These Belaid Mohamedsameh

Modélisation des processus de prévision de la chaîne
logistique pour l’amélioration des performances

industrielles
Mohamed Sameh Belaid
To cite this version:

Mohamed Sameh Belaid. Modélisation des processus de prévision de la chaîne logistique pour
l’amélioration des performances industrielles. Automatique. Ecole nationale supérieure Mines-
Télécom Lille Douai, 2022. Français. �NNT : 2022MTLD0004�. �tel-03860429�
HAL Id: tel-03860429

https://theses.hal.science/tel-03860429
Submitted on 18 Nov 2022
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
THESE
Présentée dans le but d’obtenir le grade de
DOCTEUR
Spécialité : Automatique, Génie Informatique, Traitement du Signal et des Images
par
Mohamed Sameh Belaid

Doctorat de l’université de Lille délivré par IMT Nord Europe
Titre de la Thèse :
Modélisation des processus de prévision de la chaîne

logistique pour l’amélioration des performances
industrielles
Soutenue le 30 Mars 2022 devant le jury :
Président du jury & Rapporteur, Professeur (UNISTRA) Bertrand Rose
Rapporteur, Directeur de Recherche (UGE) Allou-Badara Samé
Examinatrice, Enseignante - Chercheuse (IMT Mines-Albi) Aurélie Montarnal
Examinateur, Professeur (EDHEC) Michel Philippart
Directeur de Thèse, Professeur (IMT Nord Europe) Stéphane Lecoeuche
Co-directeur de Thèse, Enseignant - Chercheur HDR (IMT Nord Europe) Anthony Fleury
Invité, Chef de projets IT (elm.leblanc) Yannick Grall
Laboratoire d’accueil :
CERI Systèmes Numériques, IMT Nord Europe
Ecole doctorale 631 - Mathématiques, sciences du numérique et de leurs interactions (MADIS)

2
Ce manuscrit est le résultat des travaux de recherche supporté par l’Association nationale
de la recherche et de la technologie (ANRT) et l’entreprise elm.leblanc du groupe Bosch.
3
4
Remerciement
Je tiens à exprimer ma reconnaissance illimitée à tous les intervenants qui ont aidé à
l’accomplissement de ces travaux par leurs conseils, leurs critiques constructives et leur
soutien moral.
Cette thèse ne serait rien sans l’encadrement que j’ai reçu. C’est pourquoi je souhaite
tout d’abord, remercier chaleureusement Prof. Stéphane Lecoeuche et Enseignant -
Chercheur HDR. Anthony Fleury pour leur implication tout au long de cette recherche,
qui ont sus discuter et structurer l’ensemble de mes idées depuis les débuts et jusqu’à ma
soutenance.
Je tiens à exprimer ma grande gratitude à Dr. Baptiste Hervé pour son accompagnement
et ses conseils judicieux tout au long de ce projet. Je souhaite également remercier
l’ensemble de mes collègues de l’entreprise elm.leblanc, et notamment le service BDO,
pour la confiance qu’ils ont pu me faire pour la réalisation de ce projet. C’est grâce à leur
engagement et leur disponibilité que ces travaux ont pu être réalisés.
Je souhaite remercier aussi les membres du Jury d’avoir accepté d’évaluer mes travaux
de recherche et pour leurs retours qu’ils m’adresseront lors des corrections.
Merci à tous les membres du CERI pour leur accueil dans le laboratoire, pour le partage
et pour la convivialité des moments passés au sein de l’équipe.
Enfin, merci à mes parents, ma femme, mes frères et mes amis pour leur soutien dans
cette période particulière qu’est la thèse de doctorat.
À tous ces intervenants, je présente mes hommages, mon respect et ma gratitude.
5
6
Sommaire
Introduction Générale ...................................................................................................................... 14
Chapitre 1 : Positionnement et enjeux de la recherche ...................................................................... 18
I. Introduction......................................................................................................................................18
II. Positionnement scientifique : Analyse prédictive et Supply Chain ..................................................19
II.1. Analyse prédictive de la Supply Chain .....................................................................................19
II.2. Sales and Operations Planning (S&OP) ....................................................................................21
II.3. L’analyse prédictive de la Supply Chain et le processus S&OP ................................................23
III. Définition de la problématique associant Analyse prédictive et Supply Chain dans le contexte de
l’entreprise elm.leblanc ............................................................................................................................24
III.1. Le contexte et les enjeux pour l’entreprise .............................................................................24
III.2. La SC et les processus de production et de planification .........................................................27
III.3. Zoom sur le processus de prévisions des ventes .....................................................................28
IV. Conclusion ....................................................................................................................................33
Chapitre 2 : Etat de l’art.................................................................................................................... 35
I. Introduction......................................................................................................................................35
II. Problématique de la prévision des ventes .......................................................................................35
III. Présentation de domaines d’application et de leur spécificité en termes de prévision de ventes .37
III.1. Ventes au détail .......................................................................................................................37
III.2. Secteur de la mode ..................................................................................................................39
III.3. Secteur alimentaire ..................................................................................................................41
III.4. Ventes en ligne.........................................................................................................................43
III.5. Industrie automobile................................................................................................................44
III.6. Secteur de l’énergie .................................................................................................................46
III.7. Synthèse des besoins de prédiction associés aux différents domaines...................................49
IV. Horizon des principales techniques utilisées pour la prévision des ventes .................................52
IV.1. Les approches de modélisation de séries temporelles ............................................................53
IV.2. Les approches de Data Mining et de Machine Learning ..........................................................59
IV.3. Les approches de Deep Learning .............................................................................................64
IV.4. Approches d’hybridation .........................................................................................................67
V. Conclusion ........................................................................................................................................72
Chapitre 3 : Méthodologie et Expérimentations ................................................................................ 74
I. Introduction......................................................................................................................................74
II. Méthodologie ...................................................................................................................................74
II.1. Formalisation du problème traité ............................................................................................74
II.2. Préparation des données .........................................................................................................77
7
II.3. Description de la méthodologie ...............................................................................................79
II.4. Modèles utilisés versus caractéristiques de la série temporelle .............................................82
II.5. Processus d’apprentissage et critère de compétition..............................................................89
III. Expérimentations et validation de la méthodologie ........................................................................90
III.1. Expérimentations réalisées ......................................................................................................90
III.2. Analyses du choix des modèles par profil de produits ..........................................................106
III.3. Performances des modèles par horizon de prédiction ..........................................................114
IV. Vers une méthodologie générique ............................................................................................118
IV.1. Généralisation ........................................................................................................................119
IV.2. Discussion autour de la méthodologie proposée ..................................................................121
V. Exploration et ouverture ................................................................................................................124
VI. Conclusion ..................................................................................................................................129
Chapitre 4 : Méthode d’hybridation : Approfondissement ................................................................130
I. Introduction....................................................................................................................................130
II. Contexte de l’approche d’hybridation ...........................................................................................130
III. Méthodologie .................................................................................................................................131
III.1. Description de l’approche ......................................................................................................131
III.2. Description des données........................................................................................................133
III.3. Présentation du réseau MLP utilisée dans l’approche...........................................................134
III.4. Processus d’apprentissage et de test.....................................................................................135
IV. Expérimentations .......................................................................................................................136
IV.1. Les données utilisées pour les expérimentations ..................................................................136
IV.2. Choix de configuration ...........................................................................................................139
IV.3. Résultats obtenus après implémentation ..............................................................................141
V. Conclusion ......................................................................................................................................144
Chapitre 5 : Industrialisation des travaux et mise en production .......................................................146
I. Introduction....................................................................................................................................146
II. Intégration de l’outil dans le processus S&OP ...............................................................................147
III. Le Cloud Computing .......................................................................................................................149
III.1. Microsoft Azure......................................................................................................................151
III.2. Présentation du Blob Storage ................................................................................................152
III.3. Azure Machine Learning ........................................................................................................152
IV. Description du pipeline retenu pour le portage de la solution ..................................................154
IV.1. Etapes du pipeline ..................................................................................................................154
IV.2. Implémentation .....................................................................................................................155
V. Mise en œuvre et Résultats ...........................................................................................................158
8
VI. Conclusion ..................................................................................................................................161
Conclusion Générale .......................................................................................................................163
Références ......................................................................................................................................168
Annexe A : Secteur de la vente au détail ..........................................................................................178
Annexe B : Secteur de la mode ........................................................................................................180
Annexe C : Secteur de l’agroalimentaire ...........................................................................................183
Annexe D : Secteur de la vente en ligne............................................................................................187
Annexe E : Secteur automobile ........................................................................................................190
Annexe F : Secteur automobile ........................................................................................................194
Résumé ..........................................................................................................................................199
9
Liste des figures
Figure 1 : Étapes du processus S&OP (Wagner et al., 2014).........................................................................22
Figure 2 : Gammes de produits d’elm leblanc pour les particuliers .............................................................25
Figure 3 : Étapes et acteurs de la Supply Chain d’elm.leblanc......................................................................27
Figure 4 : Processus autour de la méthode de prévision actuelle ................................................................28
Figure 5 : Exemple des horizons de prédiction à partir du mois d’Août .......................................................30
Figure 6 : Erreur pour chaque produit pour l’horizon H1 .............................................................................30
Figure 7 : Exemple du comportement de ventes d’un produit.....................................................................32
Figure 8 : Exemple de corrélation des produits pour H1 ..............................................................................32
Figure 9 : Catégories des techniques de prévisions ......................................................................................53
Figure 10 : Approche proposée par (Thomassey & Fiordaliso, 2006) ...........................................................61
Figure 11 : Approche multi-niveau proposée par (Pavlyshenko, 2019)........................................................61
Figure 12 : Méthodologie proposée par (Punam et al., 2019)......................................................................62
Figure 13 : Approche proposée par (T. Liu et al., 2020)................................................................................63
Figure 14 : Approche proposée par (Bandara et al., 2019)...........................................................................66
Figure 15 : Structure hybride parallèle (Hajirahimi & Khashei, 2019) ..........................................................68
Figure 16 : Structure hybride en série (Hajirahimi & Khashei, 2019) ...........................................................68
Figure 17 : Structure hybride parallèle-série (Hajirahimi & Khashei, 2019) .................................................69
Figure 18 : Résumé des structures hybrides (d’après (Hajirahimi & Khashei, 2019))...................................70
Figure 19 : Approche proposée par (Xu et al., 2019) ....................................................................................72
Figure 20 : Méthodologie de sélection des structures de modèles pour chaque série temporelle .............80
Figure 21 : Comparaisons des quantités prédites automatiquement et manuellement par rapport aux
ventes réelles des exemples de produits pour l’horizon H3 de 2018 ...........................................................91
ventes réelles des exemples de produits pour l’horizon H3 de 2019 .........................................................100
Figure 23 : Exemples de comportements de ventes réelles des produits modélisés par Prophet sur leurs
cycles de vie représentant des variations semblables ................................................................................107
Figure 24 : Exemples de comportements de ventes réelles des produits modélisés par ARIMA sur leurs
cycles de vie représentant des variations semblables ................................................................................108
Figure 25 : Exemples de comportements de ventes réelles des produits modélisés par un lissage
exponentiel avec une tendance additive non amortie et une saisonnalité multiplicative sur leurs cycles de
vie représentant des variations semblables ...............................................................................................110
Figure 26 : Exemples de comportements de ventes réelles des produits modélisés par Prophet pour H1 sur
leurs cycles de vie représentant des variations semblables .......................................................................111
Figure 27 : Exemples de comportements de ventes réelles des produits modélisés par SARIMA pour H1 sur
leurs cycles de vie représentant des variations semblables .......................................................................112
exponentiel sans tendance avec une saisonnalité multiplicative sur leurs cycles de vie représentant des
variations semblables .................................................................................................................................113
Figure 29 : Répartition des modèles pour l’horizon H1 de 2019 ................................................................114
Figure 30 : Répartition des modèles pour l’horizon H3 pour 2019 ............................................................116
Figure 31 : Exemples de comportement de ventes des produits utilisant Prophet pour les prédictions à H1
et H3............................................................................................................................................................117
Figure 32 : Exemples de comportement de ventes des produits utilisant le lissage exponentiel pour les
prédictions à H1 et H3 ................................................................................................................................118
10
Figure 33 : : Comparaisons des quantités prédites par rapport aux ventes réelles des produits de Drancy
pour l’horizon H3 de 2020/2021.................................................................................................................125
Figure 34 : Approche de combinaison des modèles ...................................................................................132
Figure 35 : Exemple d’un réseau de neurones de type MLP ......................................................................134
Figure 36 : Exemples d’architecture de réseau de neurones (13, 6, 3,1) testée dans notre méthodologie
....................................................................................................................................................................135
Figure 37 : Répartition des données d’entraînement et de test ................................................................135
Figure 38 : Exemple d’un modèle à un seul horizon H3 .............................................................................138
Figure 39 : Exemple d’un modèle multi horizons .......................................................................................139
Figure 40 : Architecture retenue du réseau utilisée pour la combinaison (13, 6, 1) ..................................141
Figure 41 : Erreurs réalisées par le modèle final en modifiant à chaque une variable d’entrée ................143
Figure 42 : Erreurs réalisées par le modèle final en modifiant à chaque fois une variable d’entrée .........144
Figure 43 : Nouveau processus de prévisions des ventes...........................................................................148
Figure 44 : Modèles des services Cloud ......................................................................................................149
Figure 45 : Exemples des services Cloud d’Azure .......................................................................................151
Figure 46 : Etapes de création d’un projet ML sur Azure ML .....................................................................153
Figure 47 : Exemple d’un pipeline sur Azure ML ........................................................................................154
Figure 48 : Capture du pipeline implémenté sur Azure ML pour la prédiction des ventes ........................156
Figure 49 : Exemples pour quelques produits des erreurs absolues enregistrées pour chaque mois .......160
Figure 50 : Méthodologie proposée par (Loureiro et al., 2018) .................................................................180
Figure 51 : Approche proposée par (F. L. Chen & Ou, 2009) ......................................................................184
Figure 52 : Approche proposée par(Ji et al., 2019) .....................................................................................188
Figure 53 : Approche d’hybridation proposée par(M. Li et al., 2018) ........................................................189
Figure 54 : Méthodologie proposée par (Subrmanian et al., 2020) ...........................................................190
Figure 55 : Approche proposée par (Sa-Ngasoongsong et al., 2012) .........................................................191
Figure 56 : Approche proposée par (Shao & Tsai, 2018) ............................................................................195
Figure 57 : Approche proposée par (Zhao et al., 2015) ..............................................................................197
Figure 58 : Techniques par catégorie (Bourdeau et al., 2019) ....................................................................198
11
Liste des tables
Tableau 1 : Synthèse des domaines d’applications ......................................................................................51
Tableau 2 : Critère de choix des modèles possibles .....................................................................................83
Tableau 3 : Paramètres des modèles de lissage exponentiel .......................................................................86
Tableau 4 : Erreurs de prévisions pour différents produits sur les horizons H1 et H3 de 2018 selon la
méthode employée (manuelle ou automatique) .........................................................................................93
Tableau 5 : Mesure d’erreur (RMSE) à l’entraînement pour un horizon H3 et choix du modèle par produit
pour les prévisions au mois d’octobre 2018 .................................................................................................97
pour les prévisions au mois de décembre 2018 ...........................................................................................98
méthode employé (manuelle ou automatique) .........................................................................................101
pour les prévisions au mois d’octobre 2019 ...............................................................................................104
pour les prévisions au mois de décembre 2019 .........................................................................................106
Tableau 10 : Répartition des produits par modèle pour le moyen terme (H3) ..........................................107
Tableau 11 : Répartition des produits par type de lissage exponentiel pour H3 .......................................109
Tableau 12 : Répartition des produits par modèle pour le court terme H1 ...............................................110
Tableau 13 : Répartition des produits par type de lissage exponentiel pour le court terme H1 ...............112
Tableau 14 : Erreurs de prévisions pour différents produits sur les horizons H1 et H3 de 2020/2021 selon la
méthode employé (manuelle ou automatique) .........................................................................................126
pour les prévisions du mois de novembre 2020 .........................................................................................127
pour les prévisions du mois de janvier 2020 ..............................................................................................128
Tableau 17 : Description des architectures testées ....................................................................................134
Tableau 18 : Exemples des données d’entrée du réseau avec 13 entrées .................................................137
Tableau 19 : Erreurs des architectures des réseaux testées selon l’horizon de prédiction........................140
Tableau 20 : Erreurs de prédictions des modèles par rapport à la combinaison .......................................142
Tableau 21 : Ventes et prévisions réalisées sur le S1 2021 ........................................................................159
Tableau 22 : Erreurs absolues enregistrées sur le premier semestre de 2021...........................................161
12
13
Introduction Générale
Dans un monde économique caractérisé par une concurrence accrue, les entreprises
cherchent toujours à renforcer leur compétitivité afin de s’imposer sur le marché. Pour
atteindre cet objectif, plusieurs leviers de performance sont envisagés, parmi lesquels la
maîtrise des processus de planification et de production ainsi que l'amélioration de la Supply
Chain. Ces thématiques sont notamment au cœur de l’émergence des nouvelles techniques
de l’industrie 4.0. Cette ère industrielle est caractérisée par une tendance à la numérisation
de l’usine à travers le recours aux technologies des objets connectés et de l’intelligence
artificielle.
Étant donné que le gain de performance requiert des technologies de pointe croisant
plusieurs domaines (mathématiques, informatique, automatique, …), les entreprises font
appel aux compétences des spécialistes et des laboratoires de recherche pour réaliser ces
projets et garantir des résultats satisfaisants. C’est dans ce contexte que le projet de
recherche décrit dans ce manuscrit a été mené, au travers de la collaboration entre
l’entreprise elm.leblanc du groupe BOSCH et l’Institut Mines-Télécom.
L’entreprise elm.leblanc est spécialisée dans la construction de chaudières et de chauffe-eaux

individuels à gaz et est l’un des leaders du marché français avec un large catalogue de
produits. La thèse s’intègre dans le champ de l’amélioration des performances de cette
entreprise, et vise à mettre en place une solution innovante pour améliorer la performance
de sa Supply Chain. Différents apports peuvent être envisagés dans de nombreux processus
de l’entreprise allant de la prévision des ventes jusqu’à l’optimisation de la livraison des
clients en passant par la planification de la production. Vue la diversité des sujets qui peuvent
être traités pour améliorer la Supply Chain de l’entreprise, ce projet s’est déroulé en plusieurs
étapes. Après une étude de l’état existant de l’entreprise, dans le but de cerner la
problématique industrielle, le projet de thèse s’est orienté vers la prévision des ventes, cela
dans l’objectif d’obtenir un impact significatif sur l’amélioration de sa performance.
Ce projet de thèse concerne la mise en place d’un outil d’aide à la décision pour aider
l’entreprise à mieux gérer la planification de ses processus de production, de stockage et de
réapprovisionnement des matières premières, à travers une meilleure prévision des ventes
14
sachant que son impact peut atteindre l’ensemble de ces processus. Plus particulièrement la
contribution de thèse porte sur la mise en place d’une méthodologie de prévision des ventes
originale adaptée à la variété du catalogue produits d’elm.leblanc.
Les données collectées et nettoyées depuis les différents services de l’entreprise sont
représentées principalement par l’ensemble des historiques de ventes des différents
produits. De ce fait, notre approche proposée s’appuie sur ces historiques pour fournir un
outil d’aide à la décision basé sur des techniques d’analyse de données et des séries
temporelles. Ce nouvel outil de prévision vise à transformer le processus interne autour de la
prévision du besoin et de la planification de la production.
Plusieurs techniques et approches ont été étudiées dans la revue de la littérature pour
comprendre leurs cas d’usage et leurs spécificités d’application. Nous nous sommes
particulièrement intéressés aux modèles de séries temporelles parmi lesquels plusieurs ont
été étudiés et sélectionnés pour être mis en œuvre selon deux stratégies. La première portant
sur une compétition entre les modèles et la deuxième sur leur coopération.
Une dimension importante du travail est sa réalisation dans un contexte de recherche

industrielle. En effet, bien que ce travail soit mené dans un cadre de recherche scientifique, il
a porté sur l’implémentation de la méthodologie proposée dans un environnement réaliste.
Ceci se manifeste par la conception et le déploiement d’une solution industrielle qui répond
aux exigences de l’usage professionnel d’un outil industriel, à savoir une facilité d’usage et de
maintenance, une pérennité dans le temps ainsi que des bons résultats. L’outil proposé
représente un nouveau service intégré aux processus de planification de l’entreprise.
Le manuscrit présente ainsi l’ensemble du projet mené pendant 3 années en tant que salarié
ingénieur doctorant de l’entreprise elm.leblanc. Les développements scientifiques,
méthodologiques et industriels y sont présentés au travers de 5 chapitres organisés comme
suit.
Le premier chapitre présente une étude bibliographique des nouvelles tendances de la Supply
Chain prédictive et du processus S&OP. Cette étude permet le positionnement des travaux
réalisés par rapport aux avancées scientifiques et méthodologiques du domaine de l’analyse
prédictive dans la Supply Chain. L’étude du processus S&OP constitue quant à elle le cadre
d’intégration de l’outil développé dans une démarche d’amélioration des processus de
15
planification de l’entreprise. Ces deux contextes permettent donc de spécifier le
positionnement des travaux dans un cadre industriel d’application et ainsi la définition de la
problématique industrielle à laquelle répond ces travaux.
La réponse à la problématique identifiée passe d’abord par une recherche bibliographique,

qui sera l’objet du deuxième chapitre. Une revue de la littérature présentera les principaux
domaines d’application des techniques des prévisions de vente en insistant sur leurs
spécificités. Ensuite plusieurs approches et méthodologies employées dans la littérature
seront présentées afin de détailler cet état de l’art et d’identifier les enjeux et les contraintes
liés au processus de prévision.
Le troisième chapitre présente notre première contribution autour d’une nouvelle

méthodologie dédiée à la prévision des ventes portant sur la compétition entre différents
modèles sélectionnés pour répondre à un large catalogue des produits de l’entreprise. D’un
point de vue scientifique, nos recherches seront concentrées principalement sur les
approches guidées par les données et les méthodes de modélisation des séries temporelles.
Sur la base des limites actuelles des travaux de recherche et du besoin exprimé autour de
l’amélioration des processus de planification de l’entreprise elm.leblanc, nous proposerons
une nouvelle méthodologie de prévision des ventes, solution originale qui pourra également
être reprise par des professionnels de tous domaines ayant des cas d’études similaires.
Le quatrième chapitre présente une deuxième contribution scientifique permettant de

surpasser certaines limites de l’approche originale, dans le but de fournir des informations
plus précises et supplémentaires pour la prédiction des ventes. Cette deuxième approche
proposée porte sur une idée de coopération des modèles de prédiction. Nous détaillons dans
ce chapitre cette méthodologie, et nous utilisons les données de l’entreprise elm.leblanc pour
conduire plusieurs expérimentations afin de la valider. Nous présentons ainsi les résultats, les
hypothèses d’implémentation et les limites de cette proposition.
Le cinquième et dernier chapitre porte sur l’industrialisation des nouvelles méthodes

proposées. Étant dans un cadre industriel, ces recherches visent à mettre en place un outil
d’aide à la décision pour l’entreprise afin de renforcer le processus de planification de la
demande dans sa Supply Chain. Ce contexte implique l’élaboration d’un livrable qui sera
exploité par l’entreprise, et qui doit donc répondre à certains critères de mise en production.
16
Les travaux menés durant ce projet ont permis de proposer deux méthodologies pour
répondre à la problématique de prévisions des ventes dans un contexte industriel. Sur le plan
scientifique, nous avons proposé une première approche permettant l’estimation des
prévisions des ventes en se basant sur l’historique des données disponibles et en employant
des techniques de séries temporelles. La deuxième approche représente une solution pour
faire face à une limite rencontrée avec la méthodologie originale et constitue une
contribution basée sur une idée de coopération des modèles de prévisions.
Sur le plan industriel, notre outil développé permet de répondre au besoin de l’entreprise
elm.leblanc en proposant un outil d’aide à la décision intégré dans le processus S&OP pour
améliorer le processus de planification de la demande. La solution proposée permet d’avoir
un outil avec une certaine pérennité d’usage et facilité d’exploitation pour les utilisateurs
finaux. Cet outil peut être aussi exploité par d’autres cas d’usage ayant les mêmes conditions
d’application que celui traité dans ce manuscrit.
17
Chapitre 1 : Positionnement et enjeux de la recherche
I. Introduction
L’entreprise elm.leblanc représente en France la division Thermo-technologie (TTFR) du
groupe Bosch. Elle développe et fabrique un large choix de solutions thermiques pour
répondre aux besoins du marché à travers ses deux sites de production de Drancy et Saint-
Thégonnec. Depuis sa création, elm.leblanc suit une stratégie d’amélioration continue de ses
produits en intégrant de plus en plus de nouvelles technologies, mais aussi de ses processus
de production, notamment en modernisant sa chaine logistique et ses lignes de montage.
Dans le but de pousser l’efficience de leurs sites de production, l’entreprise a mis en place
une stratégie de développement de ses activités de recherche et d’innovation autant pour
ses produits que pour ses processus de planification et de production, ainsi que pour les
compétences des personnels. Plusieurs projets sont lancés dans l’ère de l’industrie 4.0 sur
différentes thématiques allant des approches guidées par les données jusqu’aux lignes de
production reconfigurables en passant par la réalité augmentée et l’opérateur du futur.
La digitalisation est désormais au cœur de la transformation de l’outil industriel d’elm.leblanc

à travers différents paliers. On cite l’exemple de la mise en place des équipements de
fabrication connectés permettant le suivi des processus industriels et leurs résultats via des
écrans de suivi des indicateurs en temps réel favorisant ainsi la transparence au sein de
l’usine. L’entreprise est entrée depuis plusieurs années dans une démarche de valorisation de
ses données par la mise en place d’un système de gestion de bases de données rassemblant
données de logistique/livraison, de production, de suivi, de SAV, etc. Ce système sera le
support au développement des approches basées sur l’intelligence artificielle et
l’apprentissage automatique afin d’augmenter la fiabilité et la robustesse des processus de la
Supply Chain. L’entreprise utilise également des robots collaboratifs pour le déplacement des
palettes des produits finis en coopérant avec les opérateurs des lignes et un robot dans une
ligne de production pour réaliser des tâches difficiles et répétitives en cohabitant avec les
opérateurs de la ligne. Enfin, la réalité augmentée est employée pour la modélisation des
postes afin d’aider les opérateurs à se former d’une manière plus efficace et plus rapide et à
assurer leurs tâches avec plus de facilité et de flexibilité.
18
La stratégie d’excellence industrielle mise en place par elm.leblanc et l’amélioration
constante de la maîtrise des savoir-faire de l’entreprise constituent un cadre idéal pour
l’application des travaux de recherche qui seront développés dans ce manuscrit.
En écho aux enjeux industriels, nous allons d’abord présenter le contexte scientifique dans
lequel s’inscrit la conduite de ce projet de transformation numérique, consistant à exploiter
davantage encore l’Intelligence Artificielle et l’analyse prédictive dans les processus de
décision associés à la planification de la production et de la Supply Chain.
Après cet état des lieux, nous détaillerons les attentes de l’entreprise elm.leblanc en termes
d’amélioration de la performance tant sur le plan de la satisfaction client et que de l’efficience
industrielle. Avec une courte présentation du catalogue produits et des différentes bases de
données, une description des processus existants de prévisions dans l’entreprise sera donnée.
Cette description est complétée par une étude sur l’état actuel de la performance des
prévisions obtenues, l’importance de celles-ci dans le bon fonctionnement de l’entreprise et
parfois leurs limites. À l’issue de la présentation des résultats de cette étude, la dernière
partie de ce chapitre sera consacrée à la présentation de la problématique traitée dans ce
manuscrit de thèse.
II. Positionnement scientifique : Analyse prédictive et Supply Chain

Dans la culture d’entreprise, le terme Supply Chain Management (SCM) est largement associé
à la gestion de la logistique. (Christopher Martin, 2011) dans son livre, explique que ce terme
est plus large et couvre plusieurs aspects de planification et de coordination entre les
différentes parties prenantes, du fournisseur jusqu’au client. Il définit la Supply Chain
Management comme « La gestion des relations en amont et en aval avec les fournisseurs et
les clients afin d'offrir une valeur supérieure au client à moindre coût pour l'ensemble de la
Supply Chain. ». Ce concept a été largement étudié par les spécialistes et est employé par les
professionnels dans le but d’améliorer les performances des entreprises. En tenant compte
des évolutions technologiques, plusieurs techniques récentes sont employées aujourd’hui
pour atteindre cet objectif avec plus d’efficience.
II.1. Analyse prédictive de la Supply Chain

