quelqu'un doit collecter, garder exactes et fournir à temps.
Dans n'importe quel projet de ce type, imaginez des effectifs dont la composition change, ou un plat classé sous le mauvais régime alimentaire. Le modèle ne se plaindra pas ; il continuera à produire des plans qui paraissent aussi fiables que ceux de la veille. Et une prévision fausse sans que personne ne s'en aperçoive est pire que pas de prévision du tout, parce qu'on lui fait confiance.
C'est pour cela que, pour moi, le modèle est la partie facile. Le travail de tous les jours porte sur les données d'entrée.
Précision d'un modèle de prévision : mesurée par rapport à quoi ?
Mesurez la précision d'un modèle de prévision par rapport à ce qui s'est réellement passé. Notre modèle pour les frigos connectés de FeelEat est précis à 98 % par rapport aux ventes réelles, et c'est ce chiffre que nous citons. Suivez en parallèle les résultats opérationnels : ici, 58 % de ruptures de stock en moins et 41 % de surstock en moins.
Un score calculé sur des données historiques indique à quel point un modèle colle au passé. La comparaison avec les ventes réelles montre comment il se comporte dans la réalité, et ce chiffre peut baisser. Tous ceux qui le lisent, nous y compris, voient la même chose.
Si un prestataire vous montre un taux de précision, posez une seule question : précis par rapport à quoi ?
Le résultat est un plan
Ce que produit le modèle, c'est un plan : ces plats, en telle quantité, pour le frigo de chaque entreprise. La personne qui agit sur la base d'une prévision a besoin d'une quantité concrète.
À partir de là, les questions de conception difficiles touchent à l'humain. À quoi ressemble le plan à l'écran ? Et que se passe-t-il quand quelqu'un sait une chose que les données ignorent, par exemple qu'une équipe est absente toute la semaine ?
Ruptures et surstock : les chiffres qui comptent
98 %, c'est le chiffre qu'on met en avant. Les deux chiffres que je regarde de plus près sont ceux-ci :
- 58 % de ruptures de stock en moins. Moins de personnes qui ouvrent le frigo et ne trouvent plus leur plat.
- 41 % de surstock en moins. Moins de repas qui ne trouvent pas preneur.
Un projet de prévision qui améliore la précision sans jamais mesurer ces deux chiffres reste un exercice académique.
Avant de vous lancer
Ce que je dirais à quiconque prépare un projet de prévision :
- Listez vos données d'entrée avant de choisir un modèle. Chez nous, la liste allait de l'historique d'achat au prix. Pour chacune, notez qui en est responsable et comment vous remarquerez qu'elle est fausse.
- Comment allez-vous mesurer la précision ? Décidez-le avant de construire quoi que ce soit, et mesurez par rapport à ce qui s'est réellement passé.
- Concevez le résultat pour la personne qui agit. Chez nous, c'est le nombre de portions de chaque plat à mettre dans le frigo de chaque entreprise. Partez de là et remontez le fil.
- Suivez les indicateurs métier dès le premier jour : ruptures, surstock, ou leur équivalent chez vous.
- Gardez un humain dans la boucle. Quelqu'un qui connaît le métier doit pouvoir regarder le plan et le modifier quand il en sait plus.
Une dernière chose : si votre historique de ventes est lacunaire ou mal tenu, ne commencez pas par un modèle de prévision. Commencez par enregistrer correctement vos ventes.
C'est exactement le travail que nous faisons dans nos projets d'IA et de machine learning, et vous pouvez voir le modèle dans l'étude de cas du modèle de prévision. Côté humain : les agents gagnent leur autonomie comme les nouvelles recrues. Si vous avez un projet pilote qui tient sur le papier mais que personne n'utilise, dites-nous où ça bloque.
