Des modèles de prévision adaptés aux commerçants avec BigQuery ML

Pour anticiper la demande, les commerçants jonglent entre leur intuition, leur expérience des produits et du marché, ainsi que les tendances et cycles saisonniers. La prévision de la demande est pour eux un enjeu stratégique. Si la précision de ces prévisions est primordiale, les commerçants se heurtent aujourd'hui à un autre défi majeur : être en mesure de planifier la demande à grande échelle. Avec des assortiments de produits comprenant des dizaines de milliers d'articles répartis sur des centaines de points de vente ou de zones de marché désignées, les séries temporelles à prendre en compte sont si nombreuses qu'elles ne peuvent être gérées qu'avec des plates-formes de big data et des solutions de modélisation de séries temporelles.

Jusqu'ici, seules deux approches permettaient de s'attaquer à ces contraintes : 

• Acheter une solution complète de prévision de la demande, ce qui implique de consacrer beaucoup de temps et de ressources à la mise en œuvre et à la gestion de cet outil. 

• Avoir recours à une plate-forme de machine learning à usage général pour exécuter des modèles de série temporelle personnalisés, ce qui nécessite d'avoir une grande expérience de la modélisation et de l'ingénierie des données. 

Pour permettre aux commerçants de planifier la demande de manière plus simple et plus flexible, nous proposons désormais un modèle de référence pour les analyses intelligentes. Ce modèle permet d'effectuer des prévisions de séries temporelles avec BigQuery ML sur la base d'une moyenne mobile intégrée autorégressive (ARIMA). Bâti sur le principe de conception de BigQuery ML qui réduit le codage au minimum, il permet d'effectuer des prévisions précises sans connaissance approfondie des modèles de série temporelle. Qui plus est, le modèle ARIMA de BigQuery ML apporte plusieurs innovations par rapport aux modèles ARIMA d'origine que beaucoup utilisent : la possibilité de capturer plusieurs tendances saisonnières, la sélection automatique du modèle, un pipeline de prétraitement très simple à utiliser, et surtout la possibilité de générer facilement des milliers de prévisions à grande échelle avec seulement quelques lignes de SQL.

Découvrez dans ce blog, les deux modes d'organisation les plus couramment adoptés pour gérer la prévision de la demande, et comment BigQuery ML établit un pont entre ces deux approches et peut vous accompagner à planifier la demande en surmontant les difficultés liées à des événements imprévus tels que la pandémie de COVID-19. 

Pour découvrir comment mettre en œuvre le modèle de conception permettant de prévoir la demande, regardez cette vidéo :

Prévision de la demande : deux types d'équipes

Jusqu'à présent, pour gérer la prévision de la demande, les grandes entreprises ont eu recours à deux types d'équipes. Nous les appellerons "équipe de prévision commerciale" et "équipe de prévision scientifique". 

L'équipe de prévision commerciale utilise généralement les solutions de prévision complètes des progiciels de gestion intégrés (ERP) ou des solutions Software as a Service (SaaS) (ou parfois une solution développée en interne) ne nécessitant pas de compétences approfondies dans le domaine de la science des données. Avec les progiciels de gestion intégrés, la génération des prévisions est entièrement automatique. Plutôt que des compétences techniques approfondies, les membres de l'équipe ont une grande connaissance du domaine et des compétences commerciales. Ils sont souvent issus du service commercial de l'entreprise. De nombreux grands magasins adoptent cette approche. Les solutions de ce type peuvent présenter des avantages, mais elles nécessitent de consacrer beaucoup de temps et de ressources à la mise en œuvre et à la gestion. Les équipes de mise en application et de DevOps sont généralement conséquentes. Elles mobilisent de nombreuses instances de calcul et de stockage des données, et doivent actualiser les prévisions en permanence en exécutant à heure fixe des cycles de traitement par lot qui durent plusieurs heures.

L'équipe de prévision scientifique est, quant à elle, constituée de professionnels titulaires d'un doctorat ou d'une maîtrise de sciences. Ces derniers travaillent dans une entreprise du secteur de la science des données ou des technologies, et connaissent parfaitement Python ou le langage R. Ils utilisent Cloud AI Platform et effectuent eux-mêmes la totalité des prévisions de bout en bout : le choix, la création, l'entraînement et l'évaluation d'un modèle. Ils déploient ensuite le modèle en production, puis communiquent les résultats aux intervenants commerciaux concernés et aux responsables. On rencontre souvent ce type d'équipe dans les entreprises "digital native".