Des travaux récents sur le SCM s'intéressent à l'intégration de nouvelles technologies liées à
l’intelligence artificielle telles que la science des données, le Big Data, l'analyse prédictive, etc.
19
dans le développement et la conception de ses processus. Ces tendances ouvrent des
nouvelles opportunités aux professionnels. (Waller & Fawcett, 2013) suggèrent différentes
définitions et concepts à cet effet, à savoir l'analyse prédictive de la SCM et la science des
données pour la SCM. Ce dernier est défini comme « … l'application des méthodes
quantitatives et qualitatives provenant de diverses disciplines en combinaison avec la théorie
de la SCM pour résoudre ses problèmes et fournir des résultats pertinents, en tenant compte
de la qualité et la disponibilité des données. ». Ainsi, ils ont appelé au développement des
activités de recherche sur ces sujets, vue la rareté des travaux.
L’analyse des données massives (Big Data Analytics) est définie comme l'application des
techniques analytiques avancées, notamment la fouille des données, les analyses statistiques
et prédictives sur une grande quantité de données (Tiwari et al., 2018). D'après l'enquête de
(Schoenherr & Speier-pero, 2015), plusieurs avantages sont générés par l'application de
l'analyse prédictive à la SCM. Ces techniques offrent des opportunités aux entreprises qui
visent à accroître l’efficacité de leur Supply Chain, à améliorer leurs stratégies de gestion des
risques et à améliorer les processus de prise de décision.
Pendant longtemps, la SCM a utilisé les statistiques et la recherche opérationnelle pour

optimiser les processus visant à équilibrer l'offre et la demande (Tiwari et al., 2018).
Actuellement, la science des données, l'analyse prédictive et le Big data, désignés par
l’acronyme DPB (Waller & Fawcett, 2013), offrent plus de possibilités pour créer des outils
d’aide à la décision basés sur les données afin d'améliorer la profitabilité de la Supply Chain.
C'est pourquoi il existe une demande croissante pour les professionnels ayant ces
compétences, étant donné que de tels outils permettent d'améliorer la visibilité et les
bénéfices sur toute la Supply Chain, de diriger la stratégie de l’entreprise, et de renforcer
l'efficacité des opérations et la performance financière. Les DPB peuvent être un élément
stratégique complémentaire qui permet la mise en place d’aperçus prédictifs avancés dans
les processus d'exécution de la stratégie de l’entreprise (G. Wang et al., 2016). C'est un
domaine qui évolue rapidement pour répondre à différentes problématiques industrielles.
Cependant, (Schoenherr & Speier-pero, 2015) soulignent les barrières qui peuvent survenir
et limitent l'utilisation et l'exploitation de ces techniques. Selon leur enquête, les difficultés
et problèmes les plus importants concernent principalement le manque des données, et
l'incapacité à identifier les données les plus appropriées à utiliser pour effectuer les analyses.
20
D'autres obstacles sont également identifiés, tels que les problèmes de sécurité et le manque
de soutien de la direction d’une entreprise, voir les problèmes d’interopérabilité entre les
différents systèmes d’information.
Un autre concept très important et qui peut également être considéré comme un obstacle,
est la qualité des données. Évidemment, les informations et les décisions dérivées de l'analyse
des données sont aussi bonnes que les données sur lesquelles elles reposent. (Hazen et al.,
2014) étudient le rôle de la qualité des données dans l'exploitation des techniques de DPB
dans le contexte de SCM. Ils insistent sur le fait que la surveillance et le contrôle de la qualité
des données sont une priorité face à la complexité croissante de ces dernières (Kache et al.,
2017). Pour faire face à ce problème, (Hazen et al., 2014) proposent des méthodes de suivi et
de contrôle de la qualité des données.
Au-delà de disposer de données suffisantes et de qualité, l’amélioration de l’efficacité du SCM

passe aussi par des processus normalisés et permettant de coordonner l’ensemble des
activités des différents services concernés, par la collecte de ces données, leur analyse et la
mise en place des actions qui découlent des processus de décision guidés par les données.
II.2. Sales and Operations Planning (S&OP)

Depuis son apparition, le S&OP a toujours été un processus pilote pour la Supply Chain. De
nos jours, il a été largement étudié dans la littérature et mis en œuvre par plusieurs
entreprises. Il est considéré comme le processus de planification clé dans la Supply Chain (L.
Lapide, 2011). Il s’agit d’un processus intégral qui vise à équilibrer l’offre et la demande et à
faire le lien entre les plans stratégique et opérationnel de l’entreprise (Thome et al., 2012a).
Ces objectifs sont réalisables par le déploiement d'un alignement vertical entre les niveaux de
planification (stratégique, tactique, opérationnel) (Thome et al., 2012b) ainsi que par un
alignement horizontal ou inter fonctionnel entre les différentes fonctions de l'entreprise
(Kathuria et al., 2007; Thome et al., 2012a). La plupart des experts dans ce domaine d'étude
placent le rôle du processus S&OP à un niveau de planification tactique sur une période de
moins de 3 mois à 18 mois (Grimson & Pyke, 2007; Thome et al., 2012b).
Ce processus comprend généralement cinq étapes (Grimson & Pyke, 2007; Thome et al.,
2012a; Wagner et al., 2014; Wallace & Stahl, 2008) comme le montre la figure 1.
21
Figure 1 : Étapes du processus S&OP (Wagner et al., 2014)
La première étape consiste à rassembler les données historiques et à les utiliser pour préparer
un premier plan prévisionnel de ventes basé sur les techniques statistiques, sans la contrainte
de la capacité de production de l’usine (Grimson & Pyke, 2007). (Wagner et al., 2014) ont
ajouté à cela le fait de générer des rapports de performances pour évaluer les événements
passés. La planification de la demande est la deuxième étape et permet de préparer le plan
de la demande sur la base des prévisions prévues à l'étape précédente. La troisième étape
consiste à définir le plan d’approvisionnement et de production, en connaissant les données
caractérisant les capacités de l’usine, les stocks de composants et le plan de demande
préalablement défini. La « pré-réunion » correspond à la quatrième étape au cours de laquelle
les différents membres représentant leurs services dans l'entreprise se réunissent pour
ajuster et valider les plans qui ont été définis. Le recours à l’IA comme agent virtuel participant
à cette délibération est évidemment une perspective à moyen terme, dès lors que
l’automatisation des tâches de collecte, de traitement, de prédiction et de décision aura été
garantie. La dernière étape consiste à approuver ce qui a été décidé lors de la pré-réunion, à
gérer les exceptions qui peuvent survenir et à exécuter les plans après un consensus entre les
parties prenantes.
Lors de la mise en place d'un processus S&OP, plusieurs éléments doivent être pris en
considération. Dans son article, (B. L. Lapide, 2004a) présente les facteurs de succès d'un
processus S&OP idéal comme la routine des réunions structurées, la collaboration et la
coopération entre les différentes fonctions de l'entreprise ainsi que l'utilisation d'outils
technologiques de planification appropriés. Un autre point à prendre en considération, qui a
été mentionné dans les travaux récents de (Kristensen & Jonsson, 2018), est que les variables
contextuelles d'application du processus S&OP (comme le type d'industrie, la taille de
22
l'entreprise, la stratégie de production, etc...) influencent sa conception et ses performances.
(B. L. Lapide, 2004b) met l'accent sur l'utilisation des outils technologiques appropriés pour
chaque étape du processus et propose une architecture technologique de planification
intégrée entre l'offre et la demande pour bien implémenter le processus.
Le processus S&OP a un impact positif sur la performance de l'entreprise, permettant

d'atteindre l'excellence opérationnelle (B. L. Lapide, 2004a) et une Supply Chain intégrée
(Thome et al., 2012b). Plusieurs bénéfices ont été identifiés par (Wagner et al., 2014) à travers
leur enquête menée auprès des professionnels et experts en gestion des opérations :
amélioration de la précision des prédictions, amélioration de la visibilité de la Supply Chain et
réduction des risques liés à la perturbation de la Supply Chain, réduction des stocks, etc. Ce
processus permet de renforcer la coopération entre les collaborateurs de l'entreprise et
d'établir un alignement horizontal entre les services (Grimson & Pyke, 2007; Wagner et al.,
2014). Dans ce contexte, (Tuomikangas & Kaipia, 2014) ont proposé huit mécanismes qui
constituent un cadre conceptuel permettant de pousser le processus S&OP en termes de
coordination comme étant un facteur de réussite de ce processus.
Afin de faire un diagnostic de l'état actuel d'une entreprise et de définir l'état souhaité à
terme, plusieurs modèles de maturité ont été proposés dans la littérature (Cecere et al., 2009;
Grimson & Pyke, 2007; B. L. Lapide, 2005; Wagner et al., 2014). Chaque modèle offre plusieurs
niveaux de maturité du processus S&OP dans les entreprises selon différents critères. Cette
variété ne permet pas d'avoir une base commune pratique pour mettre en place un tel
processus (Thome et al., 2012a), alors les travaux de (Wagner et al., 2014) tentent de
synthétiser les modèles précédents et de développer un cadre plus détaillé enrichi de leurs
investigations réalisées par des professionnels.
II.3. L’analyse prédictive de la Supply Chain et le processus S&OP

Dans ce paragraphe, nous présentons l’intérêt d’associer le processus S&OP avec une analyse
prédictive, notamment autour de la prévision des ventes.
Un aspect clé du processus S&OP est l'équilibre entre l'offre et la demande. Ce rend
nécessaire de faire face à la variabilité de la demande. Selon (Wallace & Stahl, 2008), l'étape
de planification de la demande peut être la plus difficile des cinq étapes du S&OP pour de
nombreuses entreprises. (G. Wang et al., 2016) soulignent plusieurs indicateurs pour l'analyse
23
de la Supply Chain, parmi lesquelles l'analyse et la mesure de la performance de la
planification de la demande. Comme nous l'avons mentionné précédemment, cette étape est
précédée de la prévision des ventes dans laquelle des techniques statistiques peuvent être
utilisées. (L. Lapide, 2011) insiste sur l'importance des prévisions de la demande pour le bon
déroulement du processus S&OP puisque les plans générés ensuite seront pilotés par cette
étape. Par conséquent, une planification efficace des capacités nécessite une planification
précise de la demande (G. Wang et al., 2016).
(G. Wang et al., 2016) affirment qu'il existe deux techniques quantitatives largement utilisées
dans l'analyse de la Supply Chain qui sont « l'analyse et la prévision de séries temporelles » et
« l'analyse de régression ». Le premier vise à déterminer les modèles existants dans les
données historiques et à prédire les événements futurs sur cette base, et le second vise à
comprendre les relations et la causalité entre les variables influant la série. Comme le souligne
(G. Wang et al., 2016), l'utilisation des techniques de prévision et d'optimisation pour soutenir
le processus S&OP fournit une capacité de gestion inter-fonctionnelle entre les différentes
parties de la Supply Chain.
III. Définition de la problématique associant Analyse prédictive et Supply Chain dans

le contexte de l’entreprise elm.leblanc
III.1. Le contexte et les enjeux pour l’entreprise
L’entreprise elm.leblanc est spécialisée dans la fabrication des systèmes de chauffage
résidentiels et industriels. Le métier de l’entreprise repose sur une expertise dans la
conception de ses produits à travers ses bureaux d’études, leur production grâce à ses lignes
de montages modernisées, et leur maintenance par l’intermédiaire des équipes de
techniciens compétents, pour fournir des produits plus efficients répondant aux besoins du
marché. Le site de Drancy dispose de plusieurs lignes d’assemblage spécifiques à chaque
famille de produits permettant de produire près de 100 000 chaudières chaque année. Il
dispose également d’une zone de stockage optimale accessible par un robot permettant une
gestion efficace d’un grand nombre des composants approvisionnés. Le déplacement des
produits finis à la fin des lignes de montage se fait à travers des véhicules autonomes sans
interventions humaines.
24
Pour l’usine de Drancy, on trouve principalement trois catégories de produits : les produits
finis, les pièces détachées et les accessoires vendus généralement en kits avec les produits
finis. Ces derniers correspondent surtout à des chaudières et des chauffe-bains. La figure 2
présente les gammes des produits proposées par l’entreprise elm.leblanc.
Figure 2 : Gammes de produits d’elm leblanc pour les particuliers
Dans chacune des gammes de produits se trouvent plusieurs références qui correspondent à
des produits avec différentes caractéristiques comme la technologie employée pour le
chauffage ou encore la variation des puissances. La plupart des produits qui sont fabriqués
sur le site de Drancy sont destinés au marché français. Pour faciliter la livraison sur tout le
territoire, elm.leblanc dispose d’un entrepôt de stockage des produits finis à Montbeugny
(département de l'Allier). Le reste des produits destinés à l’export est fabriqué à la commande
et expédié directement depuis l’usine. Pour le marché local, l’entreprise a une stratégie de
make-to-stock visant à garantir un délai de livraison d’une semaine pour ses clients. La
production assure également une couverture des stocks de 3 semaines pour un nombre
important de produits en cas de rupture de matières premières ou des défauts de qualité des
25
fournisseurs. Toutefois, on se trouve parfois avec des ruptures de stocks ou un surstockage
important conduisant à la non satisfaction des commandes clients ou à un coût
supplémentaire de stockage.
Le marché d’elm.leblanc se décompose principalement en deux types : les chantiers qui sont
caractérisés par des commandes généralement importantes et qui ont une nature plutôt
aléatoire puisqu’ils se sont établis suite à un appel d’offre, et les ventes chez les grossistes et
les installateurs qui sont plus stables et régulières. Pour répondre aux besoins de ces deux
types, l’entreprise doit avoir les quantités nécessaires des bonnes références et la capacité de
pouvoir faire des livraisons dans les délais attendus. Bien que le marché des grossistes et
installateurs soit plus stable, la satisfaction de leurs demandes représente un enjeu important
pour l’entreprise si l’on considère la variété des produits demandés ainsi que les délais
nécessaires pour la fabrication et la livraison. Les chantiers représentent un challenge encore
plus considérable étant donné le manque de visibilité pour ce type de demande et les délais
parfois assez courts de livraison.
Comme les deux types de marchés diffèrent de par leurs caractéristiques, les références de
produits diffèrent également dans leur comportement de vente en termes de quantité et
stabilité des ventes. On se trouve avec des produits ayant une forte saisonnalité d’une année
sur l’autre, tandis que d’autres ont des ventes moins stables avec plus de variabilité. Certaines
références sont caractérisées par une augmentation importante des quantités d’une année
sur l’autre, alors que d’autres restent dans le même intervalle depuis leur lancement.
Plusieurs contraintes représentent des défis à relever par l’entreprise pour répondre à la
demande des clients. Ces contraintes sont liées aux différentes étapes de la Supply Chain
comme les délais d’approvisionnement des matières premières, les coûts de stockage et la
qualité de ces derniers, la disponibilité des ressources et des équipements de production, les
coûts de livraison et de stockage des produits finis, etc. Afin d’encore mieux satisfaire ces
contraintes et réduire davantage ses coûts, elm.leblanc dispose d’une stratégie globale
autour de la digitalisation de ses processus et du suivi des indicateurs clés. Cette stratégie vise
à optimiser les processus de production ainsi que le respect des délais de livraison des
commandes avec la bonne quantité qui est l’un des indicateurs clés les plus importants pour
refléter les performances globales de la Supply Chain.
26
III.2. La SC et les processus de production et de planification
Dans l’objectif de produire les quantités nécessaires et respecter les délais de livraison,
plusieurs processus sont organisés dans la Supply Chain grâce à différents acteurs. Le schéma
de la figure 3 représente les principales composantes de la SC d’elm.leblanc.
Figure 3 : Étapes et acteurs de la Supply Chain d’elm.leblanc
La première étape consiste à préparer un plan de prévisions des ventes en se basant sur les
remontées des directeurs commerciaux régionaux et les données historiques des ventes. Ce
processus représente l’étape la plus importante à partir de laquelle découle le reste des plans.
La deuxième étape est la planification de la production en prenant en considération les
ressources et les équipements disponibles. Ce plan permet le réapprovisionnement des
matières premières auprès des fournisseurs en prenant en considération les niveaux des
stocks disponibles dans le magasin. L’étape de fabrication permet l’exécution du plan de
production défini pour ensuite envoyer les produits finis au dépôt de stockage. Les
commandes clients (France) sont préparées et envoyées directement à partir de cet entrepôt.
Comme mentionné plus haut, l’étape des prévisions des ventes est déterminante pour la
bonne préparation des étapes de planification. Des prévisions non précises impliquent un
plan de production non adéquat avec les attentes du marché entrainant soit un surstockage
ou au contraire une rupture des produits finis et des composants, donc des pertes financières
et des coûts supplémentaires pour l’entreprise. Par conséquent, l’anticipation des ordres de
27
fabrication avec un prévisionnel des bons de commande constitue un facteur d’amélioration
considérable dans l’objectif d’optimiser les performances globales de la Supply Chain.
III.3. Zoom sur le processus de prévisions des ventes

Ce processus est décrit tel qu’il était au démarrage du projet. Le processus de prévision des
ventes est piloté par un prévisionniste qui entre en interaction principalement avec les
directeurs régionaux sur le terrain pour récupérer les données liées aux demandes de leurs
clients. La personne en charge de ces prévisions interagit également avec le service marketing
pour obtenir les informations liées aux nouveaux produits lancés ou encore les produits
remplaçants ceux qui ont été arrêtés et les promotions qui sont mises en place. La
présentation de l’organisation actuelle ci-après est complétée par une analyse de sa
performance.
III.3.1. Le processus de prévision de ventes
Figure 4 : Processus autour de la méthode de prévision actuelle
Le processus de prévision de ventes se fait mensuellement sur deux étapes. D’abord, les
directeurs régionaux renvoient leurs prévisions de 6 mois par famille de produits au
responsable des prévisions, qui s’occupe de les rassembler et de les affiner, selon son
expertise et en regardant les ventes de l’année N-1. Ces prévisions par famille sont discutées
ensuite par les responsables des autres services (marketing, logistique et production) pour les
ajuster durant la réunion mensuelle en prenant en considération les informations comme les
promotions qui sont en cours ou les campagnes publicitaires mises en place. L’analyste des
prévisions prépare par la suite les prévisions par référence en partageant les quantités par
famille et en regardant les ventes de l’année N-1 pour chaque référence. Finalement, ces
28
prévisions seront envoyées aux responsables sur le site de production pour la planification
des ordres de fabrication et l’approvisionnement en matières premières.
III.3.2. Les données utilisées pour la prévision et les résultats actuels

Comme mentionné ci-dessus, les données employées pour préparer les prévisions sont issues
de plusieurs sources. Les informations des directeurs régionaux sont principalement des bons
de commandes des clients, l’historique des ventes mensuelles est issu du système de gestion
des ventes de l’entreprise et les informations du service marketing correspondent aux
promotions effectuées sur certains produits, des périodes de campagnes publicitaires ou
encore sur l’évolution du catalogue produits (nouveautés lancées, suppression de
références).
Ces données doivent être utilisées et traitées selon l’ensemble des références de produits du
catalogue afin de préparer les prévisions par catégorie et par produit pour différents horizons
de prédiction. Ce choix de préparation de deux prévisions est justifié d’abord par le besoin du
service de production à connaître les quantités par référence pour pouvoir planifier les lignes
d’assemblage pour chaque produit, et ensuite par l’appartenance des produits à des familles
différentes du service des ventes à celles du service de production. Les prévisions par
catégorie de produit peuvent être utilisées également pour définir les objectifs commerciaux
pour chaque région par la direction commerciale.
Au démarrage du projet en 2019, une étude a été menée en interne afin d’analyser la
performance du processus de prévision. Cette analyse a consisté à comparer les ventes
réalisées avec les données de prévisions des produits représentant le plus grand volume des
ventes qui correspondent aux chaudières murales assemblées à l’usine de Drancy et vendues
sur le marché français durant les années 2017 et 2018. L’analyse des performances des
prévisions actuelles est réalisée selon quatre horizons de temps (Hi). La notion d’horizon de
prédiction est définie par le nombre de mois qui suit le dernier mois M ayant des ventes
connues : l’horizon 1 (H1) correspond à une prédiction faite pour le mois M+1 lors du mois M,
l’horizon 2 (H2) correspond à deux prédictions faites pour le mois M+1 et M+2 lors du mois
M-2, etc.
29
Août Mois M+1 (H1) Oct Mois M+3 (H3) Déc
Mois M Sep Mois M+2 (H2) Nov Mois M+4 (H4)
Figure 5 : Exemple des horizons de prédiction à partir du mois d’Août
L’erreur réalisée pour chaque produit, c’est-à-dire l’écart, en valeur absolue, entre la vente
réelle et la valeur prédite a été calculée pour différents horizons de prédiction. Nous avons
normalisé les erreurs pour pouvoir comparer les produits avec des quantités différentes.
Ensuite, nous avons analysé les 20 % des produits les mieux prédits et les 20 % des produits
les moins bien prédits comme le montre l’histogramme ci-dessous. La figure 6 présente les
erreurs constatées pour chaque produit pour l’horizon H1, des produits anonymisés de l’usine
de Drancy pour garder la confidentialité des données.
Produits
moins bien
prédits
Taux d’erreur
Produits les
mieux
prédits
Les références de produits

Figure 6 : Erreur pour chaque produit pour l’horizon H1
30
Nous avons également étudié le nombre d’occurrences des produits bien et mal prédits pour
les différents horizons :
• Dans les 20 % des produits bien prédits, se trouvent quelques produits qui se répètent
dans tous les horizons et donc sont généralement bien prédits, mais on trouve
également certains produits qui apparaissent seulement à l’horizon H1 alors leurs
prévisions ont été ajustées tardivement sans avoir des informations tracées.
• Dans les 20 % des produits moins bien prédits, il y a une difficulté constante à prédire
ces produits puisque la plupart de ces références apparaissent dans la liste des moins
bien prédits pour tous les horizons. De même que le premier cas, on trouve certains
produits qui apparaissent seulement à l’horizon H1 donc leurs prévisions ont été
ajustées tardivement sans avoir des informations tracées.
➔ On remarque, dans cette étude d’occurrence sur les horizons, qu’il y a un manque de
données explicatives qui justifient les modifications réalisées sur les prévisions notamment
d’une façon tardive. Le système actuel est manuel et est basé principalement sur l’intuition
et la connaissance des directeurs régionaux sur le marché, ainsi que sur l’expertise de
l'analyste.
➔ On remarque aussi que généralement, on trouve des produits correctement prédits à tous
les horizons ce qui montre qu’il y a certaines références qui sont bien connues par l’analyste
de l’entreprise. A contrario, il y a d’autres produits qui figurent toujours dans les moins bien
prédits et donc l’analyste a toujours du mal à les prédire.
Pour poursuivre l’analyse des résultats, nous avons cherché à caractériser la ressemblance
entre produits en considérant la forme de leur signal de vente ou encore leur comportement
de ventes. Dans la figure 7, on présente un exemple de signal de ventes d’un produit
caractérisé surtout par une saisonnalité hivernale durant la période de chauffe.
31
Figure 7 : Exemple du comportement de ventes d’un produit
Pour poursuivre l’analyse et mieux comprendre les différences entre les bonnes et les
mauvaises prévisions, les corrélations entre les différents signaux de vente ont été calculées.
Nous avons employé la mesure de corrélation de Pearson pour cet objectif. Le graphe de la
figure 8 représente un exemple d’une matrice de corrélation de ces produits à l’horizon H1.
Produits mal prédits
Y4
Y1
X1 Produits bien prédits
Figure 8 : Exemple de corrélation des produits pour H1
32
Cette étude des corrélations a été menée dans le but de savoir si les produits bien prédits
actuellement ont le même comportement ou pas que certains produits mal prédits.
Dans la matrice ci-dessus, l’axe des abscisses représente les produits bien prédits et l’axe des
ordonnées correspond aux produits mal prédits. Les valeurs de corrélation proche de 1 (bleu
foncé) représentent les produits ayant un signal de ventes similaires (ou encore corrélation
positive), les valeurs proches de -1 (rouge foncé) correspondent aux produits qui ont un
comportement inverse (lorsqu’un produit est vendu l’autre ne se vend pas) (corrélation
négative), et les valeurs proches de 0 pour les produits dont les ventes ne sont pas corrélées.
➔ On remarque que certains produits (comme Y1 et Y4), bien que mal prédits, ont une
corrélation positive significative avec d’autres produits (comme X1) qui sont bien prédits. Ce
constat pose une question importante : pourquoi réussit-on à prédire quelques-uns, mais pas
les autres sachant qu’ils ont un comportement similaire ? Cette question peut également faire
écho au fait que, vu le processus actuel mis en place, ces prévisions semblent plus basées sur
l’intuition que sur des méthodes quantitatives exactes.
➔ La même remarque peut être constatée pour les produits ayant une forte corrélation
négative pour lesquels nous savons en prédire uniquement certains alors que d’autres
comportements peuvent être inférés par des comportements bien prédits.
III.3.3. Potentiel d’amélioration

Suite à l’étude de l’état existant, nous avons constaté que les prévisions des ventes sont faites
selon un processus ayant recours à beaucoup d’expertise humaine et que les résultats ne sont
parfois pas assez satisfaisants. Concernant les processus de planification et de prévision,
l’étude a également montré quelques écueils en termes de communication et de coordination
entre l’entité industrielle et l’entité des ventes. En effet, la structure de l’entreprise au sein
du groupe est organisée en deux entités sous différentes directions. Cette structuration rend
la collaboration moins agile, notamment pour les sujets transversaux à ces deux entités. Cela
nous mène aux axes de recherches proposés dans la partie suivante.
IV. Conclusion
A partir de l’étude de la littérature (dans la partie II) et de l’analyse des processus actuels de
l’entreprise elm (partie III), différentes pistes d’amélioration de la Supply Chain peuvent être
proposées, notamment en s’appuyant sur des nouvelles techniques guidées par les données.
33
Plus précisément, il a été souligné l’importance des prévisions des ventes dans la planification
de la Supply Chain et dans le processus S&OP comme étape primordiale pour la planification
des activités de production au sein de l’entreprise. Il est aussi démontré que cette étape est
complexe et peut être améliorée par l’emploi de nouvelles méthodes d’analyse prédictive.
Ce constat permet de construire la problématique suivante qui guidera la suite de ce

manuscrit :
Comment améliorer les performances de la Supply Chain de l’entreprise à travers

l’automatisation et la fiabilisation des prévisions des ventes par une approche guidée par
les données ?
Dans ce cadre, nous présentons dans le deuxième chapitre une étude bibliographique sur les
principaux domaines d’application des techniques de prévisions des ventes, ainsi que les
approches et les méthodologies proposées dans la littérature pour répondre à cette
problématique.
34
Chapitre 2 : Etat de l’art
I. Introduction
Nous avons évoqué dans le premier chapitre la relation entre la prévision des ventes, comme
étant un processus de planification de la Supply Chain, et le maintien de l’équilibre entre
l’offre et la demande. La prévision des ventes tient son importance du fait qu’elle constitue
la première brique dans les étapes d’élaboration des plans de la Supply Chain. Une bonne
qualité de prévision des ventes permet l’établissement d’un plan de demande précis
permettant ainsi, la maîtrise de la planification de la production et l’anticipation des quantités
nécessaires en stock. D’après (Huang et al., 2014), des prévisions précises atténuent l’effet du
coup de fouet et sont d’une importance cruciale pour un processus juste à temps. De ce fait,
les industriels dans plusieurs domaines d’activités cherchent toujours à réduire les erreurs de
leurs prévisions.
La première partie de ce chapitre sera consacrée à la présentation de quelques domaines

d’applications des prévisions des ventes : leurs enjeux, spécificités et les techniques
employées. La deuxième partie présentera les principales méthodes de la littérature afin de
comprendre leurs principes mathématiques, les hypothèses d’utilisation ainsi que leurs
avantages.
II. Problématique de la prévision des ventes

