Un logiciel de prévision peut être à la pointe de la technologie et produire des chiffres faux. Le problème n’est presque jamais l’algorithme il est dans ce qu’on lui donne à manger, et dans la manière dont les équipes l’utilisent ensuite.
Beaucoup de dirigeants industriels investissent dans un module de prévision de demande, parfois coûteux, en espérant enfin « voir venir » les pics et les creux. Quelques mois plus tard, le constat est souvent le même : les prévisions sont à côté de la réalité, et la conclusion rapide est « ce logiciel ne marche pas ». Pourtant, dans la grande majorité des cas, le logiciel fait exactement ce qu’on lui demande le problème est ailleurs.
1. L’historique de ventes n’est pas un historique de demande
C’est la confusion la plus fréquente, et la plus lourde de conséquences. Un système de prévision se base sur l’historique des ventes enregistrées. Mais les ventes enregistrées ne reflètent que ce qui a été livré pas ce qui a été demandé. Si un produit était en rupture pendant deux mois, cette période apparaît dans l’historique comme « faible demande », alors qu’en réalité la demande existait, elle n’a simplement pas pu être servie.
Résultat : le système apprend à partir d’une demande « censurée » par les ruptures passées, et reproduit ce biais dans ses futures prévisions sous-estimant systématiquement les références qui ont déjà connu des ruptures.
2. Les événements exceptionnels ne sont jamais nettoyés
Une promotion ponctuelle, un client qui passe une commande exceptionnellement grosse, un retour massif suite à un problème qualité : ce sont des événements réels, mais non représentatifs de la demande « normale ». Si ces pics ou creux restent tels quels dans l’historique sans être identifiés comme exceptionnels, le système de prévision va soit les ignorer (et perdre une information utile sur la saisonnalité réelle), soit au contraire les intégrer comme s’ils allaient se reproduire chaque année à la même date.
Dans les deux cas, le système ne devine pas qu’il s’agissait d’un événement isolé sauf si quelqu’un le lui indique explicitement.
3. Personne ne corrige les prévisions automatiques avec ce que le terrain sait déjà
Un bon système de prévision propose une base statistique mais les équipes commerciales et terrain détiennent souvent des informations que l’historique ne peut pas contenir : un client qui a annoncé l’arrêt d’une ligne de production, un nouveau client en cours de négociation, un concurrent qui ferme. Ces informations existent, mais restent dans la tête des commerciaux ou dans des emails, jamais reportées dans le système.
Le système tourne donc en boucle fermée, sur des données passées, sans jamais bénéficier de ce que l’entreprise sait déjà sur l’avenir proche.
Ce qu’il faut retenir
Avant de remettre en cause un outil de prévision ou d’envisager d’en changer pour un autre, plus cher la vraie question à se poser est : sur quelles données apprend-il, et sont-elles le reflet de la demande réelle ou simplement de ce qui a pu être livré et enregistré ? Dans la plupart des cas, améliorer la qualité et la « propreté » des données d’entrée a un impact bien plus important sur la fiabilité des prévisions que le choix de l’algorithme lui-même. C’est un travail de diagnostic, pas un achat de logiciel.