Un nouveau type d'équipe

Un nouveau type d'équipe de prévision hybride est apparu récemment. On le retrouve souvent dans les entreprises qui cherchent à s'orienter davantage vers les données et les modèles, mais qui n'ont pas les ressources pour investir dans un système ERP coûteux ou pour embaucher un data scientist confirmé. Même en ayant de bonnes connaissances en matière de prévision et de planification de la demande, elles peuvent manquer d'expérience ou de ressources nécessaires au déploiement de modèles personnalisés à grande échelle. Il n'en reste pas moins que les équipes de ce type, si elles disposent des bons outils, ont le potentiel d'opérer la fusion du meilleur des deux mondes : la modélisation avancée du prévisionniste scientifique et l'expertise du prévisionniste commercial.

Réagir à l'imprévu 

Comme beaucoup d’entreprises ont pu en faire l'expérience en 2020, certains événements tels que la pandémie de COVID-19 rendent les prévisions de la demande inopérantes et remettent en cause les modèles existants.

Avec la solution de prévision d'un progiciel de gestion intégré, même un léger changement dans la chaîne d'approvisionnement et de l'organisation du réseau de magasins suffit à provoquer une modification des modèles de demande. Il faut alors reconfigurer la solution de planification de manière extensive et recourir à toute une équipe d'assistance. Avec BigQuery ML, les ajustements liés aux événements prévus et imprévus sont simplifiés. Et comme il s'agit d'une solution sans serveur, sa capacité d'autoscaling permet de réduire les coûts associés au temps de travail et aux efforts des équipes DevOps. Générer de nouvelles prévisions en réponse à une modification du réseau d'approvisionnement ne nécessite plus désormais que quelques heures, contre des semaines auparavant. 

Premiers pas avec un modèle de référence BigQuery ML

Afin que chacun puisse être plus facilement opérationnel avec des outils Google Cloud tels que BigQuery ML, nous avons récemment lancé des modèles de référence pour les analyses intelligentes (des guides de référence techniques contenant des exemples de code pour les cas d'utilisation d'analyse les plus courants). Nous savons que la facilité de mise en pratique des outils d'analyse est pour vous une priorité. Les précédents modèles de référence couvrent des cas d'utilisation tels que la prédiction de la valeur du client, les tendances d'achat, les systèmes de recommandation de produits, etc. 

Le nouveau modèle de référence que nous mettons à votre disposition sur GitHub vous aidera à passer moins de temps à générer des prévisions de séries temporelles à grande échelle. Il vous indiquera comment utiliser des données de vente historiques pour entraîner un modèle de prévision de la demande à l'aide de BigQuery ML. Vous pourrez ensuite visualiser les valeurs prévues dans un tableau de bord. 

Pour en savoir plus et afin de disposer d'indications qui vous guideront tout au long de ce processus, vous pouvez consulter nos explications techniques. La méthode présentée s'appuie sur les données transactionnelles historiques des ventes de boissons alcoolisées de l'Iowa afin d'établir des prévisions pour les 30 prochains jours. Dans ce blog, vous allez apprendre à effectuer les opérations suivantes :

• Prétraiter des données dans le format approprié pour la création d'un modèle de prévision de la demande à l'aide de BigQuery ML

• Charger plusieurs modèles de série temporelle BQ ARIMA dans BigQuery ML

• Évaluer les modèles et générer des prévisions pour l'horizon prévisionnel souhaité

• Créer un tableau de bord pour visualiser les prévisions de demande à l'aide de Data Studio

• Configurer des requêtes programmées pour que les modèles puissent être rechargés de manière régulière et automatisée

BigQuery ML relie les équipes de prévision commerciale et scientifique

Les caractéristiques qui viennent d'être décrites nous montrent comment BQ ML contribue à faire le lien entre les deux approches actuellement utilisées pour générer des prévisions à grande échelle. Vous pouvez ainsi créer votre propre plate-forme de prévision de la demande sans avoir à recourir à des data scientists spécialisés dans le traitement des séries temporelles. Cette solution est idéale pour les prévisionnistes hybrides, car elle comprend des outils permettant de générer des prévisions à grande échelle à la volée. 

En permettant d'entraîner et de déployer des modèles de ML avec SQL, BigQuery ML contribue à démocratiser la modélisation des données. Vos collaborateurs sont ainsi plus nombreux à accéder aux outils de prévision de la demande et aux insights commerciaux. 