La préparation d’un plan de prévisions des ventes est une tâche difficile pour les entreprises
dans de nombreux secteurs car les ventes sont très souvent influencées par plusieurs
facteurs. Le besoin des consommateurs, les effets métrologiques, les périodes de l’année, la
localisation des achats, les tendances du marché, l’évolution de la concurrence, les délais
d’approvisionnement et de livraison et les changements de réglementation sont quelques
exemples de ces variables qui peuvent impacter les achats des consommateurs. Du fait de
leur variété et parfois de leur dépendance, l’analyste des prévisions doit chercher à
sélectionner parmi ces différentes informations les plus pertinentes permettant d’obtenir des
prévisions fiables et précises tout en évitant d’une complexité trop importante de l’outil de
prévision.
35
Face à ce problème, de nombreuses solutions existent dans la littérature pour différents
domaines d’application. Dans les travaux de (Mccarthy et al., 2006), une enquête a été
réalisée auprès des professionnels sur les techniques et les pratiques employées pour les
prévisions des ventes. Ils ont regroupé les techniques en deux niveaux : des techniques
qualitatives, basées sur l’analyse des avis d’experts ou de clients : comité de direction, forces
des ventes, vendeurs, consommateurs, usages et des techniques quantitatives, basées sur
l’utilisation de données numériques et représentées par les méthodes analytiques telles que
la régression et l’analyse du cycle de vente des produits. Ces travaux montrent que, jusqu’à
une période récente (début des années 2000), les méthodes qualitatives, telles que les
remontées du terrain auprès des clients, sont largement utilisées et ont un impact important
sur la préparation des prévisions des ventes. Progressivement, les techniques statistiques
comme la régression et le lissage exponentiel sont de plus en plus employées surtout en
travaillant à une échelle plus détaillée (des produits et des composants).
Plusieurs travaux se sont focalisés sur la combinaison des techniques qualitatives et

quantitatives. (Franses & Legerstee, 2013) montrent que, lorsque le modèle quantitatif donne
de bons résultats, l’usage d’avis d’expert comme une variable supplémentaire pour modifier
les prévisions entraîne une dégradation de la qualité des prévisions en comparaison avec
celles du modèle uniquement. Cependant, dans le cas où les prévisions du modèle et celles
de l’expert ne performent pas bien, l’usage de l’avis d’expert comme entrée supplémentaire
pour le modèle peut améliorer les résultats finaux des prévisions. (Baecke et al., 2017)
étudient l’impact de l’intégration du jugement humain dans un système statistique de
prévisions et montrent qu’il existe un effet positif sur l’amélioration de la qualité des
prévisions comparant avec les prédictions basées uniquement sur un modèle ou sur le
jugement humain.
Dans la littérature, plusieurs techniques quantitatives traitent la problématique de prévision

des ventes comme un sujet de prédiction des séries temporelles. Les travaux de (De Gooijer
& Hyndman, 2006) proposent un état de l’art intéressant sur des techniques de modélisation
des séries chronologiques. Ils présentent les modèles les plus importants jusqu'à cette date
comme la famille des lissages exponentiels et le modèle ARIMA et ses dérivés, ainsi que des
modèles non linéaires comme les réseaux de neurones et les méthodes de combinaison. Avec
les avancements technologiques et l’apparition du Big Data, des nouvelles techniques sont
36
apparues pour répondre à la problématique des prévisions des ventes notamment
l’apprentissage automatique (ou Machine Learning en anglais).
Au-delà des évolutions des techniques de prédiction, avec des modèles et des techniques
mathématiques de plus en plus performants, les outils de prévision se sont également
adaptés et spécialisés selon le domaine d’application et la nature des ventes à prédire. La
suite de cette partie présente quelques domaines d’application et les spécificités des outils
de prévision qui y sont employés.
III. Présentation de domaines d’application et de leur spécificité en termes de

prévision de ventes
Nous verrons, dans ce qui suit, l’emploi des techniques de prévisions selon la nature des
données et des besoins de prévision distincts pour quelques grands domaines économiques.
III.1. Ventes au détail

D’après (Ramos et al., 2015), la prévision des ventes est l’élément le plus important parmi
tous les plans de décisions stratégiques dans le domaine de la vente au détail. Ce domaine
d’application a attiré l’attention de nombreuses équipes, vu la grande compétitivité de ce
domaine d’activités, pour satisfaire les préférences et les attentes des clients et pour gagner
en performance économique. Les entreprises actives dans ce domaine cherchent à prédire
plusieurs variables comme la demande saisonnière, les taux d’évolution du marché, la
demande des nouveaux produits, etc. permettant ainsi la mise en place d’une stratégie
appropriée (Krishna et al., 2018) pour faire face aux changements du marché et aux
concurrents.
Des prévisions précises permettent aux entreprises de ventes au détail de gagner des
avantages à plusieurs niveaux de l’organisation : les financiers seront capables d’estimer les
coûts des projets pour le lancement de nouveaux produits et les budgets nécessaires, les
approvisionneurs pourront faire des plans court et long terme des achats de matières
premières, le service marketing sera capable d’estimer l’impact de leurs actions auprès des
clients et le service logistique sera capable de bien planifier leurs besoins pour le transport
des produits (Ramos et al., 2015).
Le secteur de ventes au détail concerne plusieurs types d’industrie et donc différents types
de produits. Dans les grandes surfaces, notamment, se trouve une diversité de produits
37
alimentaires, textiles, d’équipements de la maison de loisirs ou de high-tech. Chaque type de
produit est caractérisé par un cycle de vie, un marché auquel il est adressé, un comportement
de ventes spécifique, des évènements influenceurs, etc. Les évènements spéciaux comme les
jours fériés, les fêtes nationales et religieuses ainsi que les promotions jouent un rôle
important dans la détermination des profils de ventes de certains produits, notamment ceux
qui sont liés à ces évènements. Ce domaine est ainsi caractérisé par une grande variété de
produits et donc de profils de ventes très différents.
Vu la multitude des produits concernés par ce secteur de ventes au détail, les données
exploitées pour calculer les prévisions des ventes diffèrent d’une manière importante d’une
entreprise à l’autre. Des travaux comme (CATAL et al., 2019) reposent sur différentes données
représentées principalement par les données de ventes du magasin Walmart et des variables
économiques tels que le taux de chômage, le prix du pétrole, la température, etc…. Les
historiques des ventes concernent différentes catégories de produits entre 2012 et 2018. Les
travaux de (Behera & Nain, 2019) utilisent des données de vente, avec un historique qui varie
entre 1985 et 2009, de produits de différentes natures (alimentaire, médicale, etc…), et
organisés selon 16 catégories pour un total de 1559 produits répartis sur 10 magasins de
l’enseigne Big Mart. Les travaux de (Jeong, 2017) emploient des données mensuelles de vente
au détail de deux types de magasins au Corée de Sud entre janvier 2010 et février 2017 pour
l’entrainement et l’évaluation de leurs techniques de prévisions. Ils reposent alors sur les
quantités historiques vendues sur cette période pour réaliser des prédictions.
Selon les données à disposition et leurs spécificités, les techniques utilisées pour réaliser la
prévision des ventes peuvent variées d’un secteur/d’un catalogue application à l’autre. Dans
les travaux de (Behera & Nain, 2019), les auteurs emploient un modèle de XGBoost pour
calculer les prévisions de ventes et prouvent ses performances meilleures par rapport aux
modèle de Régression Linéaire, Arbres de Décision et Ridge Regression. (Jeong, 2017)
comparent dans leurs travaux deux techniques de prédiction des séries temporelles. Ils
emploient des modèles SARIMA avec différents paramètres, et plusieurs méthodes de Lissage
Exponentiel avec une nature différente de leurs composantes (tendance et saisonnalité). Les
travaux de (CATAL et al., 2019) comparent plusieurs modèles de régression comme Bayesian
Regression, Decision Forest Regression, Neural Network Regression et Boosted Decision Tree
38
Regression, et des techniques de séries temporelles comme ARIMA et des techniques de
Lissage Exponentiel.
Une description plus détaillée de quelques travaux de la littérature pour le secteur de la vente
au détail est donnée en annexe A.
D’après les exemples étudiés dans la littérature, nous remarquons que les modèles ARIMA
sont souvent présents dans les travaux de prévision des ventes au détail. Cependant, d’autres
techniques comme le Lissage Exponentiel et les techniques de combinaisons et de
« Boosting » sont présentes et donnent parfois de meilleurs résultats. Ces approches sont
utilisées à la fois pour la prédiction à court et long terme.
III.2. Secteur de la mode

La prévision des ventes dans le domaine de la mode constitue un rôle clé pour assurer la
profitabilité des marques étant donné qu’elle représente un axe fondamental pour satisfaire
une demande très changeante et très sectorisée, éviter le surstock ou la rupture du stock des
produits (Loureiro et al., 2018). Ce domaine est caractérisé par une grande complexité car il
est fortement impacté par les attentes et les préférences des clients qui varient énormément,
et donc une entreprise doit adopter une stratégie de flux tiré, axée sur le marketing et la
demande des consommateurs, d’où la criticité de la tâche de prédiction des ventes (N. Liu et
al., 2013). Ce secteur est largement affecté par plusieurs variables externes (tendances
globales, climat politique, météo, etc.) ainsi qu’une longue Supply Chain commençant par
l’agriculture du coton en passant par les usines de fabrication souvent très éloignées des
consommateurs ciblés, jusqu’aux détaillants ou aux plateformes de vente en ligne (N. Liu et
al., 2013).
Pour l’industrie de la mode, les produits sont caractérisés généralement par un cycle de vie
court car ils seront remplacés rapidement par les produits de la nouvelle saison, entraînant
ainsi peu d’historique pour une référence précise (Choi et al., 2012), ainsi qu’une grande
variété de produits pour chaque entreprise (Loureiro et al., 2018). Les produits de ce secteur
sont généralement de différents types et dépendent des goûts des consommateurs,
influencés par les tendances et les évènements qui affectent le marché. Les conditions
métrologiques et les saisons impactent également les ventes de ce secteur et le type des
produits proposés sur le marché, affectant ainsi les besoins et les goûts des consommateurs.
39
Les compagnies publicitaires et de marketing impactent également beaucoup les choix des
clients et donc influencent par la suite les ventes des articles de ce secteur.
Les techniques de prévision dans le secteur de la mode sont caractérisées par leur capacité à
traiter une grande variété de produits ainsi que par leur court horizon de prévision.
(Craparotta et al., 2019) utilisent dans leurs travaux les données de ventes d’un détaillant
européen des produits de la mode. Pour l’entraînement de leur approche, ils emploient les
données des collections pour les femmes des saisons estivales 2015 et 2016 ayant 380
produits, et pour le test de leur méthodologie, les données de 80 produits de la collection de
2017 ont été utilisées. Les données correspondent aux historiques des ventes, les photos des
produits ainsi que leurs caractéristiques telles que le prix initial, la date de sortie, le cycle de
vie, etc… Dans les travaux de (Armando & Craparotta, 2017), utilisent des modèles de séries
temporelles et donc ils emploient des données d’historiques de ventes hebdomadaires de
plusieurs produits avec des transformations supplémentaires telles que la création d’une base
de données avec des moyennes mobiles.
Pour ce domaine, les techniques des prévisions classiques (ARIMA, SARIMA, Lissage
Exponentiel, …) sont les plus utilisées (Loureiro et al., 2018), mais plusieurs autres approches
ont été étudiées et utilisées également. Les travaux de (Craparotta et al., 2019) emploient un
modèle d’apprentissage profond appelé « Siamese Neural Network », construit à travers deux
réseaux de neurones convolutifs (CNN) qui permettent l’exploitation des photos et des
caractéristiques des produits, ainsi que les historiques des ventes pour calculer les prévisions
pour les nouveaux produits lancés. Dans les travaux de (Armando & Craparotta, 2017), les
auteurs proposent une méthodologie de combinaison des modèles de séries temporelles tels
que Lissage Exponentiel, Prophet ou encore un réseau de neurones autorégressif pour la
prédiction des ventes. Leur approche consiste à choisir les deux meilleurs modèles qui
permettent de donner les meilleures prédictions des produits, pour ensuite combiner leurs
résultats à travers une somme pondérée. D’autres travaux s’intéressent aux techniques de
prédiction pour les produits récemment lancés ou les nouveaux produits à travers d’autres
approches proposées dans la littérature comme le « New Product Forecast System (NPFS) »
(Ching-Chin et al., 2010) et la méthode NM (Tanaka, 2010).
Une description plus détaillée des travaux évoqués pour caractériser les données et les
techniques utilisées pour le secteur de la mode est donnée en annexe B.
40
D’après l’étude de la littérature, il s’est avéré que les approches récentes basées sur des
modèles non-linéaires de réseaux de neurones et des arbres de décision sont plus adaptées
à ce domaine d’application, bien que dans certains travaux, des techniques plus classiques
aient produit des résultats satisfaisants.
III.3. Secteur alimentaire

Les entreprises du domaine de l’industrie alimentaire emploient aussi les techniques de
prévisions des ventes pour assurer l’approvisionnement de leurs clients au bon moment et
avec les bonnes quantités. Ces entreprises doivent planifier leurs Supply Chain au mieux pour
ne pas avoir des produits de validité expirée en stock et donc des pertes financières et
alimentaires (Da Veiga et al., 2016). La présence de plusieurs intermédiaires augmente la
longueur de la Supply Chain et la planification des approvisionnements doit être de plus en
plus réalisée sur des horizons longs. Enfin, dans ce secteur surtout, les conditions de stockage
obligent les industriels à employer un matériel spécifique et couteux, ce qui augmente encore
les coûts engendrés et donc la bonne gestion de volumes stockés aura un grand impact sur la
profitabilité de l’entreprise, d’où la nécessité d’avoir des prévisions de vente précises à partir
desquelles découlent les plans d’approvisionnement et de gestion des stocks.
(F. L. Chen & Ou, 2009) expliquent que, pour les détaillants de la vente des produits
alimentaires, des prévisions imprécises impliquent une augmentation des déchets
alimentaires ou des ruptures des stocks de certains produits étant donné leur courte durée
de vie et leurs différentes conditions de stockage. Plusieurs autres facteurs sont à prendre en
considération pour ce type de prévisions : les fluctuations à court terme comme les
promotions et la météorologie, les fluctuations saisonnières à moyen terme comme les fruits
et légumes de saison, les périodes de fêtes ainsi que les fluctuations long terme comme la
situation économique ou les recommandations de santé (Arunraj & Ahrens, 2015).
Les conditions de conservation d’autres produits notamment laitiers ou congelés sont

également assez couteuses pour l’entreprise. Néanmoins, il existe également des produits
tels que la conserverie qui ont un cycle de vie important et leur stockage pour des mois voire
des années ne causera pas de problème de conservation, mais plutôt de zone de stockage.
Dans les travaux de (Elmasdotter & Nyströmer, 2018), les données de ventes journalières de
produits alimentaires d’une chaîne d’épiceries Equatorienne sont utilisées. Les données
d’entrainement et d’évaluation des modèles correspondent aux ventes de plusieurs magasins
41
entre 2013 et 2017, pour plus de 4000 produits. (X. Liu & Ichise, 2017) étudient dans leurs
travaux l’effet des facteurs métrologiques sur la vente des produits alimentaires. Ils étudient
la prédiction des ventes de 5 types de boissons pour une enseigne japonaise. Pour ce fait, ils
emploient les données de ventes historiques de ces produits ainsi que les données
métrologiques pour la période entre janvier 2012 et décembre 2013. (Adithya Ganesan et al.,
2019) traitent le problème de prévision des ventes de 7 types de produits alimentaires vendus
dans les cinémas indiens. Pour l’entrainement et l’évaluation de leurs approches, ils
emploient dans leurs travaux des données de ventes journalières de trois ans entre 2015 et
2017 avec 13 millions transactions enregistrées sur cette période, ainsi que d’autres variables
liées aux caractéristiques des films comme le temps d’occupation dans les cinémas ou encore
la langue utilisée.
Comme pour les autres secteurs, la prévision des ventes pour le domaine de l’agroalimentaire
est aussi caractérisée par une variété de techniques rencontrées. (Elmasdotter & Nyströmer,
2018) comparent des approches de séries temporelles, en utilisant la méthode non linéaire
LSTM et le modèle linéaire ARIMA pour la prédiction des ventes journalières. Ils concluent
que pour la prédiction d’une seule journée, les deux méthodes présentent des résultats
similaires, tandis que pour la prédiction de 7 jours, le modèle LSTM a fourni des meilleures
performances. Dans les travaux de (X. Liu & Ichise, 2017), les auteurs emploient le modèle
LSTM basé sur les réseaux de neurones couplés avec un auto encodeur qui permet la
réduction du nombre des variables métrologiques utilisées. Cette approche utilisée donne
des meilleurs résultats comparant avec d’autres techniques d’apprentissage automatique
comme SVM, forêts aléatoires, AdaBoost ou encore la Régression Logistique. (Adithya
Ganesan et al., 2019) proposent dans leurs travaux l’usage d’un modèle de réseau de
neurones dynamiques pour améliorer les prévisions et comparent leur approche avec
d’autres techniques comme ARIMA, LSTM, XGBoost ou encore Extra Trees.
techniques utilisées pour le secteur de l’agroalimentaire est donnée en annexe C.
Comme les secteurs étudiés précédemment, les approches de prédiction pour ce domaine
d’activités reposent sur les modèles classiques tels que SARIMA et Lissage Exponentiel mais
aussi sur des techniques basées sur les réseaux de neurones lorsqu’on dispose de
suffisamment de données.
42
III.4. Ventes en ligne
Grâce à l’énorme évolution numérique et logistique, la vente en ligne s’est largement
développée et nous trouvons aujourd’hui des géants d’internet à l’échelle internationale
spécialisés dans ce domaine comme Amazon, eBay ou encore Ali Express. Les entreprises
actives dans le e-commerce, comme le commerce traditionnel, cherchent toujours à anticiper
les demandes clients en se reposant sur des prévisions des ventes plus solides pour éviter les
ruptures de stock, et pour optimiser les services logistiques à partir des entrepôts surtout
pour les entreprises transfrontalières (Ji et al., 2019). Le e-commerce s’est développé
rapidement ces dernières années et couvre aujourd’hui la plupart des domaines commerciaux
surtout avec la période de crise sanitaire du COVID-19.
Ce secteur se caractérise par la grande quantité d’informations qui concernent les catalogues
produits, les différents commerçants, les stocks, les choix des utilisateurs, leurs données de
navigation et les historiques d’achat qui peuvent être récupérés par ces enseignes. Ce
domaine est influencé par plusieurs facteurs externes liés aux tendances générales et des
actualités ainsi que des périodes spécifiques dans l’année comme les soldes ou encore la
période de Noël, mais aussi par une concurrence très rude en termes d’offres et de délais. Les
produits vendus sur ces plateformes sont généralement caractérisés par une très grande
variété, de l’alimentaire au bricolage et de l’électronique au multimédia rendant la prédiction
des ventes une tâche ambitieuse. Ces produits sont généralement stockés dans de multiples
entrepôts de distribution et transportés par différents moyens, pour garantir et faciliter leur
acheminement vers les consommateurs le plus rapidement possible, ce qui engendre pour
chaque produit un coût important, mais complexe à estimer pour les entreprises.
La richesse des données collectées par les entreprises comme le géant du e-commerce
américain Amazon, permettent l’exploitation des nouvelles technologies d’intelligence
artificielle pour optimiser le management de leurs Supply Chains. Ce secteur de ventes est
aussi largement affecté par les avis des clients postés sur les sites de ventes en ligne
permettant de décrire les expériences personnelles avec un certain produit, et donc
influencer des potentiels acheteurs à faire une transaction (Z. P. Fan et al., 2017; Sharma et
al., 2019). Les entreprises exploitent ainsi ces informations pour améliorer leurs prévisions.
L’historique de navigation des utilisateurs sur Internet peut être exploité également pour
identifier les champs d’intérêts des consommateurs et donc leur proposer des produits qui
43
sont susceptibles d’être achetés par eux. L’ensemble de ces données est ainsi exploité pour
réaliser les prévisions de ventes. Étant données les grandes quantités de données récoltées,
des techniques avancées d’analyse de données sont employées pour extraire des
informations utiles (Ji et al., 2019).
Prédire les ventes dans le e-commerce représente un véritable challenge vu la demande

stochastique (C. Zhang et al., 2020) et les multiples paramètres qui entrent en jeu comme le
comportement des acheteurs ou encore les campagnes publicitaires. (C. Zhang et al., 2020)
emploient un modèle Autorégressif logarithmique pour leur cas d’étude. Pour la détection
des augmentations brusques dans la quantité des ventes, (R. Chen & Liu, 2017) combinent
plusieurs méthodes de séries temporelles et de classification tel que SVM. Leur approche
permet de déterminer la date de début, du maximum atteint et la fin de ces augmentations,
et fournit des meilleurs résultats que d’autres méthodes comme LSTM et ARIMA. (Sharma et
al., 2019) comparent dans leurs travaux trois types d’approches à savoir des techniques de
régression, des techniques d’arbres de décision et des réseaux de neurones, pour la
prédiction des ventes des livres sur la plateforme Amazon, en prenant en considération
plusieurs variables influentes. Il est à noter que les géants d’internet ont su se structurer à la
mise en place d’équipes de R&D dédiées à la mise au point de nouveaux services basés sur la
donnée et sur l’IA et que nombreuses innovations sont issus de ses équipes.
techniques utilisées pour le secteur de la vente en ligne est donnée dans l’annexe D.
Dans ce secteur d’activités, on remarque généralement l’emploi des techniques combinant

plusieurs modèles tels que les approches d’hybridation et les approches à plusieurs niveaux.
Ceci peut être expliqué par la grande disponibilité à la fois des volumes et des variétés des
données sur les plateformes de ventes en ligne.
III.5. Industrie automobile

Un autre domaine d’application aussi concerné par les techniques de prévision des ventes est
l’industrie automobile. L’industrie automobile est l’une des plus larges industries au monde
avec plus de 90 millions de véhicules produits chaque année (depuis 2015) selon
l'Organisation Internationale des Constructeurs Automobiles (OICA). Ce secteur regroupe
plusieurs entreprises et organisations impliquées dans la construction des véhicules
cherchant ainsi à optimiser leurs Supply Chains et processus de fabrication pour répondre aux
44
besoins du marché. Par conséquent, il est primordial que les entreprises puissent bien
planifier leurs activités en prenant en considération les attentes des clients, l’accessibilité et
la disponibilité des ressources de production qui caractérisent ce secteur et son économie
globale (Shahabuddin, 2009).
Les prédictions des ventes, notamment au long terme, permettront à une entreprise de
prendre des décisions cruciales comme l’élargissement ou la réduction des équipes de travail,
ou l’implémentation des nouvelles lignes de production. L’industrie automobile est en en
effet caractérisée par une chaîne logistique très étendue vu que les composants sont
fabriqués dans plusieurs pays, par de nombreux équipementiers, ensuite transportés et
assemblés dans les usines d’assemblage et donc une durée de conception et de mise en
production assez longue pouvant aller de 12 à 60 mois (Sa-Ngasoongsong et al., 2012). Cette
contrainte nécessite la préparation d’un plan de demande et donc des prévisions des ventes
à un horizon de 6 à 24 mois, ce qu’implique l’usage des techniques permettant de fournir des
prévisions précises sur un long terme.
Ce secteur est également caractérisé par une forte personnalisation des véhicules pour
satisfaire les attentes des différents clients. Cet aspect rend la prédiction de la demande plus
difficile et favorise plutôt la fabrication après réception de la commande. Les produits sont
également influencés par d’autres facteurs externes comme les délais de livraison des
composants, les défauts de qualité ou encore l’apparition des nouvelles technologies comme
les véhicules électriques.
Le calcul des prévisions pour le secteur de l’automobile repose sur l’historique des ventes de
l’entreprise, mais aussi sur différentes autres données comme les taux des parts de marché
et les facteurs externes influant les ventes telles que les aides de l’état ou encore les
réglementations des carburants. Les travaux de (Abdellatief et al., 2019) utilisent un
historique des ventes mensuelles de février 2015 à mars 2018 pour la prédiction des ventes
d’un modèle de voiture dans le marché égyptien. Ils reposent également sur des données
décrivant la situation économique du pays comme le prix du pétrole, le taux de change avec
le dollar américain ou encore le taux d’inflation. Dans la même idée, (Vahabi et al., 2016)
emploient des données historiques annuelles dans leur application de prédiction des ventes
d’une marque du marché iranien. Les données correspondent aux chiffres de ventes
annuelles historiques entre 1990 et 2016 ainsi que des facteurs externes tels que le taux
45
d’intérêt de la location des véhicules, les tarifs d’importation, les revenus moyens par
personne, etc…
Différentes techniques sont employées dans la littérature pour la prévision des ventes dans
ce domaine qui se basent sur les avis et les expériences des experts, et aussi sur des méthodes
quantitatives. (Abdellatief et al., 2019) comparent l’usage de différentes techniques à savoir
un réseau de neurones, régression logistique multiple et le modèle ANFIS pour la prédiction
des ventes d’un modèle de véhicule. Leurs résultats montrent des meilleures performances
du réseau de neurones par rapport aux autres approches. (Vahabi et al., 2016) combinent le
modèle ANFIS avec l’algorithme génétique (GA) dans leur cas d’étude. Le modèle ANFIS est
utilisé pour l’entraînement et la prédiction, tandis que l’algorithme génétique est utilisé pour
optimiser les résultats de prédiction. Cette approche montre des meilleurs résultats par
rapport au modèle ANFIS uniquement et à un réseau de neurones.
techniques utilisées pour le secteur automobile est donnée dans l’annexe E.
D’après les travaux étudiés, on remarque l’usage des techniques basées sur des réseaux de
neurones ainsi que le modèle ANFIS pour surpasser les limites qui peuvent être rencontrées
avec les méthodes classiques (Lissage Exponentiel, Régression Linéaire, ARIMA), ainsi que
l’exploitation des données liées aux variables externes et pas seulement les historiques de
ventes.
III.6. Secteur de l’énergie

Le domaine de l’énergie constitue un secteur important pour l’étude des prévisions des
ventes. Plusieurs travaux ont traité la problématique de prédiction de l’énergie et plus
précisément dans la prédiction de la consommation énergétique des bâtiments (Ahmad et
al., 2018; Bourdeau et al., 2019; Deb et al., 2017) dans le but de réduire les coûts engendrés
et améliorer l’efficience énergétique de ces derniers (Somu et al., 2020). Le terme énergie
employé dans ce domaine désigne l’ensemble des énergies électrique ou combustible pour le
chauffage, la climatisation, l’éclairage, les sanitaires et différents équipements qui peuvent
contribuer aux usages d’un bâtiment (Ahmad et al., 2018).
La production et la vente de l’électricité représentent également un pilier important de ce

domaine d’étude où des méthodes de prévision y sont appliquées pour anticiper les besoins
46
de consommation des clients. Ce secteur a attiré l’attention des chercheurs depuis longtemps
vu son importance en tant que source d’énergie vitale, mais aussi pour le vaste marché en
profonde mutation auquel s’adressent les compagnies actives dans ce secteur. Ce secteur
présente plusieurs enjeux pour les industriels vu les changements importants qui marquent
le marché comme l’augmentation de l’usage du numérique, d’une mobilité électrique, de la
décarbonation de l’industrie et de l’augmentation de la part des énergies renouvelables
(Nagbe et al., 2018).
Les prévisions de la consommation d’électricité sont essentielles pour la gestion des sources
de production et des réseaux de transport, la gestion des risques et la mise en place des
politiques par les fournisseurs de ce domaine (Elamin & Fukushige, 2018). Vu le volume
considéré, les erreurs de prévision peuvent engendrer des coûts très élevés. Ainsi de
nombreux travaux de recherche sont proposés dans la littérature pour mieux prédire la
demande. Certains travaux comme (Shao & Tsai, 2018) et (Zhao et al., 2015) se sont intéressés
à la problématique de prévisions des ventes dans le secteur de l’électricité où il est nécessaire
d’estimer en avance les quantités d’énergie à produire sur chaque période de l’année pour
satisfaire la demande..
La vente de l’électricité est caractérisée par une forte saisonnalité, avec en hiver l’usage
intensif des chauffages et en été celui de la climatisation. La demande en électricité est
toujours plus forte surtout avec la croissance démographique et le développement
économique caractérisés par l’augmentation constante des zones urbaines, mais aussi
d’autres facteurs très significatifs, comme le développement du numérique et des
datacenters, mais aussi la transformation de l’industrie et de la mobilité avec l’arrivée des
véhicules électriques. Ce produit (l’électricité) subit également les fluctuations d’autres
indicateurs économiques comme le prix du pétrole et des matières premières nécessaires
pour sa génération.
Avec l’augmentation du nombre des compteurs électriques connectés qui renvoient

régulièrement les données, il est apparu différents techniques et modèles permettant
d’exploiter ces données pour la prédiction. Les séries temporelles étudiées dans ce domaine
ont différentes granularités : on trouve des données où les mesures de la consommation sont
prises chaque minute alors que pour d’autres les relevés se font chaque année. Dans les
travaux de (K. Li et al., 2020), les données utilisées pour l’entrainement et l’évaluation des
47
modèles correspondent à l’historique des ventes de l’électricité journalières entre janvier
2018 et juin 2020, et mensuelles de janvier 2011 jusqu’au juin 2020 dans une région du
marché chinois. Ils emploient également d’autres variables qui caractérisent la
consommation électrique comme les dates, les semaines et les mois de ventes, ainsi que des
données climatiques de la région. (Cao & Wu, 2016) testent leur approche en employant des
données de consommation mensuelle historique de l’électricité en Chine entre janvier 2010
et décembre 2015, et des données historiques de ventes mensuelles d’un producteur de
l’électricité dans le marché des Etats Unis entre janvier 1994 et décembre 2014. Pour les deux
cas d’étude, les auteurs procèdent à la normalisation des données brutes avant les utiliser
pour l’entraînement et la validation des modèles.
Le secteur de l’énergie est caractérisé par des techniques de prédiction adaptés à différentes
problématiques, pour la planification, la gestion voire l’optimisation. Des techniques de
régression et de prédiction des séries temporelles sont utilisées dans les travaux de (K. Li et
al., 2020). Les données d’entrée sont décomposées à travers la méthode X11, et ensuite, les
techniques de XGBoost, Light GBM et Gradient Boosting Decision Tree (GBDT) sont utilisées
pour la prédiction du court et moyen terme. Pour le long terme, les auteurs proposent
d’utiliser le modèle Prophet. Dans les travaux de (Cao & Wu, 2016), les auteurs emploient un
modèle de Support Vector Regression (SVR) couplé avec l’algorithme d’optimisation « Fruit
Fly » (FOA) et un ajustement de la saisonnalité présentée dans les données, pour calculer des
prévisions mensuelles de la consommation et de la vente de l’électricité.
techniques utilisées pour le secteur de l’énergie est donnée dans l’annexe F.
D’après les travaux présentés, les modèles MARS, SVR et les modèles basés sur les réseaux
de neurones sont les plus employés dans ce champ d’étude. Ceci peut être justifié par la
disponibilité d’une grande quantité de données à exploiter et la capacité de ces modèles à
identifier les aspects non linéaires dans les séries temporelles.
48
III.7. Synthèse des besoins de prédiction associés aux différents domaines
Nous avons étudié dans les paragraphes précédents, quelques principaux domaines
d’applications des techniques de prévisions des ventes. Nous avons présenté les
caractéristiques de chaque secteur, les données généralement employées ainsi que les
techniques employées dans chaque cas d’étude. Comme nous pouvons le remarquer,
certaines techniques sont plus employées dans un domaine que d’autres, mais plusieurs
autres modèles, notamment les méthodes classiques comme le modèle ARIMA et le lissage
exponentiel sont communes entre les différents secteurs. Nous présentons dans le tableau 1
un résumé des spécificités de chaque domaine étudié.
49
BESOINS DE HORIZON DE
SECTEUR PRODUITS TYPE DE CLIENT/ACHAT ALGORITHMES
PREVISION/ENJEUX PREDICTON
- Grand public - Satisfaire les clients

- Produits diversifiés ARIMA et ses variétés,
VENTES AU - Dédié par spécialité - Garantir la 1 jour - 6
- Différents commerces Techniques de Boosting,
DETAIL disponibilité des mois
- Achats à fréquence Méthodes de combinaison
concernés
variable produits
- Répondre aux attentes

- Produits saisonniers ARIMA et ses variétés,
- Grand public du marché
SECTEUR DE - Sectorisés par clients 1 semaine - 4 Lissage Exponentiel,
- Achats mensuels / - Satisfaire les goûts
LA MODE mois Techniques de Boosting,
- Influencés par les
trimestriels très différents des
LSTM et MLP
tendances
consommateurs
ARIMA et ses variétés,

- Limiter les déchets et
- Produits périssables Lissage Exponentiel,
- Grand public le gaspillage 1 jour - 14
ALIMENTAIRE avec court cycle de vie Multivariate BPN, MFLN
- Achats quotidiens - Gérer des stocks jours
- Affectés par les saisons (Multilayer Function Link
périssables
Network)
VENTE EN - Produits très diversifiés - Utilisateurs des 1 jour - 3 ARIMA et ses variétés,
- Réduire les stocks
LIGNE plateformes des ventes mois Techniques de Boosting,
50
- Assurer une livraison Réseaux de neurones,
rapide Techniques d’hybridation
- Réduire les délais

- Produits très Régression, VAR,
d’attente
SECTEUR personnalisables - Consommateurs avec ANFIS, Lissage
- Réduire les stocks 2 ans
AUTOMOBILE - Délais de fabrication un certain niveau de vie Exponentiel, Réseaux
- Satisfaire les attentes de neurones
importants
des consommateurs
- Répondre aux besoins
- Particuliers et de consommation
- Consommation MARS, SVM, SVR, Techniques
industriels - Satisfaire une 0.5 heure - 1
ENERGIE continue sans de Régression, Réseaux de
- Consommation demande croissante mois
interruption neurones
quotidienne - Piloter des sources
multiples
Tableau 1 : Synthèse des domaines d’applications
51
Dans la deuxième partie de ce chapitre, nous allons nous intéresser plus spécifiquement à la
description mathématique des modèles employés dans la littérature pour répondre à la
problématique des prévisions des ventes. Il s’agira de présenter les spécificités des modèles,
de leurs méthodes d’estimation et de leurs usages.
IV. Horizon des principales techniques utilisées pour la prévision des ventes
Comme présenté dans le paragraphe précédent, il existe plusieurs techniques employées
dans la littérature pour la prévision des ventes. Ces approches diffèrent dans leur façon de
calculer les prédictions et les algorithmes utilisés pour réaliser cette tâche. Le choix de la
technique et du modèle à utiliser dépend de plusieurs critères et propriétés du cas
d’application.
Bien que les entreprises cherchent aujourd’hui à automatiser cette tâche, l’intervention
humaine reste souvent indispensable dans certains cas d’application où de très nombreux
facteurs, dont les facteurs humains peuvent influencer les ventes. Néanmoins, plusieurs
techniques sont développées dans le but de réduire cette intervention en utilisant des
approches de plus en plus sophistiquées. Avec les différents facteurs influant les ventes, les
techniques doivent être capables de répondre précisément aux besoins de prédiction malgré
des comportements de vente très variables. Cet aspect a marqué la nécessité de développer
des modèles capables de détecter la nature linéaire mais aussi la nature non linéaire et les
fluctuations dans les ventes.
L’évolution récente des techniques d’apprentissage automatique et d’apprentissage profond

a permis de développer de nouvelles approches pour les prévisions des ventes. Nous pouvons
regrouper ces approches sous quatre catégories principales. Des techniques considérant le
problème de prévision des ventes comme une problématique de séries temporelles et
emploient ainsi des modèles dédiés à la modélisation des séries chronologiques. Des
méthodologies employant des approches de Data Mining et d’apprentissage automatique
permettent d’exploiter davantage les dépendances statistiques des variables et facteurs
externes afin d’améliorer la qualité des prévisions. La troisième catégorie est basée sur les
approches d’apprentissage profond. En effet, ces techniques ont vu le jour avec le
développement des modèles sophistiqués basés surtout sur des réseaux de neurones qui
peuvent être employés tant qu’une grande quantité de données est disponible. Une dernière
catégorie constitue des méthodes et approches d’hybridation des modèles, généralement
52
linéaires et non linéaires, proposés dans les catégories précédentes. La figure 9 présente un
schéma global des différentes catégories.
Figure 9 : Catégories des techniques de prévisions
Dans les paragraphes ci-dessous, nous présentons les différentes catégories de techniques de
prévision ainsi que les modèles appartenant à ces familles, en suivant la catégorisation
précédente.
IV.1.Les approches de modélisation de séries temporelles
IV.1.1. Modèles statistiques de prévision

La problématique de prévisions des ventes peut être traitée par une approche de
modélisation des séries temporelles. Ces techniques sont plus classiques par comparaison
avec les méthodes d’apprentissage automatique et de Deep Learning, mais elles sont toujours
très utilisées dans plusieurs domaines. Le modèle ARIMA « Autoregressive Integrated Moving
Average » est l’un des modèles les plus rencontrés dans la littérature. Ce modèle est composé
d’un terme autorégressif (AR) décrivant la relation entre la variable à modéliser et ses
anciennes valeurs, un terme moyenne mobile (MA) décrivant la relation linéaire entre les
résidus de la série, et un terme de différenciation (I) pour rendre la série stationnaire. On
parle aussi du modèle SARIMA qui est une extension du modèle ARIMA en y intégrant des
termes saisonniers permettant de modéliser la saisonnalité dans les séries temporelles. Ces
modèles sont principalement utilisés pour les séries temporelles univariées et stationnaires
(Panigrahi & Behera, 2017).
53
D’après (Hyndman, R.J. Athanasopoulos, 2019), une série chronologique stationnaire est une
série dont les propriétés statistiques telles que la moyenne sont indépendantes du temps.
Ainsi, les séries chronologiques avec une tendance ou une saisonnalité, ne sont pas
stationnaires puisque leurs propriétés statistiques varient au fil du temps. Pour rendre une
série temporelle stationnaire, une technique de différenciation est employée généralement.
Cette technique est utilisée pour stabiliser la série. Elle consiste à remplacer chaque valeur de
la série par la différence avec la valeur précédente afin de réduire les effets de la tendance et
de la saisonnalité. Une série temporelle peut être différenciée plusieurs fois jusqu’à sa
stabilisation. D’autres transformations, telles qu’une transformation logarithmique, peuvent
être employées pour stabiliser la variance de la série.
Comme présenté dans le paragraphe précédent, les modèles ARIMA et SARIMA sont
employés dans plusieurs domaines d’application pour la prévision des ventes. Dans les
travaux récents, on trouve rarement l’usage unique de ces modèles, par contre on les trouve
souvent dans des approches de combinaison de plusieurs techniques. Les travaux de
(Pongdatu & Putra, 2018) représentent une étude de comparaison des modèles SARIMA et
Holt-Winters pour la prédiction des transactions des clients dans un magasin. L’estimation
des paramètres du modèle SARIMA est effectuée à travers les graphiques d’autocorrélation
partielle (ACF) et le choix entre les modèles candidats est fait en choisissant le candidat ayant
la mesure d’erreur la plus faible. Les résultats montrent que SARIMA donne des meilleurs
résultats pour les prévisions à court terme alors que le lissage exponentiel est plus performant
sur le long terme. Le modèle de Holt-Winters permet aussi de mieux modéliser les séries
présentant des formes de saisonnalité que le modèle SARIMA.
Bien que les modèles ARIMA et SARIMA soient largement utilisés pour la prédiction des séries
temporelles, ils ne permettent pas la modélisation de la variance des séries au fil du temps.
Cette limite peut être contournée en utilisant une transformation logarithmique ou une
transformation de Box-Cox lorsque la variance subit des faibles changements. Néanmoins,
dans les applications avec une grande volatilité où la variance évolue constamment comme
la prédiction des cours des actions en bourse, ces transformations sont moins performantes.
Dans ces cas, les modèles « Autoregressive Conditional Heteroskedasticity (ARCH) », et
« Generalized Autoregressive Conditional Heteroskedasticity (GARCH) » sont employés. Dans
54
notre recherche bibliographique, nous avons constaté que l’usage de ces modèles pour la
prédiction des ventes reste très limité.
IV.1.2. Approche de décomposition des séries temporelles

La décomposition des séries temporelles consiste à considérer la série comme une
combinaison (additive ou multiplicative) de différents éléments comme une tendance, une
saisonnalité et un bruit. La technique de décomposition est employée pour mieux
comprendre, analyser et identifier les motifs cachés dans une série chronologique. Ces
techniques peuvent être combinées aussi avec d’autres modèles de prédiction pour améliorer
les résultats comme le cas des travaux de (Gurnani et al., 2017).
Il existe dans la littérature plusieurs techniques pour effectuer la décomposition d’une série
temporelle. (Hyndman, R.J. Athanasopoulos, 2019) présentent dans leur livre les méthodes
souvent utilisées pour cet objectif. La technique classique peut être additive ou multiplicative
et permet de décomposer la série en tendance, saisonnalité et bruit. Cette technique estime
que la saisonnalité est constante d’un an à l’autre et la détermination du cycle de la tendance
(« trend-cycle ») est basée sur l’usage des moyennes mobiles dans les données saisonnières.
Une méthode populaire pour la décomposition est X11, développée par « US Census Bureau
and Statistics Canada » (Bee Dagum & Bianconcini, 2016). Cette méthode est basée sur la
méthode classique avec certaines améliorations comme la possibilité de prendre en
considération des variations faibles de la saisonnalité. Cette méthode est employée sur des
données mensuelles ou trimestrielles et permet de prendre en considération les variations
journalières et les effets des facteurs externes connus (Hyndman, R.J. Athanasopoulos, 2019).
La méthode « Seasonal Extraction in ARIMA Time Series » connue sous le terme SEATS est
une procédure de décomposition développée par la banque d’Espagne et est largement
utilisée. Comme la méthode X11, elle est applicable sur des données mensuelles ou
trimestrielles aussi (Bee Dagum & Bianconcini, 2016).
Une autre méthode largement utilisée dans la littérature est « Seasonal and Trend
decomposition using Lœss » connue par la décomposition STL. Cette méthode est plus
robuste et a plusieurs avantages par rapport aux autres méthodes. Elle permet de travailler
avec différentes granularités de données (non seulement mensuelles ou trimestrielles), elle
est capable de modéliser une saisonnalité variable et elle est robuste aux valeurs aberrantes
55
de la série (Hyndman, R.J. Athanasopoulos, 2019). Cette technique est généralement
employée pour une décomposition additive.
Le lissage exponentiel est une famille de modèles classiques de prévision de séries

temporelles largement utilisée dans les entreprises et l'industrie (De Gooijer & Hyndman,
2006). Ce type de modèle permet de modéliser les séries en les décomposant en niveau (ou
moyenne), tendance et saisonnalité (Vandeput, 2018). La nature additive ou multiplicative de
ses composantes permet de créer plusieurs variétés de modèles de cette famille. Les travaux
de (Robin Hyndman et al., 2008) représentent un état de l’art pertinent de cette famille de
produits tout en introduisant une composante d’erreur supplémentaire et un Framework de
prédiction automatique sous le langage R.
Cette famille de modèles est largement utilisée pour la prédiction des ventes, mais
généralement en combinaison avec d’autres techniques notamment dans les travaux récents.
(Panigrahi & Behera, 2017) emploient cette technique avec un réseau de neurones en
proposant une approche pour la prédiction des séries temporelles. Le modèle de lissage
exponentiel est utilisé pour modéliser l’aspect linéaire ou non linéaire de la série au départ,
ensuite, les résidus sont prédits à travers le réseau de neurones. Les données brutes des séries
temporelles sont introduites dans le modèle de lissage exponentiel après une étape de
normalisation avec la méthode min-max.
Une autre famille de modèles basée sur la décomposition des séries temporelles est la famille
des modèles additifs généralisés. Ce type de modèle a été d’abord proposé par (Hastie &
Tibshirani, 1987) présentant la possibilité de modéliser une variable sous la forme d’une
sommation de plusieurs prédicteurs linéaires ou non linéaires comme suit :
𝑔(𝑦) = 𝑠1 (𝑥1 ) + ⋯ + 𝑠𝑝 (𝑥𝑝 ) + 𝜀
Avec 𝑦 est la variable à prédire, 𝑔 est la fonction liant 𝑦 avec les prédicteurs 𝑥1 , … , 𝑥𝑝 et
𝑠1 , … , 𝑠𝑝 les fonctions de chaque prédicteur.
Selon (LARSEN, 2015), ces modèles sont utilisés grâce à leurs interprétabilité, flexibilité et
automatisation. Les travaux de (Thouvenot et al., 2016) et (S. Fan & Hyndman, 2012)
représentent des exemples d’étude de la problématique de prédiction de la consommation
électrique à travers des modèles additifs. (Thouvenot et al., 2016) adoptent une approche
basée sur les modèles additifs semi-paramétriques. D’abord, un algorithme LASSO est
56
employé pour la sélection des variables à utiliser pour la prédiction telle que les prédicteurs
météorologiques et les effets du calendrier. Ensuite, les paramètres des estimateurs du
modèle additif (des Splines) sont calculés afin de minimiser la mesure d’erreur de prédiction.
Une des plus récentes méthodes de décomposition des séries temporelles est le modèle
« Prophet ». En 2018, l’équipe de recherche de Facebook a publié (Taylor & Letham, 2018) un
nouveau modèle de prévision des séries temporelles basé sur les modèles additifs généralisés
(GAM). Ce modèle est constitué de trois composantes : tendance, saisonnalité et
évènements. Il permet de prendre en considération plusieurs saisonnalités dans la série à
prédire ou encore d’autres variables externes influençant les ventes et il est robuste envers
les données manquantes. Les travaux de (Zunic et al., 2020) constituent un cadre
d’application de ce modèle pour la prédiction des ventes au détail employant Prophet. Le but
était de calculer les prévisions mensuelles et trimestrielles de plusieurs produits. Les données
brutes sont introduites dans le modèle sans modification, néanmoins, dans ces travaux, on
trouve une intervention humaine pour paramétrage du modèle, notamment pour la
composante événementielle. Les résultats de prédiction sont exploités ensuite pour classer
les produits du portfolio de l’entreprise.
Bien que les techniques classiques de séries temporelles présentées dans ce paragraphe
soient largement utilisées, certaines présentent quelques limites. Pour les modèles
saisonniers, nous aurons besoin des données couvrant au moins deux saisons pour pouvoir
capturer l’aspect saisonnier de la série. Cependant, ce n’est pas toujours le cas surtout lors
du lancement des nouveaux produits. En plus, ces techniques ne sont généralement pas
robustes si certaines données sont manquantes dans la série ou si des valeurs aberrantes sont
présentes et donc une étape de nettoyage et de préparation des données est nécessaire avant
de procéder au calcul des prévisions. Enfin, l’usage des variables exogènes représentant des
facteurs externes qui peuvent influencer les ventes n’est pas pris en compte dans les
techniques classiques. Ce dernier point peut être résolu en s’appuyant sur des approches de
régression qui seront le sujet du paragraphe suivant.
IV.1.3. Approche dynamique de régression

Une autre approche proposée dans la littérature pour la prédiction des séries temporelles
correspond à des modèles de régression. L’idée est de prédire les valeurs futures de la série
temporelles en se basant sur d’autres informations externes ou encore d’autres séries
57
temporelles qui influencent la série à prédire. Ceci passe par l’exploitation des variables
externes dites exogènes ayant une relation avec la série originale.
Le modèle le plus basique est le modèle de régression linéaire simple qui permet de décrire
une relation linéaire entre une variable à prédire et une variable explicative. Lorsqu’on
dispose de deux ou plusieurs variables exogènes, on peut employer le modèle de régression
linéaire multivarié reliant la variable à prédire avec ces prédicteurs externes. Bien qu’on
suppose généralement une relation linéaire entre les variables à prédire et les variables
externes, il existe de nombreux cas dans lesquels une relation non linéaire est plus
appropriée. Pour pouvoir traiter cet aspect, on peut procéder à une transformation de la
variable à prédire et/ou les prédicteurs avant de construire le modèle de régression. La
transformation logarithmique est la plus couramment employée.
La plupart des modèles de séries temporelles présentés dans les paragraphes précédents
3.1.a et 3.1.b permettent de modéliser une série temporelle en fonction de ses valeurs
précédentes sans avoir recours à d’autres facteurs externes qui peuvent avoir un impact sur
l’évolution de la série. Par opposition, les modèles de régression permettent d’exploiter ces
facteurs externes sous forme de variables exogènes, mais avec une capacité plus limitée
modéliser les variabilités dans les séries temporelles comme les modèles classiques. La
combinaison de ces deux propriétés des modèles de régression et de séries temporelles
représente l’introduction des modèles dynamiques de régression (Pankratz, 1991).
Les travaux de (Pinho et al., 2016) représentent une application réussie de cette technique
pour la prévision des ventes au détail de différents produits. Les auteurs emploient plusieurs
modèles dynamiques avec différentes configurations à chaque fois. Le premier modèle
développé représente une structure du modèle ARIMA incorporant des séries de Fourier pour
identifier les formes (ou patterns) de saisonnalité dans la série, reposant uniquement sur
l’historique des ventes du produit. Un autre modèle utilisé emploie seulement des variables
externes comme le prix, les périodes de promotions et les évènements du calendrier. Un
troisième modèle emploie ces mêmes facteurs externes mais d’un autre produit de la même
catégorie. Une version logarithmique de ces mêmes modèles a été développée également
pour comparer leurs résultats également. Leurs résultats montrent que les modèles
dynamiques testés donnent des meilleurs résultats par rapport au modèle ARIMA
n’exploitant pas ces facteurs externes.
58
Les techniques de régression présentées dans ce paragraphe représentent des approches
intéressantes pour contourner les limites constatées chez les modèles classiques. Néanmoins,
pour ces techniques, la préparation des données des variables externes à utiliser comme
prédicteurs peut être une tâche parfois difficile. En effet, pour prédire des valeurs futures
d’une série, il faut avoir celles des prédicteurs à utiliser ce qui est parfois plus difficile à prédire
que la série originale en soi.
Dans le paragraphe suivant, nous présentons d’autres approches et techniques utilisées pour
la prédiction des ventes.
IV.2.Les approches de Data Mining et de Machine Learning

Comme présentés dans la première partie de ce chapitre, plusieurs travaux sont présentés
dans la littérature pour la prédiction des ventes avec des techniques d'apprentissage
automatique (ou Machine Learning (ML)). Certains travaux utilisent des techniques de
clustering pour un prétraitement des données avant d’employer des modèles de prédiction.
On trouve, généralement, dans l’état de l’art deux façons d’emploi des modèles ML pour la
prédiction : l’usage d’un seul modèle de régression pour faire les prévisions, et la combinaison
de plusieurs techniques pour construire un modèle à plusieurs niveaux plus puissant et
robuste. Bien que la première façon soit plus directe et plus facile à implémenter et à
exploiter, son usage reste assez limité surtout dans les travaux récents. La deuxième approche
est plus utilisée dans la littérature sous le nom de « Ensemble Learning » et différentes
techniques sont employées pour assurer la mise en place de cette idée à savoir le « Bagging »,
« Boosting » et « Stacking » (Polikar, 2012).
IV.2.1. Clustering
Le regroupement des données ou « clustering » est l'une des techniques de description des
données les plus fondamentales. Le but du clustering est d'identifier une structure dans un
ensemble de données non caractérisées au préalable en organisant les données en groupes
homogènes (clusters) où la similitude est maximisée entre les éléments du même groupe, et
est minimisée entre les éléments appartenant à des groupes différents.
Ces techniques sont employées également pour étudier les séries temporelles dans le but
d’identifier et d’extraire des informations utiles à partir des bases de données complexes et
massives. D’après (Aghabozorgi et al., 2015), les techniques de clustering sont utilisées avec
les séries temporelles pour quatre applications principales : détection des anomalies et des
59
motifs inattendus dans une série, détection des changements dynamiques dans la série,
prédiction et recommandation à travers des combinaisons avec des techniques de prédiction,
et découverte de nouveaux motifs dans des nouvelles bases de données.
Les travaux de (Dai et al., 2015) constituent un cadre d’application du clustering avec le
modèle « Support Vector Regression (SVR) » pour la prédiction des ventes des serveurs
informatiques. Pour la phase d’entraînement, les auteurs proposent de normaliser les
données à travers la méthode min-max et puis d’employer le modèle de k-means pour
regrouper les produits similaires en 3 groupes en utilisant la distance euclidienne comme
mesure de similarité entre les données. Un modèle SVR est entraîné ensuite pour chaque
cluster pour avoir les paramètres les plus adéquats à chacun. Pour la phase de prédiction, ils
utilisent 3 mesures de similarité pour associer chaque nouvelle donnée avec le cluster le plus
adéquat. Les mesures employées sont la moyenne, la médiane et la méthode MinMax.
Ensuite, ils emploient le modèle SVR associé au cluster pour générer des prédictions. Les
résultats montrent que cette approche est plus performante par rapport à l’usage d’un
modèle SVR directement sur les données sans clustering.
IV.2.2. Arbres de décision et Ensemble Learning

Les arbres de décision sont l’une des approches de machine learning utilisées à la fois pour
des problèmes de classification et de régression. Plusieurs travaux dans la littérature ont
employé ces techniques comme modèle de prédiction des ventes ou comme une étape de
prétraitement des données avant l’usage d’un autre modèle. Les arbres de décision peuvent
utilisés comme des modèles séparés ou en les combinant ensemble ou avec d’autres modèles
pour construire des approches d’apprentissage plus robuste, d’où l’introduction du
paradigme « ensemble learning ».
(Cadavid et al., 2018) indiquent dans leurs travaux que les méthodes des forêts aléatoires et
des arbres de décision présentent des bons résultats dans plusieurs cas d’étude avec une
importante interprétabilité, et les approches floues « fuzzy approachs » conviennent mieux
aux données présentant une incertitude et des informations imprécises comme la météo.
Les travaux de (Thomassey & Fiordaliso, 2006) proposent une approche combinant une
technique de clustering avec les arbres de décision pour la prédiction des profils de ventes
des produits. Les données utilisées dans cette étude correspondent à des historiques de
ventes ainsi que des caractéristiques des produits. D’abord, un modèle de K-means est utilisé
60
pour regrouper les produits selon des profils de ventes spécifiques. Ensuite, un modèle
d’arbres de décision est entraîné afin d’apprendre à classer les produits selon les profils
identifiés. Pour chaque nouveau produit à prédire, le modèle d’arbre de décision assignera ce
dernier au profil de ventes le plus adéquat avec ses caractéristiques. Le diagramme de la
figure 10 présente la méthodologie présentée dans ces travaux.
Figure 10 : Approche proposée par (Thomassey & Fiordaliso, 2006)
La technique de combinaison de plusieurs modèles ou encore le « Stacking » a été utilisée

dans plusieurs problèmes de prévision. Les travaux de (Pavlyshenko, 2019) proposent une
approche à plusieurs niveaux composés de différents modèles d'apprentissage automatique
comme le montre la figure 11 suivante.
Figure 11 : Approche multi-niveau proposée par (Pavlyshenko, 2019)
61
Le premier niveau correspond à plusieurs modèles d’arbres entraînés par un « boosting de
gradient XGBoost » en parallèle avec différentes séries temporelles en entrée. Ensuite, les
résultats de chaque modèle du premier niveau seront des entrées des modèles du deuxième
niveau. Dans cette approche, les auteurs utilisent les modèles « ExtraTree », un modèle
linéaire et un réseau de neurones à ce stade. Les prédictions finales du troisième niveau
correspondent à la somme pondérée des résultats des modèles du deuxième niveau. Notant
que cette méthodologie a été adaptée par les auteurs pour gagner la première place de la
compétition « Grupo Bimbo Inventory Demand » sur « Kaggle » ayant comme objectif de
prédire la demande de la plus grande entreprise mexicaine de pain et de distribution.
Dans la même idée, (Punam et al., 2019) présentent dans leurs travaux un modèle à deux
niveaux pour la prévision des ventes.
Figure 12 : Méthodologie proposée par (Punam et al., 2019)
Premièrement, les prédictions sont faites individuellement par trois différents modèles à
savoir la régression linéaire, le « Support Vector Regression (SVR) » et le modèle
« Cubist Regression ». Ce dernier est basé sur une extension de l’algorithme M5 de Quinlan
utilisé pour la construction d’arbres de régression. Ensuite, ces prédictions seront des entrées
pour un autre modèle « Cubist Regression » pour réaliser des prédictions finales plus précises
que les résultats des modèles utilisés séparément.
Dans d’autres travaux comme (Cheriyan et al., 2019), les auteurs évaluent les performances
de trois modèles : modèle linéaire généralisé, arbre de décision et « Gradient Boosted Tree »,
pour la prédiction de la tendance des demandes clients. Les résultats montrent que le modèle
62
« Gradient Boosted Tree » basé sur un ensemble des arbres de décision performe mieux que
les autres modèles de comparaison.
IV.2.3. L’apprentissage par renforcement (Deep Reinforcement Learning)

C’est un champ d’études assez récent et peu d’applications employant ces techniques sont
développées dans la littérature, mais (Liu et al., 2020) proposent une approche appartenant
à ces techniques d’apprentissage pour la prévision de la consommation énergétique
immobilière. Dans cette étude, les auteurs développent 3 techniques de DRL à savoir «
Asynchronous Advantage Actor-Critic (A3C) », « Deep Deterministic Policy Gradient (DDPG) »
et « Recurrent Deterministic Policy Gradient (RDPG) », et les comparent avec 3 autres
techniques d’apprentissage supervisé à savoir Régression linéaire multiple (MLR), Réseau de
neurones à rétropropagation (BPNN) et forêts aléatoires (RF) comme le montre le de la figure
13.
Figure 13 : Approche proposée par (T. Liu et al., 2020)
63
La mise en application de cette méthodologie montre que les modèles DDPG et RDPG ont des
bonnes performances et permettent ainsi d’améliorer les prévisions mais ils ont un temps de
calcul assez important par comparaison avec les méthodes d’apprentissage supervisé. La
technique A3C ne présente pas d’avantages pour cette application.
IV.3.Les approches de Deep Learning