Par exemple, le modèle ARIMA de BigQuery ML aide les commerçants à surmonter les difficultés liées à des événements imprévus en leur permettant de générer des milliers de prévisions avec de nouvelles données en moins de temps qu'auparavant. Recalibrez les prévisions de la demande à moindre coût, détectez les évolutions des tendances et procédez à de multiples itérations pour capturer les nouveaux modèles dès leur émergence, le tout sans avoir à mobiliser toute une équipe DevOps. 

En utilisant BigQuery ML pour effectuer vos prévisions, vous permettez de faire un lien entre vos équipes de prévision commerciales ou hybrides, et celles spécialisées dans la science des données. Par exemple, vos analystes seront chargés de générer des prévisions statistiques de référence avec BigQuery et de les examiner, mais ils pourront faire appel ponctuellement à un data scientist senior qui se chargera d'effectuer une analyse plus avancée de l'impact causal sur certaines de leurs données, ou encore de mesurer l'effet de la COVID-19 sur l'évolution des modèles de demande. Voyez cela comme des pratiques "DemandOps" plutôt que "DevOps".

C'est également possible si vous disposez déjà des outils de planification de la demande d'un progiciel de gestion intégré. Il vous suffit alors d'exporter vos prévisions de vente et les données réelles vers BigQuery à chaque fois qu'elles sont mises à jour ou lorsque c'est nécessaire. Il est fréquent qu'une entreprise commerciale dispose de plusieurs prévisions de séries temporelles effectuées à différents niveaux de l'entreprise. L'équipe chargée du merchandising peut effectuer des prévisions tactiques et opérationnelles de la demande pendant que celle en charge des finances procède à des prévisions de chiffre d'affaires, ceci alors que l'équipe qui s'occupe de la chaîne d'approvisionnement effectue des prévisions pour la planification des capacités au niveau du centre de données. Qui plus est, chaque équipe utilise son propre ensemble d'outils spécifique. Ces prévisions sont générées séparément, mais leur rapprochement améliorerait la précision et permettrait à l'entreprise de bénéficier de précieux insights holistiques sur son activité, informations qu'elle ne peut obtenir avec des prévisions et des analyses cloisonnées. 

L'équipe chargée du merchandising peut par exemple se baser sur les signaux du marché et des produits pour prévoir une augmentation de la demande d'un produit donné. De son côté, celle qui s'occupe de la chaîne d'approvisionnement peut avoir connaissance de divers facteurs de stress affectant la fabrication et la logistique, et par conséquent prévoir une baisse des expéditions de produits. Le délai d'identification de ce type de divergence est généralement de plusieurs semaines, et sa résolution implique l'échange d'e-mails et l'organisation de réunions. Il est alors trop tard, étant donné que des décisions de planification incompatibles ont déjà été prises sans concertation par les équipes, et le mal est fait. Une entreprise qui utiliserait BigQuery comme plate-forme d'analyse des prévisions centralisée pourrait détecter cette divergence en quelques heures ou quelques jours et réagir en conséquence. Elle éviterait ainsi d'avoir à revenir sur des décisions de planification plusieurs semaines après qu'elles ont été prises. 

En complément des fonctionnalités de modélisation de BQ ARIMA, BigQuery et BigQuery ML forment la plate-forme idéale pour fédérer des équipes de prévision disparates. 

Google Cloud propose plusieurs solutions qui vous aident à améliorer vos capacités de prévision de la demande et à optimiser vos niveaux de stock dans les périodes de crise. Outre les outils BigQuery ML décrits dans ce blog, vous pouvez opter pour les solutions suivantes : 

• Créer vos propres modèles de série temporelle (statistiques ou basés sur le ML) à l'aide de vos frameworks Open Source favoris sur les instances Jupyterlab de Cloud AI Platform

• Utiliser AutoML Forecast pour sélectionner et entraîner automatiquement des modèles ultra-performants de série temporelle basés sur le deep learning 

• Utiliser Demand AI, notre nouvelle solution de prévision entièrement gérée (actuellement à l'état expérimental)

• Collaborer avec un partenaire tel qu'o9 pour mettre en œuvre sa plate-forme de planification dédiée au commerce et dotée de fonctionnalités de prévision sur Google Cloud

Pour plus d'exemples de modèles de référence conçus pour l'analyse de données, consultez la section Prévisions prédictives. Prêt à faire vos premiers pas avec BigQuery ML ? Découvrez-en plus dans notre présentation du produit.

Vous souhaitez approfondir vos connaissances sur les fonctionnalités de BigQuery ML ? Inscrivez-vous ici pour bénéficier d'une formation gratuite permettant de vous familiariser, d'évaluer et de prévoir le stock nécessaire sur la base des données de vente avec BigQuery ML.