Dans les travaux de (Cadavid et al., 2018), une enquête est réalisée sur les techniques
d’apprentissage automatique employées récemment (entre 2009 et 2017) dans des travaux
de prédiction des ventes et de la demande client. D’après leurs résultats, le réseau de
neurones artificiel (ANN) avec rétropropagation du gradient représente un outil attractif vu
sa capacité de généralisation et de détection des patterns non-linéaires dans la série
temporelle.
Le « Multi Layer Perceptron » est un réseau de neurones à propagation avant

(« feedforward ») qui constitue un des premiers essais d’application de ce type de modèle
pour la prédiction des séries temporelles. Il peut être construit à partir d’une ou plusieurs
couches de neurones cachées imbriquant chacune une fonction d’activation pour transformer
les données d’entrées en sorties. Le réseau est utilisé comme une fonction d’approximation
entre la valeur à prédire et les valeurs précédentes de la série. Pour entraîner ce type de
modèle, l’algorithme de rétropropagation est généralement utilisé dans la littérature.
Les travaux de (Kong & Martin, 1995) représentent une des premières applications de ce type
de réseau de neurones pour la prévision des ventes. Les auteurs utilisent les historiques de
vente comme données d’apprentissage pour le réseau, et testent différentes configurations
afin d’identifier la structure meilleure à travers des implémentations empiriques de chacune.
La configuration donnant les meilleurs résultats est constituée de 12 neurones en entrée, 6
neurones dans la couche cachée et un neurone pour la couche de sortie avec une fonction
d’activation Sigmoïde. Les résultats montrent de meilleures performances par rapport à la
méthode conventionnelle utilisée dans l’entreprise.
Les applications de ce type de réseau de neurones restent toutefois limitées pour la prédiction
des séries temporelles et les approches statistiques sont généralement plus performantes.
De plus, ce type de réseau nécessite des larges bases de données et parfois un temps de calcul
important. Néanmoins, il peut être utilisé comme un modèle de régression lorsqu’on dispose
d’autres variables exogènes.
64
D’autres types de réseaux de neurones constitueront des évolutions intéressantes dans les
techniques de prévisions. En effet, avec le développement des réseaux de neurones profonds
et les résultats intéressants obtenus dans diverses applications, plusieurs techniques basées
sur ces modèles ont été proposées pour répondre à la problématique de prévisions des
ventes. Les réseaux de neurones sont employés pour effectuer des prévisions comme une
technique de régression en se basant sur l’historique des données et/ou d’autres variables
explicatives des ventes (Loureiro et al., 2018).
Les travaux de (Loureiro et al., 2018) représentent un cadre d’application de plusieurs

techniques de prévision des ventes, notamment le réseau de neurones profond. Les auteurs
utilisent les données de ventes historiques avec les caractéristiques des produits et les avis
d’experts comme variables exogènes, comme entrées. Les modèles employés sont la
régression linéaire, les arbres de décision, les forêts aléatoires, la technique de « Support
Vector Machines », le réseau de neurones artificiels (ANN) et le réseau de neurones profond
complètement connecté et composé de plusieurs couches de neurones (DNN). Leur approche
consiste à mettre en compétition ces différentes techniques lors de la prédiction de chaque
produit et utiliser le modèle le plus performant entre eux. Les résultats montrent que le DNN
performe le mieux entre ces différentes techniques, mais le processus d’entraînement de ce
modèle est assez complexe. Il nécessite une expertise dans le domaine contrairement à
d’autres techniques plus simples comme les forêts aléatoires qui donnent des résultats
satisfaisants.
Une autre approche intéressante basée sur les réseaux de neurones récurrents a été
largement utilisée dans l’état de l’art qui est le « Long Short Term Memory (LSTM) »
représentant ainsi une autre application réussie des réseaux de neurones artificiels (ANN)
pour la prévision de séries temporelles (Hsu, 2017; Pankaj Malhotra et al., 2015).
Comme exemple des travaux employant cette technique, (Marino et al., 2016) comparent
deux structures du modèle « Long Short Term Memory (LSTM) » à savoir une architecture
standard et une architecture basée sur la structure « Sequence to Sequence (S2S) » sur des
données de consommation horaire. Les résultats montrent que le LSTM standard donne des
bons résultats pour prédire la prochaine heure mais ne réussit pas à prédire la minute
suivante, tandis que la deuxième architecture LSTM-S2S performe dans les deux cas d’étude.
La même technique de LSTM a été employée également dans les travaux de (Somu et al.,
65
2020) pour prédire la consommation électrique sur le court, moyen et long terme. Cette
technique a donné de bons résultats dans ce cas d’étude. De plus, les auteurs ont étudié
l’impact de changement des paramètres du réseau comme le nombre des couches sur la
précision du LSTM.
Les travaux de (Bandara et al., 2019) représentent également une application de LSTM pour
la prédiction des ventes. La figure 14 présente leur méthodologie proposée.
Figure 14 : Approche proposée par (Bandara et al., 2019)
Leur approche est constituée de 3 couches principales : la première consiste en la préparation

et le prétraitement des données, la deuxième est l’usage du modèle LSTM pour la prédiction,
et la troisième couche concerne le post-traitement des données à travers une
dénormalisation et une remise à l’échelle. Les résultats de l’application de cette approche
montrent que le modèle LSTM performe mieux par rapport au Lissage Exponentiel et au
modèle Naïf Saisonnier.
Cependant, le LSTM présente certains inconvénients, en particulier leur complexité et leur

sur-paramétrage (De Gooijer & Hyndman, 2006). De plus, en général, ils ont besoin de très
longues séries temporelles pour produire de bonnes prévisions, de sorte que pour les courtes
séries, les méthodes classiques fonctionnent mieux. En développant ce modèle, (Salinas et
al., 2020) proposent un nouveau modèle appelé « DeepAR » basée sur un réseau de neurones
récurrent autorégressif pour la prédiction des séries temporelles, permettant de contourner
quelques inconvénients de LSTM.
66
Pour faire face à certaines limites que présentent les approches et les techniques présentées
jusqu’à présent, les travaux récents traitant la problématique de prévision des ventes et de
séries temporelles proposent d’employer des approches hybrides.
IV.4.Approches d’hybridation
Pour la prédiction des séries temporelles, des approches de plus en plus complexes sont
apparues dans la littérature en visant à combiner la puissance des modèles de différentes
natures linéaire et non-linéaire, tout en palliant certaines de leurs faiblesses. Selon (G. P.
Zhang, 2003), ces méthodes appelées « hybrides » sont développées pour pallier plusieurs
difficultés constatées avec les méthodes classiques : il est difficile de déterminer la nature du
processus étudié, il est souvent compliqué de trouver des séries temporelles purement
linéaires ou non-linéaires dans des données réelles et le fait qu’il n’y a pas une méthode qui
peut performer dans toutes les situations. Les réseaux de neurones sont généralement
employés pour construire des modèles hybrides en les combinant avec des modèles des séries
temporelles (Ratnayaka et al., 2015) ou d’autres modèles d’apprentissage automatique
(Weng et al., 2019), vu leur capacité à identifier les formes non linéaires dans les données.
Selon (Hajirahimi & Khashei, 2019), on peut résumer les avantages des approches hybrides
en trois points :
• Amélioration des prévisions grâce à une détection et modélisation complète des
motifs,
• Réduction du risque d’un mauvais choix de modèle grâce à la combinaison des
résultats,
• Procédure de sélection de modèle plus simple grâce à l’usage de différentes
composantes.
D’après l’enquête réalisée par (Hajirahimi & Khashei, 2019), il existe dans la littérature trois
principales structures d’approches hybrides : structure parallèle, structure en série, structure
parallèle-série.
La structure parallèle consiste à entraîner les modèles simultanément avec les données brutes
et calculer ensuite les prédictions en combinant les résultats de chaque modèle à travers une
fonction de pondération.
67
Figure 15 : Structure hybride parallèle (Hajirahimi & Khashei, 2019)
La structure en série consiste à entrainer le premier modèle avec les données brutes, ensuite
son résultat sera l’entrée du deuxième modèle ainsi de suite. À la fin, les prédictions finales
consistent à sommer les résultats des différents modèles.
Figure 16 : Structure hybride en série (Hajirahimi & Khashei, 2019)
La dernière structure combine les deux approches en parallèle-série. Cette structure consiste
à fournir au premier modèle les données brutes et récupérer ses résultats qui seront des
prévisions (de la partie linéaire dans les données) et des résidus. Ensuite, le deuxième modèle
sera entraîné en prenant comme entrée les données brutes et les résultats du premier
modèle. Dans ce cas, il y aura trois possibilités pour les entrées du deuxième modèle :
données brutes avec les prévisions, données brutes avec les résidus, données brutes avec les
prévisions et avec les résidus.
68
Figure 17 : Structure hybride parallèle-série (Hajirahimi & Khashei, 2019)
Le schéma de la figure 18 résume les différents résultats identifiés dans cette revue de l’état
de l’art.
69
Figure 18 : Résumé des structures hybrides (d’après (Hajirahimi & Khashei, 2019))
70
Dans la structure hybride parallèle, la fonction de combinaison peut être linéaire ou non-
linéaire. Les fonctions linéaires statiques sont des techniques de sommation pondérée qui ne
varient pas au fil du temps, et les fonctions linéaires dynamiques, notamment la méthode
TVPNNW (L. Wang et al., 2018), permettent un changement des poids accordés aux modèles
combinés lorsque des nouvelles observations sont introduites dans la série. Les fonctions non-
linéaires distribuent les poids sur les modèles combinés en utilisant une fonction
d’optimisation qui permet de réduire l’erreur en choisissant les poids adéquats, ou à travers
un modèle intelligent tel qu’un réseau de neurone.
Pour la structure hybride en série, les deux principales possibilités consistent à utiliser un
modèle linéaire suivi d’un modèle non-linéaire ou l’inverse. Pour les modèles linéaires, ARIMA
ou le Lissage Exponentiel sont généralement utilisés, et pour les modèles non-linéaires, on
emploie généralement un réseau de neurones (ANN) ou un modèle SVM.
Dans la littérature, plusieurs travaux ont adopté ces structures pour répondre à la
problématique de prévision des ventes. (G. P. Zhang, 2003) emploient le modèle ARIMA pour
capturer la partie linéaire des données et un réseau de neurones (ANN) pour la partie non-
linéaire. Leur application sur des données réelles montre que cette approche hybride
performe mieux que les modèles utilisés individuellement. Dans la même idée, (Panigrahi &
Behera, 2017) proposent une hybridation du modèle de lissage exponentiel avec un ANN.
L’application de leur approche sur plusieurs séries temporelles montre de meilleures
performances comparant avec les modèles ARIMA, Lissage Exponentiel, MLP et d’autres
méthodes hybrides existantes.
Les travaux de (Xu et al., 2019) proposent une hybridation du modèle SARIMA avec le modèle
Support Vector Regression (SVR) pour la prédiction de la demande dans l’industrie
aéronautique. La figure 19 présente l’approche proposée dans ces travaux.
71
Figure 19 : Approche proposée par (Xu et al., 2019)
Dans cette étude, le modèle SARIMA est entraîné pour avoir les paramètres optimaux,
ensuite, ces paramètres sont rectifiés par un modèle de bruit blanc gaussien avant de les
envoyer au modèle SVR. Ce dernier prendra en entrée les paramètres rectifiés du modèle
SARIMA ainsi que les données historiques de ventes. Les auteurs comparent différentes
configurations du modèle SVR pour identifier celle la plus adéquate à leur cas d’étude.
Dans la même démarche, (Gurnani et al., 2017) comparent divers modèles d'apprentissage
automatique à savoir « XGBoost », « Support Vector Machines (SVM) » et « AutoRegressive
Neural Network (ARNN) » avec ARIMA, des méthodes hybrides et des méthodes basées sur la
décomposition STL afin d’identifier le modèle le plus précis pour prévoir les ventes dans
l’industrie pharmaceutique. Ils ont conclu que les modèles non linéaires tels que SVM et
XGBoost fonctionnaient mieux que ARIMA, cependant, les modèles hybrides donnaient de
meilleures performances que les modèles utilisés individuellement.
V. Conclusion
Ce chapitre a été consacré à l’étude de l’état de l’art des techniques de prévisions des ventes
qui est une tâche complexe. Dans la première partie, nous avons présenté les principaux
domaines d’application de la prévision des ventes avec les spécificités de chaque domaine en
termes de besoins et de produits. Nous avons présenté également quelques travaux de la
72
littérature comme des cas d’études de cette problématique dans différents secteurs. Nous
avons essayé d’associer les techniques les plus appropriées à chaque domaine d’application
afin de construire une synthèse claire sur les usages des principales techniques de prévision
des ventes.
La deuxième partie de ce chapitre a été consacrée à l’investigation et la compréhension des

méthodes de prévisions des ventes dans la littérature en présentant les principaux types de
modèles rencontrés. Plusieurs travaux ont été développés pour répondre à cette
problématique selon plusieurs approches. Ces techniques diffèrent dans leur traitement des
données et leur modélisation des variables d'entrée. Certaines approches se sont focalisées
sur des techniques de séries temporelles tandis que d’autres reposent sur méthodes
d'apprentissage automatique de régression. Les techniques plus sophistiquées des réseaux de
neurones profonds, des modèles ensemblistes et des approches hybrides ont été étudiées
également.
Nous avons remarqué que dans un grand nombre de cas d’études la même démarche est
employée. Les chercheurs testent des modèles séparément et évaluent leurs performances
au départ, ensuite on trouve souvent une combinaison des résultats de plusieurs modèles, ou
encore des approches d’hybridation à travers la modélisation de la partie linéaire des données
par un modèle linéaire et la partie non linéaire par un autre modèle adéquat.
Nous pouvons conclure que, dans la plupart des travaux, les auteurs cherchent souvent à
identifier le meilleur modèle ou approche de prédiction qui correspond à leur cas d’étude et
donc aux données disponibles. Ceci nous ramène à répondre à la problématique suivante :
Comment faire pour obtenir un modèle de prédiction fiable pour un grand nombre de
séries temporelles de différentes natures et en se basant seulement sur les historiques de
vente, parfois avec peu de données ?
Dans ce cadre, nous allons développer dans le chapitre suivant une méthodologie basée sur
des modèles de séries temporelles permettant de réponde à la problématique de prédiction
des ventes de plusieurs produits ayant différents comportements de vente, mais aussi avec
peu d’historiques de vente disponibles. Nous verrons que cette approche ne sera pas conçue
pour être spécifique au cas d’étude considéré, mais pourra être appliquée à différents champs
d'études.
73
Chapitre 3 : Méthodologie et Expérimentations
I. Introduction
Nous avons évoqué, dans le premier chapitre, le rôle des techniques prédictives et des
approches guidées par les données dans l’amélioration des performances industrielles des
entreprises. Nous avons vu également l’importance de la prévision des ventes qui est une
étape clé dans la planification des processus de production, d’approvisionnement et de
stockage en lien avec le management de la Supply Chain. Cette importance est justifiée par la
nécessité des entreprises commerciales, quel que soit leur domaine, de savoir à l’avance le
besoin du marché pour pouvoir le satisfaire au bon moment et avec les bonnes quantités.
Dans le second chapitre, un état de l’art est réalisé sur les techniques employées dans
plusieurs domaines d’application pour traiter la problématique de prévision des ventes posée
par l’entreprise elm.leblanc. Une étude a été menée sur les caractéristiques de chaque
approche ainsi que les spécificités des différents cas d’applications.
Dans ce chapitre nous allons présenter une première contribution autour d’une méthodologie
originale pour répondre à la problématique d’une meilleure prévision des ventes dans le
contexte du catalogue produits d’elm.leblanc. Cette méthodologie consistant à mettre en
place une représentation multi-modèles pour la prévision des ventes, nous détaillerons ainsi
chaque structure de modèle retenu. Ce chapitre se terminera par une présentation des
résultats des expérimentations réalisées et par une discussion sur les avantages et les limites
de cette approche.
II. Méthodologie
II.1. Formalisation du problème traité
Dans l’optique d’améliorer les performances de sa Supply Chain, l’entreprise elm.leblanc,
spécialisée dans le domaine des systèmes de chauffage résidentiels et industriels, vise à
automatiser le processus de prévision et améliorer leur qualité par une approche guidée par
les données. Cet objectif peut être atteint à travers la mise en place d’une méthodologie qui
répond à la spécificité de ses données, à la problématique actuelle et aux objectifs de gain de
performance.
74
Comme montré dans l’analyse de l’état de l’art de l’existant présenté dans le précédent
chapitre, le processus de prévision actuel repose sur l’intuition et la connaissance des experts
du terrain. Nous avons remarqué qu’il y a un manque de données explicatives permettant de
justifier les modifications des prévisions à différents horizons. L’étude de corrélation
préliminaire nous a montré que, malgré le comportement similaire de certains produits, la
méthode actuelle ne permet pas de prédire les ventes de ces produits avec la même
exactitude. Cette méthode ne présente pas des résultats satisfaisants et répétables, ce qui
explique la motivation pour la mise en place d’une nouvelle méthodologie.
Dans ce travail, nous utiliserons comme support les données de ventes mensuelles de
plusieurs produits avec différents horizons de prédiction. Ces horizons assurent la capacité à
fournir des prévisions pour le court et le moyen terme. Les données à disposition
correspondent à des séries temporelles représentant chacune une référence de produit : le
produit le plus ancien présent parmi les données utilisées a été lancé en 2015 et le plus récent
début de l’année 2021.
Les données couvrent un catalogue de produits de l’entreprise appartenant à des familles

distinctes. Certaines ventes de produits présentent des comportements saisonniers tandis
que d'autres répondent à des événements plus aléatoires, ce qui conduit à des séries
chronologiques de nature différente. De plus, le nombre d’observations présent dans les
séries temporelles considérées varie d’un produit à l’autre. La création de nouvelles
références peut résulter du lancement d’un tout nouveau produit sur le marché et donc sans
données d’historique, ou bien correspondre à un produit qui serait le successeur d’une ou
plusieurs références et dont il va occuper l’ancienne part de marché. Cette variété des
données implique de trouver un modèle adéquat de séries temporelles pour chaque type de
vente suivant le catalogue produit existant.
Pour bien formuler le problème, soit R l’ensemble des références produits du catalogue.
Chaque référence de produit 𝑖 peut être représentée par une série temporelle de Ni
observations passées représentant l’historique des ventes, sachant que Ni varie d’un produit
à l’autre. Nous cherchons à calculer les prévisions de ventes de chaque référence pour
plusieurs horizons H de prédictions. Le schéma ci-dessous montre une représentation
graphique de la problématique pour une référence de produit avec 𝑡 la dernière observation
enregistrée :
75
Ni-1 observations t t+1 t+2 … t+H
Historiques des ventes Périodes à prédire

(horizon de prédiction)
La prédiction de plusieurs horizons peut se faire selon différentes stratégies. D’après (Ben
Taieb et al., 2012), il existe dans la littérature principalement 3 stratégies pour atteindre cet
objectif :
• Une stratégie directe : l’idée est de développer un modèle spécifique pour chaque
étape de prédiction, donc un modèle différent pour t+1, t+2, etc. La création d’un
modèle pour chaque horizon à prédire constitue un temps de calcul supplémentaire,
notamment en travaillant sur plusieurs références, et d’autant plus lorsque le nombre
d’horizons à prédire augmente. En plus, l’usage des modèles séparés ne permet pas
de modéliser la dépendance entre deux étapes de prédictions consécutives comme
c'est souvent le cas dans les séries chronologiques.
prédiction(t+1) = modèle1 (obs(t), obs(t-1), obs(t-2), ..., obs(t-Ni))
• Une stratégie récursive : l’idée est d’utiliser le même modèle pour prédire les
différentes étapes de prédiction en utilisant à chaque fois la valeur prédite à l’étape
précédente comme entrée pour faire la prédiction de l’étape suivante. En employant
les valeurs prédites comme entrées, cette stratégie peut permettre aux erreurs de
prédiction de s'accumuler et donc les performances peuvent se dégrader surtout pour
les longs horizons.
prédiction(t+1) = modèle (obs(t), obs(t-1), obs(t-2), ..., obs(t-Ni))
prédiction(t+2) = modèle (prédiction(t+1), obs(t), obs(t-1), ..., obs(t-Ni))
• Une stratégie RECTIFY : c’est une stratégie hybride combinant les deux approches
précédentes en utilisant un modèle spécifique pour chaque étape de prédiction et en
utilisant les prédictions du modèle précédent comme entrée au modèle suivant. Cette
76
stratégie peut surmonter le problème de dégradation des performances sur les longs
horizons de l’approche récursive mais le temps de calcul restera toujours important du
fait de la création d’un nouveau modèle pour chaque étape de prédiction.
prédiction(t+2) = modèle2 (prédiction(t+1), obs(t), obs(t-1), ..., obs(t-Ni))
Dans ces travaux, nous avons adopté une stratégie récursive pour la prédiction de plusieurs
horizons étant donné le temps d’exécution trop important des autres stratégies suite à la
création d’un nouveau modèle à chaque itération. La problématique de prévisions des ventes
peut être formulée comme suit :
𝑣̂𝑖 (𝑡 + 𝐻) = 𝑓( 𝑣̂𝑖 (𝑡 + 𝐻 − 1), … , 𝑣̂𝑖 (𝑡 + 1), 𝑣𝑖 (𝑡), 𝑣𝑖 (𝑡 − 1), … , 𝑣𝑖 (𝑡 − 𝑁𝑖 ) ) ; ∀ 𝑖 ∈ 𝑅
Avec 𝑣̂𝑖 (𝑡) la prédiction du produit 𝑖 à l’instant 𝑡, 𝐻 est l’horizon de prédiction, 𝑣𝑖 (𝑡) les
observations des ventes du produit 𝑖, 𝑓 le modèle expliquant les prédictions futures en
fonction des observations historiques des ventes et 𝑁𝑖 le nombre des observations passées du
produit 𝑖.
Comment réaliser la prédiction pour l’ensemble des produits commercialisés dans un tel
catalogue correspondant à des séries temporelles avec peu de données et d’une façon
automatique ?
Nous visons dans ces travaux à proposer une méthodologie qui permet d’automatiser et
d’améliorer la qualité des prévisions des ventes d’une entreprise. Ce travail est effectué dans
l’objectif de gagner en performance et en efficience autour de la Supply Chain, tout en prenant
en considération les caractéristiques des produits et de leurs données disponibles. Dans le
paragraphe suivant, nous détaillons notre approche permettant de répondre à la
problématique énoncée.
II.2. Préparation des données

Une série chronologique, comme son nom l'indique, est une séquence de points de données
représentant une évolution d'une quantité dans le temps. Ce domaine a attiré l'attention des
chercheurs au cours des dernières décennies en raison de ses différentes applications,
notamment dans les domaines économique, financier et industriel. L'importance accordée à
77
ce domaine repose principalement sur l'objectif de prédire le comportement futur d'une série
chronologique.
Dans cette étude de cas, nous avons principalement des séries chronologiques mensuelles de
nature non stationnaire, et de longueur différente (de 72 mois pour les produits les plus
anciens à 1 mois pour les produits les plus récents).
Nous avons mis en place quelques critères de choix à respecter pour identifier les produits à
prédire :
• Le produit doit avoir au moins 8 mois d’ancienneté : cette contrainte est nécessaire
pour que les modèles aient un minimum d’historique pour être entraînés.
• Le produit doit être présent sur le marché pendant les 6 derniers mois : cette
contrainte évite les produits en fin de vie et les produits arrêtés et ne considère que
les produits qui sont en vente actuellement.
• Le produit a été vendu au moins 10 fois depuis sa création et une fois par mois en
moyenne : cette contrainte assure que la prédiction ne se fera pas sur des produits qui
sont vendus rarement et pour lesquelles la mesure des ventes peut être perçue
comme « fortement bruitée ».
Ces critères représentent des contraintes logiques à respecter et assurent le bon

fonctionnement de la méthodologie et le bon usage des algorithmes mis en place.
Pour les produits récemment lancés, dans le premier cas, pour lequel nous ne disposons pas
de données historiques, il est nécessaire de se reposer sur les avis des experts du terrain (les
directeurs régionaux et les grossistes) étant donné que nous ne connaissons pas encore la
réaction du marché envers ce nouveau produit. Dans le deuxième cas où le produit en
remplace un ou des plus anciens, le nouveau peut se reposer sur l’historique des références
remplacées. Ce remplacement des produits est proposé par le service marketing ou le bureau
d’étude de l’entreprise.
Les références de produits de l’entreprise elm.leblanc peuvent être réparties principalement

en 3 catégories. Les produits finis que sont les chaudières et les chauffe-eaux / chauffe-bains,
les pièces détachées et enfin les accessoires. En respectant les critères cités, le jeu de données
78
correspond à environ 1500 références de produits (entre 2015 et 2021). Les données de
chaque produit sont représentées par une série temporelle.
II.3. Description de la méthodologie

D’après l’étude bibliographique du chapitre précédent, les modèles employés par les auteurs
des travaux dans leurs études de cas ont été choisis pour répondre à une problématique
particulière et modéliser des données de ventes ayant certaines spécificités. L’objectif de ce
travail est de proposer une méthodologie de prédiction des ventes en se basant sur les
techniques des séries temporelles permettant de prendre en considération différentes
natures et particularités des séries.
D’après le jeu de données à disposition, nous avons remarqué que les produits et leur façon
de se vendre peuvent être très divers. Ainsi, l’utilisation d’une structure de modèle de
prédiction unique risque d’introduire beaucoup de complexité dans celle-ci ou la rendre
difficilement estimable, voire non estimable. Le choix d’un seul type de modèle peut être
réussi pour quelques produits mais nous ne pouvons pas garantir des performances de qualité
sur l’ensemble du catalogue. Notre réflexion nous amène alors à l’usage de plusieurs types de
modèles afin de pouvoir correctement prédire les ventes pour l’ensemble du catalogue
d’elm.leblanc. Plutôt que d’utiliser une seule structure de modèle additif avec de nombreuses
composantes, autant utiliser plusieurs modèles avec moins de composantes.
Nous allons utiliser, dans notre méthodologie, quatre structures de modèles différentes. Le
modèle ARIMA ainsi que sa dérivée SARIMA sont des techniques qui sont évaluées dans
plusieurs applications et ont prouvé leurs performances. La famille des modèles de Lissage
Exponentiel (LE) ayant différentes variétés qui permet de modéliser plusieurs formes de séries
temporelles à travers ses composantes de tendance et de saisonnalité. Prophet est un modèle
récent basé sur un modèle additif permettant la modélisation des tendances et des
saisonnalités multiples dans une série chronologique.
La première étape consiste en la préparation et le nettoyage des données brutes qui sont
l’ensemble des données de ventes, pour en extraire une base de données propre contenant
l’ensemble des séries temporelles représentant chacune les ventes mensuelles pour une
référence de produit. La deuxième étape est de sélectionner le type de modèle le plus adéquat
79
pour chaque série selon sa nature et selon le besoin de l’utilisateur, à savoir prédire le long ou
le court terme.
Le diagramme de la figure 20 présente notre approche de choix de modèle de prédiction pour

chaque produit du catalogue de l’entreprise elm.leblanc. Cette étape de sélection du type du
modèle est la plus importante dans ce processus de prédiction.
Figure 20 : Méthodologie de sélection des structures de modèles pour chaque série temporelle
Pour chaque série temporelle, la première phase consiste à séparer les données disponibles
en base d’entrainement et base de test. Dans le catalogue de produits, nous disposons des
produits récents ayant un nombre limité d’observations (quelques mois) ainsi que d’autres
produits ayant plus de deux années d’historique. Pour les produits récents, nous allons
entrainer uniquement des modèles non saisonniers. En effet, la saisonnalité telle que nous
pourrions la définir pour les ventes de ce type de produits serait annuelle, et pour pouvoir
capter la saisonnalité dans la série, il nous faudrait au minimum deux réalisations de la période
complète (deux ans). Pour les produits les plus anciens, nous allons exploiter des modèles
saisonniers et non saisonniers pour modéliser le comportement de vente des produits. Il est
nécessaire de vérifier que, pour les modèles saisonniers, nous avons au moins un nombre
d’observations strictement supérieur au nombre de leurs hyper-paramètres (Hyndman &
Kostenko, 2007).
Pour chaque produit, nous allons entrainer les modèles sur la base de données
d’entrainement et évaluer leurs performances sur la base de test dans le but de choisir le
meilleur modèle qui correspond à chaque produit. D’abord, nous allons comparer des
80
modèles ayant la même structure pour identifier la meilleure en termes de performance et
ensuite, comparer la meilleure structure de chaque type de modèle afin de sélectionner le
plus performant pour chaque produit.
Pour le modèle ARIMA (paragraphe I.4.1), les paramètres « p » et « q » peuvent varier de 0 à

5 et le terme de différenciation « d » peut prendre les valeurs 0, 1 ou 2. Nous effectuons
d’abord un entraînement de différentes structures en faisant varier les paramètres dans leurs
intervalles selon l’algorithme Step-Wise présenté dans (Hyndman & Khandakar, 2008) et
ensuite, identifier le modèle ayant l’AIC (« Akaike Information Criterion ») le plus faible. Pour
le modèle SARIMA, les paramètres « p », « P », « q » et « Q » peuvent varier entre 0 et 5, les
termes de différenciation « d » et « D » peuvent prendre les valeurs 0, 1 ou 2, et le paramètre
de saisonnalité aura pour valeur m = 12. Le choix du meilleur modèle est effectué selon la
même procédure que pour le modèle ARIMA. Pour les modèles de lissage exponentiel (LE),
nous comparons plusieurs structures également en faisant varier la nature des composantes.
Un modèle LE peut avoir une tendance additive qui peut être amortie ou non amortie, ou sans
composante de tendance, et une saisonnalité qui peut être additive, multiplicative ou sans
composante saisonnière. L’estimation des hyperparamètres de chaque structure est réalisée
en maximisant la vraisemblance du modèle comme mentionné dans l’état de l’art. Nous
choisissons ensuite la structure ayant les meilleures performances lors de l’évaluation. Pour
le modèle Prophet, les hyperparamètres sont estimés par la méthode d’optimisation L-BFGS
(« Limited-memory Broyden-Fletcher-Goldfarb-Shanno »).
Ensuite, pour la seconde étape, les meilleures structures de chaque type de modèle sont
évaluées entre elles pour choisir celle qui performe le mieux. L’étape de test consiste à mettre
en compétition ces modèles entraînés sur la base des données de test pour choisir la meilleure
structure (𝑊𝑖𝑛𝑚𝑜𝑑𝑒𝑙 ) en minimisant l’erreur de test calculée pour chaque série (𝜀𝑡𝑒𝑠𝑡 ) selon
l’équation suivante :
𝑊𝑖𝑛 𝑚𝑜𝑑𝑒𝑙 = 𝑎𝑟𝑔𝑚𝑖𝑛𝑘 (𝜀𝑡𝑒𝑠𝑡 𝑘 )
Où 𝑘 est le nombre de tests réalisés et 𝜀𝑡𝑒𝑠𝑡 la mesure d’erreur utilisée pour chaque modèle.
Le critère de compétition (i.e. la mesure d’erreur) et la technique utilisée pour l’apprentissage

et le test des modèles seront expliqués au paragraphe II.5.
81
Ensuite, une fois que le meilleur modèle a été sélectionné pour chaque produit, nous allons
réentraîner ce modèle sur l’ensemble des données (y compris les données utilisées en base
de test lors de la compétition des modèles) dans le but d’affiner ses hyper paramètres afin
d’avoir une meilleure modélisation du produit. Finalement, les prévisions sont calculées et
renvoyées à l’utilisateur selon l’horizon demandé. Pour faire des prédictions à différents
horizons, nous avons employé une stratégie récursive de prédiction.
Dans le paragraphe suivant, nous détaillons les structures de modèles employés dans notre
approche ainsi que les critères de choix de ces techniques.
II.4. Modèles utilisés versus caractéristiques de la série temporelle

Nous allons présenter dans ce paragraphe les modèles retenus pour notre méthodologie ainsi
que les hypothèses considérées permettant de modéliser les séries chronologiques
correspondant aux signaux de vente.
Comme nous l’avons évoqué dans le chapitre précédent, la problématique de prévision des
ventes peut se rapporter à des travaux sur les séries temporelles. Dans ce cadre, plusieurs
modèles ont été développés dans la littérature afin de modéliser et prédire ces séries. Nous
présentons ci-après les modèles qui ont été étudiés et utilisés dans nos travaux.
Le choix des modèles à utiliser dans notre méthodologie repose sur plusieurs critères liés à la
nature des produits du catalogue d’elm.leblanc, à leurs ventes et aux caractéristiques des
modèles. Pour pouvoir couvrir les comportements de vente de toutes les références du
catalogue, nous avons considéré les spécificités de ces derniers. Nous disposons ainsi de
produits vendus régulièrement sur toute l’année sans motif répétitif précis et qui ont un
historique suffisant (supérieur à deux ans), des produits avec une forte saisonnalité annuelle
surtout durant la saison hivernale, des produits dont les ventes sont impactées par des
évènements occasionnels comme les jours de fermeture de l’usine, ou encore des produits
récemment lancés avec moins de 2 ans d’historique de vente. Dans le tableau 2, nous
présentons les modèles choisis pour effectuer la prédiction des ventes permettant de prendre
en compte les différents comportements.
82
Besoins Ventes avec Ventes des Ventes Ventes sans
forte produits récents évènementielles motif répétitif
Modèles saisonnalité
ARIMA X X
Prophet X X
SARIMA X
LE Simple X X
LE Double X X
LE Triple X
Tableau 2 : Critère de choix des modèles possibles
Pour les produits avec un historique supérieur à deux ans n’ayant pas de motif répétitif clair
et qui sont vendus régulièrement sur toute l’année, les modèles ARIMA et Lissage Exponentiel
(LE) Simple et Double peuvent être utilisés. Le choix dépendra davantage du comportement
de chaque produit, s’il représente une tendance croissante ou décroissante, ou encore une
particularité spécifique durant une période de temps. Pour les produits ayant une forte
saisonnalité, les modèles Prophet, SARIMA et le Lissage Exponentiel Triple sont les plus
appropriés. Pour les produits récents (ayant moins de deux ans d’historique), les modèles
ARIMA et Lissage Exponentiel Simple et Double permettent de mieux représenter ce type de
série temporelle. Pour les ventes influencées par des évènements spécifiques, Prophet est
plus adéquat grâce à sa composante permettant de capturer cet aspect.
Comme (Hyndman & Kostenko, 2007) l'expliquent dans leur article, l'utilisation de modèles
saisonniers nécessite un nombre minimum d'observations sur les données puisqu'elles
doivent être au moins supérieures au nombre de paramètres du modèle à estimer. Ils
soulignent que l'utilisation de la méthode Holt-Winters (LE Triple), par exemple, nécessite au
moins 17 observations pour les données mensuelles, et pour un modèle SARIMA
(0,1,1)(0,1,1)12 au moins 16 observations. De plus, comme pour les séries temporelles
présentant plusieurs variations, les modèles saisonniers nécessitent également davantage de
données pour bien capturer leurs comportements. En se basant sur cet aspect, nos données
de vente peuvent être séparées en deux groupes : séries chronologiques courtes avec moins
de deux ans d’observations à prévoir avec des modèles non saisonniers et séries
chronologiques longues avec plus de deux ans d’observations pouvant être représentées par
83
les modèles saisonniers. Comme mentionné dans (Hyndman, R.J. Athanasopoulos, 2019), les
méthodes de lissage exponentiel avec tendances multiplicatives produisent plus souvent des
prévisions de mauvaise qualité, nous avons ainsi décidé de les écarter.
Nous n’avons également pas considéré les modèles ARIMA(0,0,0) et ARIMA(0,1,0) puisque le
premier correspond à une valeur au hasard et le deuxième correspond à un processus de
marche aléatoire, donc ces deux modèles ne seront pas intéressants. De même pour les
modèles SARIMA(0,0,0)(0,0,0), SARIMA(0,1,0)(0,0,0) et SARIMA(0,0,0)(0,1,0) qui ne seront pas
intéressants pour la modélisation des ventes des produits.
II.4.1. Le modèle ARIMA

ARIMA (AutoRegressive Integrated Moving Average) est un modèle de prévision linéaire
largement utilisé dans la littérature pour la prédiction des séries temporelles univariées. Ce
modèle est principalement utilisé pour les séries temporelles généralement stationnaires c. à.
d. séries chronologiques avec des propriétés statistiques indépendantes du temps, telles que
la moyenne et la variance. Il s'agit d'une combinaison des modèles autorégressifs
(AutoRegressive ou AR) de paramètre 𝑝, et de moyenne mobile (Moving Average ou MA) de
paramètre 𝑞, avec un terme de différenciation (𝐼) de paramètre 𝑑 utilisé pour surmonter la
non-stationnarité de certaines séries temporelles.
D’une façon générale, il est possible de modéliser les ventes 𝑣𝑡,𝑖 d’un produit 𝑖 au mois 𝑡 à
travers ARIMA(𝑝, 𝑑, 𝑞) pour différentes valeurs de différenciation 𝑑 en intégrant un opérateur
de retard 𝐵 défini comme 𝑩𝒗𝒕,𝒊 = 𝒗𝒕−𝟏,𝒊 selon l’équation suivante :
(1 − 𝜑1 𝐵 − ⋯ − 𝜑𝑝 𝐵𝑝 )(1 − 𝐵)𝑑 𝑣𝑡,𝑖 = 𝑐 + (1 + 𝜃1 𝐵 + ⋯ + 𝜃𝑞 𝐵 𝑞 )𝜀𝑡,𝑖
Où 𝜀𝑡,𝑖 est une variable d’erreur au mois 𝑡 du produit 𝑖 indépendante et identiquement

distribuée avec une moyenne nulle et une variance constante, et 𝜑𝑝 et 𝜃𝑞 sont respectivement
les coefficients d'auto-régression et de moyenne mobile du modèle.
La phase la plus importante du processus de prévision à l'aide du modèle ARIMA consiste à

identifier les meilleurs paramètres permettant de bien modéliser les données et de fournir
des prévisions précises. Dans la littérature, différentes méthodes sont proposées pour trouver
ces paramètres. La technique la plus courante est de suivre la méthodologie Box-Jenkins. Elle
84
repose sur une approche itérative d'identification d'un modèle, d'estimation de ses
paramètres et de vérification diagnostique pour déterminer le meilleur modèle.
Le choix des paramètres des modèles ARIMA est généralement basé sur les graphes de l’ACF
(« AutoCorrelation Function » ou fonction d'autocorrélation) et la PACF (« Partial
AutoCorrelation Function » ou fonction d'autocorrélation partielle) ou le calcul de l’AIC
(« Akaike Information Criterion ») / BIC (« Bayesian Information Criterion »). Une autre
méthode consiste simplement à essayer toutes les valeurs possibles des paramètres via « Grid
Search », puis à les comparer par une métrique comme l’AIC. Une méthode plus intéressante
et automatisée est l'algorithme Step-Wise de Hyndman-Khandakar décrit dans (Robin
Hyndman et al., 2008). Il s'agit d'un processus automatisé d'identification du meilleur ordre
en combinant des tests de racine unitaire, la minimisation de l'AICc (AIC corrigée) et de la MLE
(Maximum Likelihood Estimation).
II.4.2. ARIMA Saisonnier : SARIMA

Il s'agit d'une extension du modèle ARIMA qui permet la modélisation et la prévision des
aspects saisonniers. Nous employons ce modèle dans notre méthodologie pour prédire les
ventes des produits représentant des motifs saisonniers. En plus des ordres ARIMA(𝑝, 𝑑, 𝑞), ce
modèle est caractérisé par des ordres supplémentaires (𝑃, 𝐷, 𝑄)𝑚 représentant la partie
saisonnière du modèle.
Les ventes 𝑣𝑡,𝑖 d’un produit 𝑖 sur le mois 𝑡 sont modélisées à travers SARIMA selon l'équation
suivante :
Φ𝑃 (𝐵𝑚 ) 𝜑𝑝 (𝐵)(1 − 𝐵)𝑑 (1 − 𝐵 𝑚 )𝐷 𝑣𝑡,𝑖 = Θ𝑄 (𝐵 𝑚 ) 𝜃𝑞 (𝐿)𝜀𝑡,𝑖
Les paramètres supplémentaires sont Φ d'ordre 𝑃 et Θ d'ordre 𝑄 représentant

respectivement les coefficients d'auto-régression saisonnière et de moyenne mobile
saisonnière du modèle. B étant l’opérateur de rétrogradation défini auparavant, 𝜀𝑡,𝑖 est
l’erreur au mois 𝑡 du produit 𝑖, et 𝑚 le nombre de périodes dans une saison.
Malgré le fait qu’il y ait plus de combinaisons possibles et de paramètres à rechercher les
meilleurs paramètres pour SARIMA peuvent être choisis par les mêmes méthodes que celles
présentées précédemment pour ARIMA.
85
II.4.3. Le lissage exponentiel
Le lissage exponentiel est une famille de modèles classiques de prévision de séries temporelles
largement utilisée dans l'industrie. Ces modèles comprennent différents variants qui se
distinguent par la nature de leurs composantes. Ils se caractérisent par plusieurs paramètres
comme présentés dans le tableau 3.
COMPOSANTE SAISONNIERE
Sans Additive Multiplicative
COMPOSANTE DE
TENDANCE
Sans 𝛼 𝛼, 𝛾 𝛼, 𝛾
Additive 𝛼, 𝛽 𝛼, 𝛽, 𝛾 𝛼, 𝛽, 𝛾
Additive 𝛼, 𝛽, 𝜙 𝛼, 𝛽, 𝜙, 𝛾 𝛼, 𝛽, 𝜙, 𝛾
Amortie
Tableau 3 : Paramètres des modèles de lissage exponentiel
Le lissage exponentiel simple, c’est-à-dire sans tendance ni saisonnalité, consiste à calculer

des valeurs futures basées sur des moyennes pondérées des valeurs passées avec une
décroissance exponentielle des poids. Il est caractérisé par le paramètre 𝛼 représentant un
taux d'apprentissage c'est-à-dire l'importance qui sera donnée à la dernière observation. Il est
utilisé pour prédire le niveau (« level »), c'est-à-dire la valeur moyenne de la série.
Le lissage exponentiel double permet la modélisation de la tendance avec un deuxième

paramètre 𝛽 et de donner plus ou moins d'importance aux dernières observations comme le
paramètre α pour le niveau. La tendance estimée peut-être constante ou avec un changement
de monotonie en introduisant un paramètre d'amortissement 𝜙. En effet, ce paramètre force
la tendance à converger vers une valeur constante dans le futur à long terme.
Le triple lissage exponentiel ajoute une troisième composante permettant de capturer les
effets saisonniers. Comme pour les autres composantes, l'effet saisonnier est déterminé par
une méthode de pondération exponentielle avec un taux d'apprentissage 𝛾. Les composantes
de la tendance et de la saisonnalité peuvent être de nature additive ou multiplicative selon le
comportement présent dans la série à modéliser. Dans le tableau 3 ci-dessus, nous avons
présenté les paramètres associés aux modèles utilisés dans notre méthodologie.
Nous employons, dans notre méthodologie, plusieurs variétés de cette famille de modèles
pour représenter les comportements de ventes des produits ayant différentes natures. Nous
86
présentons ci-dessous un exemple de modèle additif avec une tendance et une saisonnalité
pour illustrer les composantes d’un tel modèle et les paramètres à estimer lors de la
modélisation. Ce modèle est connu sous le nom : la méthode additive de Holt-Winters.
Nous désignons par 𝑣𝑡,𝑖 les ventes d’un produit 𝑖 au mois 𝑡, et 𝑣̂𝑡+ℎ,𝑖 les prédictions
recherchées pour le produit 𝑖 pour un horizon (𝑡 + ℎ) avec ℎ le nombre de mois à prédire.
𝑣̂𝑡+ℎ,𝑖 = 𝑙𝑡,𝑖 + ℎ𝑏𝑡,𝑖 + 𝑠𝑡+ℎ−𝑚(𝑘+1),𝑖
Avec 𝑙𝑡,𝑖 : la composante du niveau (« level ») de la série 𝑖 au mois 𝑡
𝑏𝑡,𝑖 : la composante de la tendance de la série 𝑖 au mois 𝑡
𝑠𝑡+ℎ−𝑚(𝑘+1),𝑖 : la composante de la saisonnalité de la série 𝑖
ℎ : le nombre des mois prédire
𝑚 : le nombre des mois dans la saison (m=12 pour notre cas)
𝑘 : la partie entière du quotient (ℎ − 1)⁄𝑚
Les équations pour calculer les différentes composantes sont explicitées ci-dessous :
𝑙𝑡,𝑖 = 𝛼(𝑣𝑡,𝑖 − 𝑠𝑡−𝑚,𝑖 ) + (1 − 𝛼)(𝑙𝑡−1,𝑖 + 𝑏𝑡−1,𝑖 )
𝑏𝑡,𝑖 = 𝛽(𝑙𝑡,𝑖 − 𝑙𝑡−1,𝑖 ) + (1 − 𝛽)𝑏𝑡−1,𝑖
𝑠𝑡,𝑖 = 𝛾(𝑣𝑡,𝑖 − 𝑙𝑡−1,𝑖 − 𝑏𝑡−1 ) + (1 − 𝛾)𝑠𝑡−𝑚,𝑖
L'estimation des meilleurs paramètres (𝛼, 𝛽, 𝜙, 𝛾) peut se faire manuellement en essayant

différentes valeurs possibles et en choisissant les meilleures, ou automatiquement via un outil
d'optimisation (Hyndman, R.J. Athanasopoulos, 2019). La sélection du meilleur modèle peut
se faire en prenant le modèle ayant le minimum d’erreur ou à travers la maximisation de la
vraisemblance (le meilleur modèle aura la plus large vraisemblance).
II.4.4. Le modèle Prophet

Dans notre approche, nous avons également employé un modèle de prévision des séries
temporelles basé sur les modèles additifs généralisés appelé « Prophet » qui est développé
par l’équipe de recherche de Facebook. Il propose une structure additive intéressante du fait
de son interprétabilité, sa flexibilité et son automatisation. Les développeurs de ce modèle
87
adoptent une approche « analyst-in-the-loop » permettant à l’analyste d’intervenir et de
modifier les paramètres du modèle en cas de besoin.
Prophet possède trois composantes : tendance, saisonnalité et évènements. Pour un signal de

ventes 𝑣𝑡,𝑖 du produit 𝑖 au mois 𝑡, on peut le modéliser comme suit :
𝑣𝑡,𝑖 = 𝑔𝑡,𝑖 + 𝑠𝑡,𝑖 + ℎ𝑡,𝑖 + 𝜀𝑡,𝑖
Où 𝑔𝑡,𝑖 la composante de la tendance, 𝑠𝑡,𝑖 la composante de saisonnalité, ℎ𝑡,𝑖 la composante

des évènements liés au produit 𝑖, et 𝜀𝑡,𝑖 l’erreur de calcul.
L’aspect linéaire ou non-linéaire de la tendance 𝑔𝑡,𝑖 peut-être représenté par deux types de
modèles. Un modèle non-linéaire de croissance logistique par morceaux (« Piecewise logistic
growth model ») utilisé lorsque l’analyste sait que la tendance atteindra un maximum à un
moment donné. Le deuxième type représente une tendance linéaire par le biais d'un modèle
linéaire par morceaux « Piecewise linear model » qui permet de prendre en considération une
tendance avec plusieurs taux de croissance constants.
Une caractéristique intéressante de la modélisation de la tendance est l'aspect « points de

changement » où l'utilisateur peut spécifier des dates spécifiques où la tendance peut changer
en fonction de ses connaissances sur la série étudiée. Cela inclut notamment les promotions
lors des ventes de certains produits spécifiques ou lorsqu’il y a une campagne publicitaire pour
augmenter les ventes.
La composante de saisonnalité 𝑠𝑡,𝑖 est modélisée par une série de Fourier standard qui peut
gérer la saisonnalité annuelle, mensuelle et hebdomadaire. Le modèle Prophet peut gérer
l’aspect additif ou multiplicatif de la saisonnalité de la série temporelle.
La troisième composante ℎ𝑡,𝑖 de Prophet représente la modélisation des vacances et des

événements spéciaux. L'utilisateur insère les dates passées et futures directement et pour
chaque date, associe un paramètre afin de le prendre en compte avec plus ou moins
d’importance lors des prévisions. Cette composante est intéressante lors de la prévision des
ventes permettant d’insérer les jours fériés et les jours de fermeture annuelle de l’usine et
des services commerciaux.
Dans notre cas d’étude, nous exploitant le modèle Prophet avec une tendance linéaire pour
les différents produits. La composante saisonnière est estimée pour chaque produit en
88
prenant en considération sa saisonnalité annuelle. Nous n’exploitant pas la composante des
vacances et évènements spéciaux vu que les dates de la fermeture de l’usine sont reflétées
dans la baisse saisonnière des ventes durant cette période de chaque année, et les dates des
promotions sont plutôt spécifiques à chaque produit, et par la suite doivent être introduites
séparément pour chacun.
II.5. Processus d’apprentissage et critère de compétition

Comme présenté ci-dessus, le choix de modèle adéquat pour chaque série temporelle passe
par une phase d’entraînement et de mise en compétition des modèles. Dans la littérature, on
trouve plusieurs possibilités (dépendant fortement de la quantité de données disponibles)
mais généralement, on a un partage de 75% des données pour l’entraînement et 25% pour le
test. Dans notre cas d’étude, vue la quantité faible de données à disposition, les données sont
divisées en ensembles d'entraînement de 90% et de test de 10%. Ceci est justifié également
par les expérimentations qui ont été conduites.
Pour le catalogue de produits de l’entreprise elm.leblanc, nous avons effectué l’étape

d’apprentissage de chaque produit sur 90 % des données et la phase de test et de comparaison
des modèles sur les 10 % restant. Le choix du modèle gagnant est effectué dans la phase de
mise en compétition des modèles sur les données de test. La mesure d’erreur employée est
la racine de l'erreur quadratique moyenne (RMSE) définie comme :
𝑛
1
𝑅𝑀𝑆𝐸 = √ ∑(𝑣𝑖 − 𝑣̂𝑖 )2
𝑛
𝑖=1
Avec 𝑣𝑖 les valeurs observées, 𝑣̂𝑖 les valeurs prédites et 𝑛 le nombre de prédictions.
Le choix du meilleur type de modèle pour chaque série se fait en deux phases. La première
consiste à choisir le meilleur modèle correspondant à chaque structure utilisée, et la deuxième
consiste à mettre en compétition ces modèles choisis entre eux en calculant l’erreur réalisée
sur les données de test, dans le but de déterminer le modèle le plus adéquat à chaque produit.
L’entraînement des modèles se fait selon la stratégie récursive présentée dans le paragraphe
II.1.
Une fois le modèle pour chaque série choisie, nous le réentraînons sur l’ensemble de ses
données historiques afin de mettre à jour ses paramètres en ajoutant les données utilisées
89
durant la phase de test dans la base d’entraînement, et nous calculons ensuite les prédictions
selon l’horizon demandé. Pour calculer les prédictions pour plusieurs horizons, la valeur
prédite par le modèle sera utilisée pour calculer le point suivant en utilisant le même modèle
déjà entraîné (principe de récursivité).
III. Expérimentations et validation de la méthodologie

L’évaluation et la validation de notre approche ont été réalisées au sein de l’entreprise
elm.leblanc spécialisée dans la fabrication des systèmes de chauffage résidentiels et
industriels, sur des données réelles de ventes de plusieurs produits. À travers l’amélioration
de ses prévisions de ventes, l’entreprise vise à réduire les coûts de stockage, améliorer la
planification de la production et optimiser les performances globales de sa Supply Chain.
III.1. Expérimentations réalisées

Pour réaliser les différentes expérimentations, nous avons utilisé l’historique des données de
ventes représentées par des séries chronologiques de plusieurs types de produits entre janvier
2015 et janvier 2021 inclus. L’évaluation est effectuée en calculant l’écart (erreur absolue)
entre les prédictions des modèles et les valeurs réelles. Pour des raisons de confidentialité des
données, nous avons « anonymisé » les produits étudiés.
Nous avons mené ces expérimentations sur l’horizon court (H1) et sur l’horizon moyen / long
(H3). Pour ces expérimentations, nous avons utilisé plusieurs produits appartenant à
différentes familles et ayant divers comportements de vente afin de discuter autour de la
performance de notre méthodologie face à différentes situations. Nous avons comparé les
résultats de chaque expérience avec les prévisions faites manuellement selon la méthodologie
utilisée dans l’entreprise. Nous avons réalisé ces expérimentations sur les mois d’octobre,
novembre et décembre de l’année 2018 et sur les mêmes mois de l’année 2019.
Pour comparer notre approche avec la méthode de prévision manuelle, nous avons retenu
comme indicateur l’erreur moyenne absolue (MAE) sur l’ensemble des produits, calculé
comme suit :
1
𝑀𝐴𝐸 = ∑𝑛𝑖=1|𝑣̂𝑖 − 𝑣𝑖 |
𝑛
Où 𝑣̂𝑖 est la prévision des ventes du produit 𝑖, 𝑣𝑖 est la vente réelle du produit 𝑖 et 𝑛 le nombre
des produits pris en considération.
90
III.1.1. Données de l’année 2018
Dans ce paragraphe, nous allons évaluer la mise en application de notre méthodologie sur le
dernier trimestre de l’année 2018. Durant ces expérimentations, nous avons travaillé sur les
300 références de produits les plus vendues dans l’entreprise représentant ainsi la plus grande
partie du chiffre d’affaires. Ces expérimentations correspondent au calcul des prévisions des
ventes pour différents horizons à travers la méthodologie proposée et la comparaison des
résultats avec la méthode appliquée dans l’entreprise. Nous allons présenter les résultats pour
l’horizon H1 du dernier trimestre de l’année 2018, c’est-à-dire les prédictions à une seule
étape des mois d’octobre, novembre et décembre, et pour l’horizon H3 qui correspondent aux
prédictions faites au mois d’octobre sur 3 mois. En adéquation avec notre méthodologie, les
modèles peuvent varier d’un produit à l’autre et pour le même produit à l’acquisition de
nouvelles données de ventes.
Dans l’histogramme de la figure 21, nous présentons quelques exemples des 20 produits les
plus vendus avec les quantités prédites par notre approche, par rapport aux quantités prédites
manuellement et les ventes réelles pour le dernier trimestre de 2018 et pour un horizon H3.
10000
9000
8000
7000
6000
Quantité
5000
4000
3000
2000
1000
0
X4 X5 X6 X7 X8 X9 X10 X11 X12 X14 X15 X17 X18 X20 X30 X33 X35 X43 X44 X45
Produits
Prévisions Automatiques Prévisions Manuelles Ventes
ventes réelles des exemples de produits pour l’horizon H3 de 2018
Dans ce graphique, une barre représente la somme des quantités prédites ou vendues sur les
3 mois pour lesquelles la prédiction a été faite. Comme nous pouvons le constater, pour
plusieurs produits, notre approche donne des prévisions plus proches des quantités réelles
91
des ventes que les prévisions effectuées manuellement par l’entreprise, en particulier pour
les produits avec des quantités importantes (sauf X8 et X11). Cependant, pour certains
produits, notre méthodologie était moins précise, ce qui est peut-être expliqué par
l’introduction des promotions sur ces produits ou encore car ils sont récemment lancés et
donc avec des séries chronologiques courtes tel est le cas du produit X8.
Dans le tableau 4, nous présentons les erreurs absolues entre les ventes réalisées et les
prévisions de notre approche, notées erreurs automatiques, ou les ventes réalisées et les
prévisions manuelles faites selon l’expertise elm.leblanc, notées erreurs manuelles, pour les
horizons H1 et H3 de 2018 pour plusieurs produits en vente. Nous présentons également, dans
la colonne des pourcentages par rapport au total, le pourcentage d’erreur que représente
chaque produit par rapport au total des erreurs de l’ensemble des produits dans le tableau.
Dans la dernière ligne, nous présentons l’erreur moyenne absolue (MAE) sur toutes les
références pour les deux horizons également.
Prod H3 H1
uit Erreur % par Erreur % par Erreur % par Erreur % par
Manuel rapport au Automati rapport au Manuel rapport au Automati rapport au
le total que total le total que total
X1 366 1,65% 158 0,97% 366 1,58% 153 0,93%
X2 42 0,19% 73 0,45% 42 0,18% 75 0,46%
X3 121 0,55% 118 0,72% 121 0,52% 143 0,87%
X4 2280 10,28% 1384 8,49% 2260 9,76% 1935 11,74%
X5 826 3,72% 341 2,09% 831 3,59% 318 1,93%
X6 472 2,13% 311 1,91% 467 2,02% 520 3,16%
X7 979 4,41% 1515 9,29% 979 4,23% 1426 8,65%
X8 341 1,54% 1096 6,72% 581 2,51% 955 5,80%
X9 1878 8,46% 572 3,51% 1638 7,07% 542 3,29%
X10 119 0,54% 329 2,02% 359 1,55% 410 2,49%
X11 1018 4,59% 1803 11,06% 1018 4,40% 999 6,06%
X12 1494 6,73% 992 6,09% 1494 6,45% 1377 8,36%
X13 321 1,45% 191 1,17% 321 1,39% 276 1,68%
X14 504 2,27% 439 2,69% 1066 4,60% 459 2,79%
X15 380 1,71% 102 0,63% 550 2,38% 143 0,87%
X16 207 0,93% 172 1,06% 159 0,69% 174 1,06%
X17 869 3,92% 288 1,77% 869 3,75% 268 1,63%
92
X18 317 1,43% 848 5,20% 334 1,44% 597 3,62%
X19 21 0,09% 38 0,23% 21 0,09% 38 0,23%
X20 145 0,65% 118 0,72% 145 0,63% 156 0,95%
X21 291 1,31% 102 0,63% 201 0,87% 107 0,65%
X22 92 0,41% 106 0,65% 83 0,36% 113 0,69%
X23 210 0,95% 70 0,43% 165 0,71% 59 0,36%
X24 194 0,87% 98 0,60% 199 0,86% 127 0,77%
X25 120 0,54% 135 0,83% 120 0,52% 148 0,90%
X26 136 0,61% 137 0,84% 136 0,59% 61 0,37%
X27 128 0,58% 72 0,44% 128 0,55% 91 0,55%
X28 121 0,55% 135 0,83% 121 0,52% 99 0,60%
X29 97 0,44% 141 0,86% 97 0,42% 123 0,75%
X30 323 1,46% 160 0,98% 388 1,68% 266 1,61%
X31 191 0,86% 114 0,70% 191 0,82% 123 0,75%
X32 92 0,41% 89 0,55% 92 0,40% 117 0,71%
X33 245 1,10% 217 1,33% 245 1,06% 252 1,53%
X34 272 1,23% 150 0,92% 272 1,17% 106 0,64%
X35 210 0,95% 113 0,69% 210 0,91% 135 0,82%
X36 38 0,17% 89 0,55% 38 0,16% 67 0,41%
X37 151 0,68% 76 0,47% 191 0,82% 122 0,74%
X38 149 0,67% 185 1,13% 149 0,64% 119 0,72%
X39 113 0,51% 169 1,04% 113 0,49% 100 0,61%
X40 183 0,82% 135 0,83% 157 0,68% 152 0,92%
X41 203 0,91% 106 0,65% 203 0,88% 167 1,01%
X42 166 0,75% 220 1,35% 266 1,15% 265 1,61%
X43 183 0,82% 154 0,94% 188 0,81% 104 0,63%
X44 530 2,39% 209 1,28% 530 2,29% 374 2,27%
X45 5051 22,76% 2231 13,69% 5051 21,81% 2116 12,84%
MAE 493,09 100% 362,24 100% 514,56 100% 366,16 100%
méthode employée (manuelle ou automatique)
D’après le tableau 4, nous constatons que, pour plusieurs produits, notre approche donne de
meilleurs résultats (erreur plus faible) que la méthode manuelle pour les horizons H1 et H3.
C’est notamment le cas pour le moyen terme (H3) où nous remarquons une nette
amélioration pour les produits X4, X5, X12, X45 qui sont considérés comme des « High
Runners » c’est-à-dire des produits toujours vendus avec des grandes quantités. Néanmoins,
93
pour le produit X8 par exemple, notre approche a donné des résultats moins satisfaisants que
la méthode manuelle sur cet horizon (H3) en étant moins optimiste sur les prédictions. Ceci
est expliqué par des augmentations brusques et importantes des demandes clients justifiées
par des chantiers ou des promotions. Le calcul des prévisions par les deux méthodes pour ce
produit (manuelle et automatique) était ainsi impacté par cette augmentation comme nous
pouvons le constater et a donc amené à des erreurs importantes selon les deux méthodes.
Pour des produits comme le X11 ou X18, notre approche était moins performante que
l’approche manuelle également, en prévoyant des quantités plus importantes que les ventes
réelles. C’est le cas aussi de la méthode manuelle où nous pouvons remarquer de grandes
erreurs mais avec moins d’importance que la méthode automatique. Cet aspect peut
s’expliquer par la rupture de stock de certains composants ou des défauts de qualité constatés
lors de la réception des matières premières rendant les produits moins disponibles à la vente.
Nous pouvons constater également sur le tableau que, pour certains produits comme le X9,
X15 ou le X17, les prévisions calculées par notre approche sont meilleures pour le moyen
terme H3 que pour le court terme H1. Pour d’autres produits comme le X1 ou le X7, le
phénomène inverse se produit pour les deux horizons. Cependant, au niveau de l’erreur
absolue moyenne (MAE) sur tous les produits, notre approche était légèrement plus précise
sur l’horizon H3 que sur l’horizon H1 avec une MAE respective de 362,24 et 366,16. La même
remarque peut être faite également pour la méthode manuelle ayant respectivement une
MAE de 493,09 pour H3 et 514,56 pour H1. La dégradation de la qualité des prévisions en
passant de H3 à H1 à la fois pour la méthode automatique et manuelle, peut être expliqué par
une rupture de stock des matières premières dans cette période, ce qui a impacté les ventes
et donc des retards de livraison des produits chez les clients, impliquant ainsi des erreurs de
prédiction plus importantes sur l’horizon H1.
Au niveau des performances globales, l’application de notre approche a permis un taux

d’amélioration intéressant du MAE d’environ 26 % pour le moyen terme H3 et d’environ 29 %
pour le court terme H1 par rapport à la méthode manuelle. Ce taux est calculé en faisant le
rapport entre le gain en MAE (la différence) et la valeur du MAE manuelle (initiale). Ces
améliorations touchent plusieurs produits dont les « High Runners » permettant ainsi d’avoir
des profits économiques significatifs pour l’entreprise. Cependant, notre approche était moins
bonne sur quelques produits qui présentaient parfois une énorme variabilité au fil des années
94
ou des courtes séries temporelles et donc très peu de données ou encore subissent des
facteurs externes tels que des promotions et des évènements spécifiques. Globalement, notre
méthodologie apporte une amélioration importante par rapport à la méthode manuelle sur
cette période étudiée.
Comme expliqué ci-dessus, notre méthodologie s’appuie sur différents modèles de prédiction
des séries temporelles associés à chacune des références du catalogue produit. Nous
présentons dans les tableaux suivants les résultats d’entraînement des modèles pour plusieurs
produits. Les valeurs correspondent aux mesures d’erreurs (RMSE) calculées lors de la phase
d’entraînement des modèles pour choisir la meilleure structure. Nous présentons également
le meilleur modèle choisi pour chaque produit et les paramètres associés à ce dernier.
Le tableau 5 montre les erreurs d’entraînement des modèles pour différents produits pour un
horizon H3 pour les prévisions du mois d’octobre 2018. Les valeurs marquées en vert
correspondent aux erreurs minimales identifiées lors de la phase de compétition dans la
méthodologie et donc la structure du modèle choisi pour chaque produit. Nous rappelons que
pour le lissage exponentiel, nous pouvons avoir une tendance additive amortie ou non amortie
et une saisonnalité de nature additive ou multiplicative. Un modèle de lissage exponentiel
peut avoir une composante de tendance seulement sans saisonnalité (LE Double), une
composante saisonnière sans tendance (LE Double) ou les deux composantes en même temps
(LE Triple).
Lissage
Produit ARIMA SARIMA Prophet Choix Paramètres
Exp (LE)
X1 16 48 36 18 LE Triple ['add', False, 'add']
X2 13 31 - 18 LE Triple ['add', False, 'add']
X3 38 - - 47 LE Double ['add', True, None]
X5 725 915 - 392 Prophet -
X6 70 44 - 144 ARIMA [1, 0, 0]
X7 342 382 - 307 Prophet -
X8 214 - 331 274 LE Double ['add', True, None]
X9 140 151 - 127 Prophet -
X10 60 282 282 132 LE Triple ['add', True, 'mul']
95
X12 243 305 - 181 Prophet -
X13 59 47 47 65 ARIMA [2, 0, 0]
X15 67 - 93 136 LE Double ['add', False, None]
X17 30 199 157 128 LE Double ['add', False, None]
X18 154 158 158 182 LE Double ['add', True, None]
X19 13 13 - 12 Prophet -
X20 27 - 32 36 LE Triple ['add', True, 'mul']
X21 16 25 - 20 LE Double [None, False, 'add']
X22 6 20 - 13 LE Triple ['add', True, 'add']
X23 36 31 30 29 Prophet -
X24 10 15 - 19 LE Double ['add', True, None]
X25 20 25 20 27 LE Double [None, False, 'mul']
X26 24 37 - 27 Prophet -
X27 22 36 24 39 LE Triple ['add', False, 'mul']
X30 50 34 - 152 ARIMA [1, 0, 0]
X32 26 24 24 31 ARIMA [1, 0, 0]
X33 101 - - 115 LE Double [None, False, 'add']
X34 26 - 55 56 LE Triple ['add', True, 'mul']
X37 24 - 30 29 LE Triple ['add', False, 'mul']
X38 23 - - 30 LE Double ['add', False, None]
X39 116 82 - 85 ARIMA [2, 0, 1]
X40 75 47 - 61 ARIMA [0, 0, 1]
X41 71 - - 53 Prophet -
X43 39 38 65 54 ARIMA [1, 1, 1]
96
X44 45 35 75 74 ARIMA [1, 0, 0]
Tableau 5 : Mesure d’erreur (RMSE) à l’entraînement pour un horizon H3 et choix du modèle par
produit pour les prévisions au mois d’octobre 2018
Pour les paramètres des modèles de lissage exponentiel, le premier élément correspond à la
tendance (additive, multiplicative ou sans composante), le deuxième à l’amortissement de la
tendance (amortie ou pas) et le troisième à la saisonnalité (additive, multiplicative ou sans
composante). Le tableau 6 présente également les erreurs d’entraînement des différents
modèles pour plusieurs produits pour un horizon H1 pour les prévisions du mois de décembre
2018.
Lissage
Exp (LE)
X1 25 - 33 45 LE Double ['add', False, None]
X2 17 - - 28 LE Triple ['add', False, 'mul']
X3 60 60 60 67 ARIMA [0, 1, 1]
X6 205 177 - 160 Prophet -
X7 461 560 - 499 LE Double ['add', False, None]
X8 364 - 419 345 Prophet -
X9 227 244 - 187 Prophet -
X10 64 - - 111 LE Double [None, False, 'mul']
X11 370 284 340 449 ARIMA [0, 0, 1]
X12 306 323 262 278 SARIMA [(0, 0, 0), (1, 0, 0, 12)]
X14 196 160 160 529 ARIMA [0, 1, 2]
X19 14 16 - 12 Prophet -
X21 23 50 - 29 LE Triple ['add', False, 'mul']
97
X22 32 38 - 6 Prophet -
X23 18 30 - 21 LE Triple ['add', False, 'mul']
X24 23 36 - 16 Prophet -
X25 24 37 28 29 LE Triple ['add', True, 'add']
X26 10 - 39 40 LE Double ['add', True, None]
X27 22 31 21 53 SARIMA [(0, 0, 1), (1, 0, 0, 12)]
X28 28 31 26 38 SARIMA [(0, 0, 0), (2, 1, 1, 12)]
X32 30 - 33 33 LE Double [None, False, 'mul']
X33 57 63 63 54 Prophet -
X34 18 - 27 50 LE Double [None, False, 'add']
X35 39 70 54 53 LE Double [None, False, 'add']
X36 20 16 16 22 ARIMA [3, 0, 2]
X37 27 - 41 22 Prophet -
X42 57 73 73 51 Prophet -
X43 57 78 63 51 Prophet -
produit pour les prévisions au mois de décembre 2018
Dans les deux tableaux 5 et 6, certains produits ont des valeurs manquantes. Cela peut être
dû au fait que la série temporelle soit trop courte pour entrainer un modèle comme SARIMA
par exemple, ou encore au fait que le modèle ne fait pas partie de l’ensemble des modèles
considérés (paragraphe II.4) lors de l’optimisation de ses paramètres, comme le modèle
ARIMA(0,0,0). Nous pouvons remarquer que l’usage des modèles est très varié selon la nature
du produit considéré, avec une dominance des modèles de lissage exponentiel grâce à la
variété des combinaisons possibles des modèles selon leurs composantes, ce qui donne une
98
meilleure adaptation aux produits. Nous remarquons également pour certains produits
comme le X5 ou le X17 au tableau 5 et le X4 ou le X11 au tableau 6, qu’il y a un modèle
largement meilleur que les autres en compétition, et donc ce produit a un comportement de
vente très spécifique et est bien modélisé par le modèle choisi. En revanche, pour d’autres
produits comme le X9, le X18 ou le X23 au tableau 5 et le X3, le X13 ou le X33 au tableau 6,
nous remarquons que, malgré la nature différente des modèles, les résultats de compétition
étaient très proches et parfois avec des écarts minimes. Ceci peut remettre en question le
choix d’un seul modèle par produit notamment lorsque les modèles sont de différentes
natures et donc ce choix peut impacter les prévisions surtout sur le moyen et long terme. Par
exemple, pour le produit X17 du tableau 6, le modèle ARIMA et le LE Tripple sont très proches
en termes de performances, bien qu’ils aient deux natures différentes (modèle saisonnier et
non saisonnier), alors que sur le moyen ou le long terme les résultats seront davantage
différents. Cet aspect peut pousser la réflexion à l’usage d’une combinaison de modèles au
lieu d’un seul pour exploiter les particularités de chaque modèle.
III.1.2. Données de l’année 2019

Pour s’assurer du bon fonctionnement de la méthodologie et sa validation, nous l’avons testée
également sur une autre période du temps. Nous avons réalisé des mêmes expérimentations
sur le dernier trimestre de l’année 2019 pour les 300 références de produits les plus vendues
représentants la majorité du chiffre d’affaires de l’entreprise et pour les horizons H1 et H3.
Les prévisions sont calculées à un horizon H3, c’est-à-dire en mois d’octobre sont calculées
pour les 3 prochains mois, et à un horizon H1, c’est-à-dire des prédictions à une seule étape à
chaque mois du trimestre. Pour chaque produit, nous avons employé notre procédure de
choix de modèle et donc le meilleur modèle est identifié pour chaque produit. Notant que
certains changements au niveau des produits sont introduits à travers le lancement des
nouveaux produits remplaçants des anciens et l’arrêt d’autres produits.
L’histogramme de la figure 22 montre les quantités prédites par notre approche, par rapport
aux quantités prédites manuellement et les ventes réelles pour le dernier trimestre de 2019
et pour un horizon H3, des 20 produits les plus vendus. Comparant avec les produits en 2018,
nous remarquons l’introduction des nouveaux produits dans cette liste des produits les plus
vendus, grâce à une augmentation importante dans leurs quantités de ventes sur l’année
99
2019, ou le fait qu’ils remplacent des anciens produits et donc récupèrent leurs parts de
marchés, ou encore un lancement des produits très demandés sur le marché.
5000
4500
4000
3500
3000
Quantité
2500
2000
1500
1000
500
0
X4 X5 X6 X7 X8 X9 X10 X11 X12 X14 X15 X17 X18 X20 X37 X43 X44 X45 X46 X47
Produits
Prévisions Automatiques Prévisions Manuelles Ventes
ventes réelles des exemples de produits pour l’horizon H3 de 2019
Comme l’année 2018, pour plusieurs produits, notre approche donne des prévisions plus
précises que les prévisions effectuées manuellement par l’entreprise, en particulier pour les
produits avec des quantités importantes comme le X4, X8 et X12. Cependant, pour certains
produits impactés par des promotions, notre méthodologie était moins réussie et les
prévisions étaient moins précises.
Dans le tableau 7, nous présentons les erreurs absolues entre les ventes réalisées et les
prévisions de notre approche, notée erreur automatique, et entre les ventes réalisées et les
prévisions manuelles faites selon l’expertise elm, notée erreur manuelle, pour les horizons H1
et H3 de 2019 pour plusieurs produits. Dans la dernière ligne, nous présentons l’erreur
moyenne absolue (MAE) sur toutes les références pour les deux horizons également.
H3 H1
Prod Erreur % par Erreur % par Erreur % par Erreur % par
uit Manuelle rapport Automat rapport Manuelle rapport Automatiq rapport au
au total ique au total au total ue total
X2 73 0,50% 44 0,50% 78 0,59% 43 0,46%
X3 69 0,47% 21 0,24% 65 0,49% 14 0,15%
100
X4 1380 9,39% 736 8,42% 1489 11,18% 989 10,49%
X5 157 1,07% 471 5,39% 172 1,29% 365 3,87%
X6 292 1,99% 364 4,17% 313 2,35% 361 3,83%
X7 342 2,33% 264 3,02% 371 2,79% 168 1,78%
X8 765 5,21% 187 2,14% 460 3,45% 428 4,54%
X9 209 1,42% 317 3,63% 261 1,96% 396 4,20%
X10 864 5,88% 457 5,23% 1104 8,29% 564 5,98%
X11 1371 9,33% 461 5,28% 1371 10,30% 415 4,40%
X12 2309 15,72% 998 11,42% 2367 17,78% 990 10,50%
X13 125 0,85% 219 2,51% 61 0,46% 214 2,27%
X14 477 3,25% 123 1,41% 195 1,46% 99 1,05%
X15 194 1,32% 142 1,63% 134 1,01% 140 1,49%
X16 240 1,63% 24 0,27% 101 0,76% 46 0,49%
X17 459 3,12% 230 2,63% 646 4,85% 342 3,63%
X18 206 1,40% 210 2,40% 176 1,32% 145 1,54%
X19 308 2,10% 43 0,49% 303 2,28% 46 0,49%
X20 238 1,62% 23 0,26% 239 1,79% 32 0,34%
X21 62 0,42% 34 0,39% 35 0,26% 40 0,42%
X22 68 0,46% 26 0,30% 42 0,32% 25 0,27%
X23 57 0,39% 34 0,39% 58 0,44% 38 0,40%
X24 30 0,20% 34 0,39% 35 0,26% 25 0,27%
X30 134 0,91% 89 1,02% 299 2,25% 207 2,20%
X37 127 0,86% 101 1,16% 83 0,62% 95 1,01%
X38 141 0,96% 26 0,30% 73 0,55% 26 0,28%
X39 7 0,05% 110 1,26% 7 0,05% 45 0,48%
X40 72 0,49% 105 1,20% 72 0,54% 107 1,14%
X41 143 0,97% 5 0,06% 103 0,77% 6 0,06%
X42 169 1,15% 448 5,13% 7 0,05% 153 1,62%
X43 143 0,97% 115 1,32% 157 1,18% 125 1,33%
X44 95 0,65% 131 1,50% 217 1,63% 191 2,03%
X45 1408 9,59% 477 5,46% 1168 8,77% 849 9,01%
X46 359 2,44% 346 3,96% 359 2,70% 380 4,03%
X47 1596 10,87% 1322 15,13% 694 5,21% 1316 13,96%
MAE 419,69 100% 249,63 100% 380,43 100% 269,29 100%
méthode employé (manuelle ou automatique)
101
D’après le tableau 7, pour plusieurs produits tels que le X4, le X12 et le X45 considérés comme
des « High Runners », notre approche présente des erreurs plus faibles que la méthode
manuelle pour les deux horizons H1 et H3. Ces gains en précision permettent à l’entreprise de
limiter ces pertes liées au surstockage ou à la rupture des stocks sur ces produits. Nous
pouvons également noter que pour quelques produits comme le X10 et le X17, la précision
des prévisions s’est dégradée à la fois par la méthode manuelle et automatique en passant de
l’horizon H3 à l’horizon H1. Ce phénomène s’explique par des ruptures en matières premières
ou par la mise en place d’une campagne de promotion impliquant une augmentation brusque
des ventes.
Pour d’autres produits comme le X47, la méthode manuelle a fourni des prévisions plus
précises à l’horizon H1 qu’à l’horizon H3, pour lequel la méthode automatique était plus
précise. Ceci est expliqué par une augmentation brusque et importante des demandes clients
justifiée par des marchés de chantiers qui ont été validé récemment et auxquels il faut envoyer
des quantités supplémentaires, donc ces quantités ont été prises en considération lors du
calcul des prévisions manuellement, et n’ont pas été considérées par le modèle choisi.
Néanmoins, pour les produits X5 et X9 par exemple, notre approche a donné des résultats
moins satisfaisants que la méthode manuelle sur les deux horizons H1 et H3. Des facteurs
externes comme la validation des marchés des chantiers ou des campagnes de promotion ou
publicitaires peuvent être à l’origine de ces résultats, sans que nous n’ayons la moindre
certitude.
Notons également que les réglementations gouvernementales instaurées peuvent être à

l’origine des baisses des ventes de certains produits en mettant des fin-vies, et donc l’arrêt
progressive de ces derniers. De telles informations ne peuvent pas être prises en considération
par les modèles, d’où leurs incapacités à fournir des meilleures prédictions que la méthode
manuelle dans ces cas.
Nous pouvons constater également sur le tableau 7, qu’au niveau de l’erreur absolue
moyenne (MAE) sur tous les produits, notre approche était plus précise sur l’horizon H3 que
sur l’horizon H1 avec une MAE respective de 249,63 et 269,29. Cependant avec la méthode
manuelle, les résultats étaient plus précis sur H1 que H3 ayant respectivement une MAE de
380,43 pour H1 et 419,69 pour H3. La légère dégradation de la qualité de prédiction de la
méthode automatique peut faire suite à une promotion réalisée sur cette période, qui pourra
102
être prise en considération dans la méthode manuelle, ce qui explique la non dégradation de
la qualité des prévisions en passant de H3 au H1 de cette dernière. Cependant, les erreurs
MAE se sont nettement réduites à travers l’approche automatique pour les deux horizons.
Au niveau des performances globales, l’application de notre approche a permis un taux

d’amélioration important du MAE d’environ 40 % pour le moyen terme H3 et d’environ 29 %
pour le court terme H1, par rapport à la méthode manuelle. Ce taux est calculé en faisant le
rapport entre le gain en MAE (la différence) et la valeur du MAE manuelle (initiale). Ces
améliorations touchent plusieurs produits dont les « High Runners » permettant ainsi d’avoir
des profits économiques significatifs pour l’entreprise. Il est à noter que, de manière logique,
notre approche était moins bonne sur quelques produits qui présentaient parfois une énorme
variabilité suite à des facteurs externes tels que des promotions ou la validation des marchés
des chantiers. Cependant, globalement, notre méthodologie apporte une amélioration
importante par rapport à la méthode manuelle.
Etant donné que notre méthodologie se base sur plusieurs modèles de prédiction associés à
chacune des références du catalogue produit, nous présentons dans les tableaux 8 et 9 les
résultats de la mise en compétition des modèles lors de la phase d’entraînement pour
différents produits. Les valeurs correspondent aux mesures d’erreurs (RMSE) calculées pour
chaque structure ainsi que le meilleur modèle choisi pour chaque produit et les paramètres
associés à ce dernier.
Le tableau 8 montre les erreurs d’entraînement des modèles pour différents produits pour un
horizon H3 pour les prévisions au mois d’octobre 2019. Les valeurs marquées en vert
méthodologie et donc la structure du modèle choisi pour chaque produit. Nous adoptons les
mêmes notations présentées pour les données de l’année 2018.
Lissage
Exp (LE)
X2 26 - - 38 LE Triple ['add', False, 'add']
103
X6 10 56 - 44 LE Triple ['add', True, 'mul']
X7 96 175 - 782 LE Double ['add', False, None]
X8 182 - - 349 LE Triple [None, False, 'mul']
X10 165 324 263 159 Prophet -
X12 283 522 280 223 Prophet -
X13 68 - - 73 LE Triple ['add', True, 'mul']
X14 148 137 137 382 ARIMA [0, 1, 3]
X17 61 169 98 55 Prophet -
X37 15 - 21 22 LE Triple ['add', False, 'add']
X40 41 39 39 15 Prophet -
X41 56 47 - 41 Prophet -
X44 38 45 35 57 SARIMA [(1, 0, 0), (0, 0, 1, 12)]
X47 242 359 273 211 Prophet -
produit pour les prévisions au mois d’octobre 2019
Comme présenté pour les données de l’année 2018, nous considérons la même notation pour
les paramètres des modèles de lissage exponentiel. Dans le tableau 9, nous présentons les
104
erreurs liées à la compétition des modèles pour les prévisions du mois de décembre 2019 à
l’horizon H1.
Lissage
Exp (LE)
X5 261 175 170 535 SARIMA [(1, 0, 1), (0, 0, 0, 12)]
X7 194 33 33 861 ARIMA [3, 0, 0]
X10 195 236 192 199 SARIMA [(0, 1, 2), (2, 0, 0, 12)]
X12 290 511 379 241 Prophet -
X14 146 139 139 325 ARIMA [0, 1, 3]
X17 84 103 72 97 SARIMA [(0, 0, 1), (2, 0, 0, 12)]
X37 24 - 19 32 SARIMA [(0, 0, 0), (1, 0, 0, 12)]
X40 29 34 34 23 Prophet -
X42 47 36 38 41 ARIMA [0, 1, 1]
105
X46 98 98 99 146 ARIMA [0, 1, 2]
X47 205 347 330 189 Prophet -
produit pour les prévisions au mois de décembre 2019
Pour les tableaux 8 et 9, nous remarquons une dominance des modèles de lissage exponentiel
due à leur variété comme nous l’avons constaté pour les données de l’année 2018. Nous
constatons également que, pour certains produits, l’un des modèles représente beaucoup
mieux les ventes d’un produit et engendre de grands écarts entre les modèles. C’est le cas des
produits X4 à l’horizon H3 (Tableau 8) et X11 à l’horizon H1 (Tableau 9). Pour d’autres produits
comme X39 à l’horizon H3 (Tableau 8) et X10 à l’horizon H1 (Tableau 9), les modèles
présentent des résultats très proches. Le premier constat justifie la stratégie du choix du
meilleur modèle pour les produits du catalogue de l’entreprise pour prédire les valeurs
futures, néanmoins, le deuxième constat amène la réflexion de pouvoir fusionner plusieurs
modèles pour acquérir des meilleures prévisions notamment au long et moyen terme.
Nous remarquons que, pour certains produits comme le X2 et X12, la même structure de
modèle a gagné la compétition pour l’horizon H3 (tableau 5 et tableau 8). Le même aspect est
constaté pour les produits X20 et X45 pour l’horizon H1 (tableau 6 et tableau 9). Ceci peut
s’expliquer par une stabilité dans le comportement de ventes de ces produits d’où le choix du
même modèle pour la prédiction. En revanche, pour la plupart des produits le modèle choisi
a changé pour s’adapter aux évolutions des produits en passant de 2018 à 2019 pour les deux
horizons. Ceci permet à notre méthodologie d’avoir un caractère évolutif permettant de
mieux modéliser les produits en ayant plus de données au fil du temps.
III.2. Analyses du choix des modèles par profil de produits

Dans le but de réaliser une analyse des modèles sélectionnés par profil de produits, nous
avons étudié les résultats d’application de notre méthodologie sur environ 300 produits les
plus vendus (y compris les produits de l’usine de Drancy) avec deux horizons de prédiction à
moyen terme (H3) et à court terme (H1) sur le dernier trimestre de 2019. Nous analysons ainsi
comment les produits sont regroupés par type de modèle afin de mieux comprendre et
catégoriser nos séries temporelles en fonction de type de ventes et de produits. Cette
106
identification peut conduire à créer des groupes de produits, étudier les similitudes
présentées dans ces séries chronologiques et obtenir une meilleure compréhension des
ventes de produits afin d'améliorer les prévisions.
III.2.1. Analyse pour un horizon à moyen terme (H3)

Pour la prévision au moyen terme (H3), le tableau 10 présente la répartition des produits
modélisés par chaque modèle.
Modèles Produits
Prophet 20 produits
ARIMA/SARIMA 59 produits
Lissage Exponentiel 219 produits
Tableau 10 : Répartition des produits par modèle pour le moyen terme (H3)
Nous constatons que le modèle Prophet a été sélectionné pour 20 produits qui sont des séries
chronologiques avec des variations et des comportements similaires. La figure 23 présente
des exemples de ventes de ces produits.
Figure 23 : Exemples de comportements de ventes réelles des produits modélisés par Prophet sur leurs
cycles de vie représentant des variations semblables
Ces produits ont un comportement saisonnier reconnaissable avec une baisse des ventes en
août de chaque année et une augmentation importante des quantités à la fin et au début de
chaque année. Prophet a réussi à capturer la variabilité de ces produits mieux que d'autres
107
modèles. D’un point de vue industriel, ces produits représentent des « High Runners », c’est-
à-dire des produits vendus avec des grandes quantités répondant ainsi à une forte demande
client. Ce sont des produits vendus sur le marché des grossistes et des installateurs mais aussi
sur le marché des chantiers avec des quantités parfois importantes, d’où les pics constatés sur
les graphes des comportements. La saisonnalité présente dans les séries de vente de ces
produits montre aussi une certaine régularité des ventes expliquée par des commandes
régulières de plusieurs grossistes pour réalimenter leurs stocks.
Le modèle ARIMA a été utilisé pour modéliser 24 produits. Nous avons constaté que certains
produits ayant un comportement particulier sont bien capturés par ARIMA comme présenté
dans la figure 24.
Figure 24 : Exemples de comportements de ventes réelles des produits modélisés par ARIMA sur leurs
cycles de vie représentant des variations semblables
Nous constatons que ce type de produits, présentant une augmentation importante des
quantités vendues en fin 2018, a été mieux interprété par ARIMA que par les autres modèles.
De plus, ces séries chronologiques ne représentent pas de fortes tendances saisonnières qui
justifient la performance d'ARIMA sur d'autres modèles saisonniers. D’un point de vue
industriel, cette augmentation brusque en fin de 2018 est expliquée par la validation de
quelques chantiers et donc une augmentation importante, temporaire et imprévisible dans la
demande des clients, et qui s’est restabilisée rapidement après cette période.
108
Le type de modèle le plus utilisé était l’ensemble des lissages exponentiels (LE), elles ont été
sélectionnées pour 219 séries chronologiques, avec différentes composantes. 12 structures
de modèles de lissage exponentiel sont employées pour faire des prévisions avec de multiples
combinaisons. Le tableau 11 résume la répartition des produits par modèle.
Saisonnalité
Aucune Additive Multiplicative
Aucune - 34 produits 32 produits
Tendance
Additive 28 produits 19 produits 46 produits

Additive Amortie 25 produits 15 produits 20 produits
Tableau 11 : Répartition des produits par type de lissage exponentiel pour H3
Les produits sont répartis sur les différents modèles avec des proportions proches. 66 produits
sont représentés par des modèles n’ayant pas une composante de tendance, et donc leurs
comportements de ventes ne présentent pas une orientation générale à la hausse ou à la
baisse en passant d’une année à l’autre. C’est notamment le cas des produits qui sont vendus
auprès des mêmes clients chaque année avec des quantités qui varient légèrement. Nous
constatons également que 53 produits sont représentés par des modèles avec seulement une
composante de tendance (amortie et non amortie), et sans composante saisonnière. Ces
produits présentent alors un comportement avec une augmentation ou une baisse constante
des chiffres des ventes sans avoir des motifs répétés chaque année. Ce type de série concerne
les produits récemment lancés avec des ventes en augmentation chaque année ou des
produits en fin de vie avec des baisses progressives. Le modèle le plus sélectionné pour le
catalogue des produits de l’entreprise est celui avec une tendance non amortie additive et
une saisonnalité multiplicative avec 46 produits modélisés. Ces produits sont caractérisés par
des motifs répétés chaque année mais avec une augmentation ou une baisse de leur
amplitude. La figure 25 présente quelques exemples de produits.
109
exponentiel avec une tendance additive non amortie et une saisonnalité multiplicative sur leurs cycles
de vie représentant des variations semblables
Nous pouvons remarquer une baisse progressive de l’amplitude de la saisonnalité chaque

année. Ce phénomène est plus répandu surtout pour le produit comme A9, tel que présenté
sur la figure 25. Ce comportement s’explique par des produits qui commencent à perdre leurs
parts de maché en faveur d’autres produits et donc se dirigent vers un arrêt progressif.
Au travers de ces exemples, nous constatons que les produits sont modélisés par différentes
techniques dans le but de bien représenter leurs comportements de ventes. Ceci soutient
notre méthodologie de prévision des ventes consistant à choisir un modèle approprié pour
chaque produit et ne pas appliquer un seul modèle pour tous le catalogue de l’entreprise.
III.2.2. Analyse pour un horizon à court terme (H1)

Pour la prévision au court terme (H1), le tableau 12 présente la répartition des produits
modélisés par chaque modèle.
Modèles Produits
Prophet 34 produits
ARIMA/SARIMA 65 produits
Lissage Exponentiel 199 produits
Tableau 12 : Répartition des produits par modèle pour le court terme H1
110
Pour le court terme (H1), nous remarquons une augmentation des produits modélisés par
Prophet et ARIMA/SARIMA impliquant logiquement une baisse pour les modèles de lissage
exponentiel (LE) par rapport au moyen terme (H3). Nous présentons dans la figure 26 un
exemple de comportement de vente des produits modélisés par Prophet.
Figure 26 : Exemples de comportements de ventes réelles des produits modélisés par Prophet pour H1
sur leurs cycles de vie représentant des variations semblables
Le modèle Prophet était le plus à-même pour capturer le comportement de ventes des
produits présentés dans la figure. Ces produits sont caractérisés par une certaine saisonnalité
avec parfois des pics de ventes. Ces derniers sont expliqués par des volumes de ventes
importants suite à des demandes clients supplémentaires durant la période de début 2018 et
2019.
Le modèle SARIMA a été utilisé pour modéliser 23 produits du catalogue. La figure 27 présente
quelques exemples de comportement commun de ces produits.
111
Figure 27 : Exemples de comportements de ventes réelles des produits modélisés par SARIMA pour H1
sur leurs cycles de vie représentant des variations semblables
On remarque l’existence d’une saisonnalité claire d’une année à l’autre pour ces produits,
d’où la sélection du modèle SARIMA. Il s’agit des produits vendus régulièrement d’une année
à l’autre avec une légère baisse pour le produit A8. La baisse des ventes à l’été de chaque
année est due à la nature de l’activité de l’entreprise à travers la production des systèmes de
chauffage, et aussi à la fermeture annuelle de l’usine.
Comme pour l’horizon H3, le type de modèle le plus utilisé est les techniques de lissage
exponentiel (LE) vu qu’ils ont été sélectionnés pour 199 produits, avec différentes
composantes. Les mêmes structures de modèles sont utilisées pour l’horizon H1 également.
Le tableau 13 résume la répartition des produits par modèle.
Saisonnalité
Aucune Additive Multiplicative
Aucune - 28 produits 46 produits
Tendance
Additive 12 produits 25 produits 35 produits

Additive Amortie 21 produits 14 produits 18 produits
Tableau 13 : Répartition des produits par type de lissage exponentiel pour le court terme H1
D’après le tableau 13, les modèles avec une composante saisonnière multiplicative sont les
plus utilisés reflétant une augmentation des ventes de ces produits d’une année à l’autre, avec
112
une domination du modèle sans composante de tendance. La figure 28 présente quelques
comportements de ventes des produits représentés par ce modèle.
exponentiel sans tendance avec une saisonnalité multiplicative sur leurs cycles de vie représentant
des variations semblables
Sur la figure 28, l’absence d’une tendance pour ces produits est remarquable, ils sont ainsi
caractérisés par des ventes régulières d’une année sur l’autre avec une légère baisse de
l’amplitude de la saisonnalité au fil du temps, ce qui justifie la sélection de ce modèle.
Nous constatons également dans le tableau 13, un changement léger de répartition des
produits sur les différents modèles par rapport au moyen terme (H3), avec une diminution du
nombre des produits représentés par des modèles sans composante saisonnière.
L’augmentation du nombre des périodes utilisées pour l’entraînement des modèles peut être
à l’origine de ce changement étant donné que les modèles ont plus d’informations et donc
une meilleure modélisation des produits.
Un aspect intéressant également noté est que les produits appartenant à la même famille de
produits qui peuvent avoir un comportement plus semblable sont modélisés avec des
méthodes différentes, ce qui prouve leurs natures de ventes différentes et la nécessité d'être
traités par des modèles séparés. La sélection du type de modèle diffère d'un horizon à l'autre
et nous ne retrouvons pas la même taxonomie de modèle que pour les prédictions à moyen
113
terme (H3). Ce fait justifie également notre intérêt à utiliser différents modèles, car en
évoluant dans le temps, nous obtenons plus de données et donc les modèles et les
comportements de ventes des produits peuvent changer en fonction de ces nouvelles
données. Par conséquent, notre méthodologie permet d’avoir un aspect évolutif pour bien
modéliser les séries au fil du temps.
III.3. Performances des modèles par horizon de prédiction

Comme expliqué dans la méthodologie, notre approche emploie différentes techniques de
prédiction dans le but de sélectionner la meilleure structure de modèles pour la prédiction à
court terme (H1) et à moyen terme (H3). Ceci implique l’usage des modèles différents pour
préparer les prévisions des ventes. Nous analysons dans ce paragraphe le choix des modèles
selon l’horizon de prédiction. Nous présentons ainsi les résultats des analyses effectuées sur
les produits les plus vendus de l’entreprise. Les prévisions sont effectuées pour l’horizon H1
et H3 du dernier trimestre de l’année 2019.
III.3.1. Usage des modèles par horizon

Nous avons observé l’importance de sélectionner des modèles pour chaque horizon et ainsi
identifié ceux qui sont plus adaptés au court terme (H1) ou au moyen terme (H3). Le graphe
de la figure 29 montre la répartition de l’usage des modèles pour le court terme.
Figure 29 : Répartition des modèles pour l’horizon H1 de 2019
114
Nous avons trouvé que la famille des modèles de lissage exponentiel est la plus utilisée avec
environ 66 % des produits qui ont été modélisés par ses différentes variétés. Sur le graphe,
nous avons différencié l’usage de ce type de modèle selon la nature de la composante de
saisonnalité. La majorité des produits (correspondant à 33 %) sont représentés par une
composante de saisonnalité multiplicative. De plus, 22 % des produits sont modélisés par un
modèle avec une saisonnalité additive et environ 11 % des produits sans composante
saisonnière. Le modèle ARIMA vient en 2ème place avec près de 14 % de produits représentés
par ce modèle suivi de Prophet et SARIMA avec respectivement 11 % et 7 %.
Cette répartition montre que pour le catalogue de produit de elm.leblanc, les modèles de
lissage exponentiel avec une composante saisonnière multiplicative et additive sont les plus
adéquats pour faire des prédictions à l’horizon H1. Ceci est expliqué par la nature saisonnière
de l’activité de l’entreprise représentée par une saison de chauffe pendant l’hiver. Bien que
pour plusieurs produits les ventes sont régulières d’une année à l’autre (pas de tendance),
l’aspect de saisonnalité est bien présent à travers les fluctuations observées justifiant ainsi
l’usage de ces modèles. Le modèle ARIMA est également intéressant pour cet horizon de
prédiction. Vu que certains produits ont un comportement spécifique caractérisé par une
augmentation durant une période du cycle de vie du produit (comme le cas pour l’année
2018), ARIMA est adéquat pour capturer ce comportement.
Pour les prévisions à l’horizon H3, le graphe de la figure 30 présente la répartition des
modèles.
115
Figure 30 : Répartition des modèles pour l’horizon H3 pour 2019
Sur cette figure, nous constatons le même pourcentage d’usage des modèles de lissage
exponentiel avec composante saisonnière (additive ou multiplicative) ce qui montre
l’adéquation de ces modèles tant pour le moyen terme (H3) que pour le court terme (H1). En
revanche, nous remarquons l’amplification de l’usage du modèle de lissage exponentiel sans
composante saisonnière par rapport à H1 avec environ 17 %. Ce modèle s’est avéré plus
adéquat pour prédire les ventes au moyen terme des produits moins saisonniers. Nous
remarquons aussi une stabilité pour l’usage des modèles ARIMA et SARIMA justifiée par une
stabilité dans le comportement de ventes des produits pour lesquels ces modèles ont été
sélectionnés. Pour le catalogue des produits de l’entreprise, le modèle Prophet était plus
adapté à la prédiction du court terme que le moyen terme puisque on remarque une
diminution de son usage à l’horizon H3 par rapport à H1.
Selon les figures 29 et 30, l’évolution des produits au fil du temps et donc la fluctuation de
leurs comportements implique un changement dans la nature du modèle utilisé pour la
prédiction de l’horizon H1 et H3. Cet aspect montre le caractère évolutif de notre
méthodologie et sa capacité à s’adapter aux évolutions du catalogue de produit de l’entreprise
pour remettre en question le choix du modèle selon l’horizon de prédiction. Néanmoins, la
plupart des produits ne présentent pas un changement drastique dans leurs comportements,
116
ainsi la répartition des modèles garde une certaine stabilité entre H3 et H1 notamment pour
les modèles de lissage exponentiel avec composante saisonnière.
III.3.2. Produits à modèles communs pour différents horizons de prédiction

En croisant les modèles employés pour la prédiction de chaque produit sur le court terme (H1)
avec ceux employés sur le moyen terme (H3), nous avons identifié quelques produits pour
lesquels le même modèle a été sélectionné pour les deux horizons. Ces produits
correspondent dans plusieurs cas où le modèle utilisé est Prophet, à des produits avec un
comportement de ventes stables et saisonniers. Le graphe de la figure 31 montre quelques
exemples de ces produits.
Figure 31 : Exemples de comportement de ventes des produits utilisant Prophet pour les prédictions à
H1 et H3
Ceci est expliqué par le fait que durant la procédure de test, dans l’étape de choix du modèle
dans la méthodologie, la stabilité des ventes de ces produits implique des erreurs faibles
calculées lors de cette étape tant pour le court terme (H1) que pour le moyen terme (H3),
impliquant ainsi le choix du même modèle de prédiction.
La figure 32 montre également quelques comportements de produits qui ont été modélisés
par le même modèle pour le court et le moyen terme.
117
Figure 32 : Exemples de comportement de ventes des produits utilisant le lissage exponentiel pour les
prédictions à H1 et H3
Le modèle employé pour la prédiction de ces produits est un lissage exponentiel avec une
tendance additive non amortie et une saisonnalité multiplicative. Ce modèle a bien représenté
ces séries montrant un motif identifiable et répétitif caractérisé par une baisse de l’amplitude
de la saisonnalité au cours des années. Le comportement de vente n’a pas eu un grand
changement en faisant des prédictions pour H1 ou H3 et donc le même modèle est sélectionné
pour calculer les prédictions. Cet aspect implique une capacité de ce modèle à être performant
pour faire des prédictions pour H1 et H3.
Pour la plupart des produits, nous ne retrouvons pas le même modèle pour les prédictions de
H1 et H3. Ceci s’explique par une augmentation ou une baisse importante des ventes due à
une augmentation du part du marché ou encore à d’autres facteurs externes, et donc un
changement du comportement des produits. Cet aspect implique par la suite un changement
du choix du modèle lors de la phase d’entraînement et de test de notre méthodologie.
IV. Vers une méthodologie générique

Dans le cadre de ce projet, notre méthodologie a été adaptée aux données d’elm.leblanc pour
pouvoir tester et valider notre approche de choix des modèles employés pour la prédiction.
Ce cas d’usage permet de souligner l’efficacité de cette méthodologie vis-à-vis de la
modélisation et la prédiction de plusieurs produits du catalogue de l’entreprise. En effet, vue
118
la diversité des natures des séries temporelles présente dans les données d’elm, notre
approche a réussi à modéliser ces comportements avec le modèle le plus adéquat prenant en
considération l’évolution des séries temporelles au fil du temps.
IV.1.Généralisation
Bien que notre approche ait été appliquée à un cas d’usage spécifique qui concerne le secteur
des systèmes de chauffage résidentiels et industriels, nous pouvons généraliser cette
méthodologie à d’autres applications et domaines ayant un historique de données de séries
temporelles varié. En effet, la multitude des modèles employés donne la possibilité de couvrir
un large spectre de motifs de séries chronologiques de nature et de comportement différents
qui peuvent exister dans d’autres champs d’étude.
Notons également que les modèles employés dans notre méthodologie peuvent être
développés pour des données de différents échantillonnages allant de plusieurs années
jusqu’aux millisecondes et avec différents horizons de prédiction selon l'application et le
domaine d’étude. Ces aspects permettent à notre approche de répondre aux besoins de
différentes problématiques de prédiction non seulement de prévision des ventes mais aussi
d’autres problématiques de prévisions des séries temporelles.
Sachant que nous disposons d’un ensemble de modèles de prédiction 𝑀 faisant chacun une
prédiction d’une seule étape et noté 𝑀𝑜𝑑𝑒𝑙𝐻1 , 𝐻𝑘 représente l’horizon de prédiction avec
𝑘 ∈ [1, 𝑧] où 𝑧 est le nombre de périodes maximales à prédire, et 𝑝 est un paramètre d’un
modèle décrivant le nombre d’observations utilisées par ce modèle pour prédire l’étape
suivante, une formulation généraliste de la problématique peut s’écrire comme suit :
𝑆𝑖 𝑘 = 1 ∶
𝐻
𝑣̂𝑖 1 (𝑗) = 𝑀𝑜𝑑𝑒𝑙𝐻1 [ 𝑣𝑖 (𝑗 − 𝑘), … , 𝑣𝑖 (𝑗 − 𝑝)] ; ∀ 𝑖 ∈ 𝑅 (1)
𝑆𝑖 1 < 𝑘 ≤ 𝑝 ∶
𝐻𝑘−1
𝐻 𝑣̂ (𝑗 − 1), … , 𝑣̂𝑖𝐻𝑘−𝑙 (𝑗 − 𝑙), … , 𝑣̂𝑖𝐻1 (𝑗 − 𝑘 + 1),
𝑣̂𝑖 𝑘 (𝑗) = 𝑀𝑜𝑑𝑒𝑙𝐻1 [ 𝑖 ] (2)
𝑣𝑖 (𝑗 − 𝑘), … , 𝑣𝑖 (𝑗 − 𝑝)
119
𝑆𝑖 𝑘 > 𝑝 𝑒𝑡 𝑘 ≠ 1 ∶
𝐻 𝐻 𝐻𝑘−𝑝
𝑣̂𝑖 𝑘 (𝑗) = 𝑀𝑜𝑑𝑒𝑙𝐻1 [𝑣̂𝑖 𝑘−1 (𝑗 − 1), … , 𝑣̂𝑖 (𝑗 − 𝑝)] ; ∀ 𝑖 ∈ 𝑅 (3)
𝐻
Où 𝑣̂𝑖 𝑘 (𝑗) la prédiction des ventes du produit 𝑖 à l’horizon 𝐻𝑘 du mois 𝑗 à prédire et 𝑣𝑖 (𝑗)
correspond aux ventes réelles du produit 𝑖 au mois 𝑗. 𝑅 représente l’ensemble des séries
temporelles à prédire, 𝑁𝑖 est l’ensemble des observations enregistrées pour la série 𝑖 et donc
𝑝 ∈ [1, 𝑁𝑖 − 1].
Lors de la procédure du choix de modèle, nous partageons les données de chaque produit en
base d’entraînement et base de test. L’évaluation des modèles est réalisée sur les données de
la base de test. Nous utilisons la formule suivante pour calculer l’erreur quadratique de
prédiction de chaque modèle mis en compétition :
1 𝐻 2
𝜀𝐻𝑘 = ∑ |𝑣𝑖 (𝑗) − 𝑣̂𝑖 𝑘 (𝑗)| (4)
𝑐𝑎𝑟𝑑(𝑗)
𝑗 ∈ 𝑏𝑎𝑠𝑒 𝑑𝑒 𝑡𝑒𝑠𝑡
Dans le pseudo-algorithme ci-dessous, nous détaillons les différentes étapes de construction

de cette approche. Notons que f représente un élément de l’ensemble M des modèles
disponibles.
- Pour chaque i dans R :

- Partager les données en entraînement (Train (i)) et test (Test (i))
- Pour chaque modèle f dans Mi : Procédure de choix de modèle pour
- Pour pi dans [1 .. Ni -1] :
1. Apprendre (fi) sur Train (i)
chaque série
2. Tester (fi) sur Test (i)

3. Calculer l’erreur 𝜺𝒑𝒊 selon (4)
- Enregistrer les paramètres du modèle ayant min (𝜺𝒑𝒊 )
- Choisir le meilleur modèle fi ayant min (𝜺𝒇𝒊 )
- Associer chaque référence i avec le meilleur modèle (fi)

- Enregistrer le paramètre pi du modèle (fi)
- Pour chaque i dans R :

Procédur
prédictio
e de
Mise à jour de (fi) sur la série i

n
- Si k = 1 :
120
Prédire les valeurs futures de i selon (1)
- Si 1 < k ≤ p :
- Si k > p :
- Récupérer les prédictions pour tous les produits
IV.2.Discussion autour de la méthodologie proposée

La préparation des prévisions des ventes est une tâche de grande importance pour toute
entreprise quel que soit son secteur d’activité. Nous avons proposé dans ce chapitre une
méthodologie qui permette la réalisation de cette tâche d’une façon automatisée en
commençant par une première étape de préparation et nettoyage des données.
Cette étape vise à préparer une base de données fiable contenant un ensemble de séries
temporelles de ventes à prédire suivant un catalogue de produits. D’après notre cas d’étude
dans l’entreprise elm.leblanc, le rassemblement des données à partir des différentes bases et
systèmes d’information, le croisement des données et le nettoyage de ces dernières, sont des
tâches auxquelles il faut consacrer un temps significatif de traitement, mais aussi une grande
rigueur vue la sensibilité des données et l’impact de leur qualité sur les résultats de prévision.
La deuxième étape est une procédure de choix du meilleur modèle pour chaque produit. Cette
étape se déroule en deux phases : d’abord le choix du meilleur modèle de chaque structure
mise en compétition et ensuite, le choix du meilleur modèle parmi ceux sélectionnés de
chaque structure. Pour accomplir ces deux phases, nous partageant les données disponibles
en base d’entraînement et de test pour choisir le modèle gagnant ayant l’erreur minimale sur
l’ensemble de la base de test. Cette dernière représente généralement 20% des données
disponibles mais cela peut varier selon le cas d’étude et la quantité des données à disposition.
Dans notre cas et à la vue des quantités de données disponibles, nous avons réservé 10% pour
le test.
Le choix des modèles ARIMA, SARIMA, Prophet et la famille des Lissages Exponentiels provient
de leur capacité à modéliser plusieurs comportements et natures de séries temporelles.
Comme nous l’avons déjà mentionné, plusieurs critères sont à prendre en considération lors
de la sélection des modèles à utiliser dans la méthodologie permettant ainsi de répondre aux
121
besoins de chaque cas d’usage comme les ventes saisonnier, les ventes évènementielles ou
encore les ventes sans motifs précis. Nous avons essayé de répondre à ces critères dans
l’approche proposée, mais ces choix peuvent être reconsidérés et changer avec l’apparition
des modèles plus précis, ou encore en ayant à disposition une quantité de données plus
importante permettant le réentraînement des modèles pour suivre l’évolution des produits
ou l’exploitation des techniques nécessitant une grande quantité de données comme les
approches d’apprentissage profond.
Une question importante à garder à l’esprit est le changement du profil de ventes d’un produit
au fil du temps. En effet, dû à un changement des parts du marché, à l’imposition des
réglementations impactant l’activité d’une entreprise ou à l’arrêt de certains produits, le
comportement de ventes des produits peut varier et le modèle peut évoluer dans le temps.
Avec la possibilité de réentraîner les modèles à chaque fois que de nouvelles données sont
introduites, le choix du modèle gagnant pour chaque produit peut changer au fil du temps,
donnant ainsi à notre méthodologie un critère adaptatif permettant de faire face au
changement des profils de ventes. Nous pourrons également introduire un certain seuil
d’erreur qui, lorsqu’il est dépassé, provoque le fait de réentraîner les modèles pour qu’ils
modélisent mieux les produits.
Après avoir identifié le meilleur modèle pour chaque produit, la troisième étape sera de
l’utiliser pour calculer les prévisions à l’horizon demandé. Tout dépend de la taille du
catalogue produits et de la longueur des séries temporelles, le temps de calcul et les
ressources à mobiliser peuvent être importants. Pour la préparation des prévisions des
produits de l’entreprise elm.leblanc, le temps d’exécution moyen enregistré est de 12 heures
avec un cluster de 64 cœurs et 64 giga-octets de RAM dans un environnement Linux. Plus
l’entreprise dispose de produits et de données, plus le temps de traitement est important. Le
choix de la stratégie récursive de calcul des prévisions permet un temps de calcul abordable
et acceptable pour préparer les prévisions à temps. Une stratégie directe ou RECTIFY peut
augmenter le temps de calcul puisqu’elle nécessite un réentraînement itératif d’un nouveau
modèle pour chaque point à prédire, et donc une explosion du temps d’exécution. La mise à
disposition de ressources de calcul puissantes peut réduire considérablement le temps
d’exécution.
122
Bien que la méthodologie présentée puisse être mise en place dans plusieurs domaines
d’application ayant le même type de données, nous constatons quelques limites qui peuvent
affecter l’usage de cette approche.
Comme mentionné dans les hypothèses d’implémentions, nous avons filtré les produits ayant
moins de 8 périodes d’historique. Ceci est dû à la difficulté rencontrée par les modèles pour
prédire des séries temporelles courtes avec très peu d’historique, ce qui rend la méthodologie
moins efficace pour les domaines ayant des produits à très courts cycles de vie et qui varient
énormément, donc n’ayant pas assez de données. Dans la même idée, les nouveaux produits
récemment lancés sur le marché ne pourront pas être prédits vu l’indisponibilité d’historique
sauf si ces derniers vont remplacer des anciens produits arrêtés.
Le fait d’utiliser une approche qui se base seulement sur l’historique des séries temporelles,
ne permet pas d’exploiter d’autres variables exogènes qui peuvent influencer les ventes. En
effet, les promotions effectuées sur les produits, l’évolution des stocks ou encore les données
métrologiques peuvent être employés comme variables externes à inclure dans le modèle de
prédiction.
D’autres éléments pouvant également influencer les ventes et impliquent un changement

complet du comportement des produits et donc la mise en place d’une nouvelle modalité de
prévisions. En effet, l’évolution des parts de marché des concurrents ou des produits, a une
incidence directe sur les quantités vendues. L’imposition de nouvelles réglementations ou le
changement de la politique de l’entreprise peuvent causer l’arrêt ou la réduction des ventes
de certains produits comme les réglementations environnementales des produits qui émient
des gaz toxiques. L’impact d’un évènement externe imprévisible comme une pandémie (ici
COVID 19) ne peut pas être pris en considération vue l’impossibilité de prévoir ce type
d’évènement.
Pour faire face à certaines limites présentées ci-dessus, nous proposons de compléter cette
méthodologie par un processus de planification de la Supply Chain comme le S&OP. Un tel
processus permettra d’ajuster les prévisions selon les avis d’experts présents durant l’étape
de planification de la demande où nous pourrons prendre en considération l’impact des
évènements externes ou l’arrêt de certains produits, et donc modifier le plan de la demande
pour répondre à ces évènements.
123
Comme nous l’avons constaté dans le paragraphe des expérimentations (tableaux 5, 6, 8 et
9), pour certains produits la sélection du meilleur modèle au cours de la phase d’entraînement
présente quelques difficultés vu les écarts minimes entre les modèles entraînés. Ceci est
constaté surtout lorsque nous trouvons avec des mesures d’erreurs très proches avec parfois
deux chiffres après la virgule près. Cet aspect peut impacter la précision des prévisions surtout
pour les longs et moyens termes lorsque les modèles ayant une mesure d’erreur très proche,
ont des natures différentes (modèle saisonnier et modèle non saisonnier). Alors, la projection
des ventes dans le futur peut varier énormément selon le choix du modèle.
Pour limiter l’impact de cet aspect sur la qualité des prévisions, nous allons exploiter les
caractéristiques de différents modèles à travers la fusion de leurs résultats, permettant ainsi
de réduire l’impact de ne pas avoir sélectionné le meilleur modèle pour faire les prédictions
surtout au long terme et d’atténuer les biais qui peuvent être identifiés dans les prévisions du
modèle choisi par la première approche. Ceci sera le sujet du chapitre suivant.
V. Exploration et ouverture
Dans le but de challenger notre méthodologie et la tester sur une période caractérisée par
une grande variabilité, nous l’avons mise en application sur l’année de 2020 caractérisée par
le facteur externe du COVID-19. Nous avons réalisé des expérimentations sur quelques
produits de l’usine de Drancy en calculant les prévisions pour l’horizon H1 et H3 sur les mois
de Novembre et Décembre 2020 et Janvier 2021. L’étude de cette période est importante
pour évaluer l’efficacité de la méthodologie pour la période post-COVID.
Dans le but de limiter l’impact de la période du COVID sur les ventes, nous avons dû remplacer
les données de ventes réelles des mois de Mars, Avril et Mai 2020 par des données de
simulations créées à travers l’application de notre méthodologie. Nous avons donc calculé les
ventes de ces mois en nous basant sur l’historique des ventes des produits. Cette rectification
des données a été appliquée pour remplacer la période de fermeture de l’entreprise suite à la
crise sanitaire et son influence sur les ventes réelles.
Dans le graphique de la figure 33, nous présentons la somme des quantités des ventes par
rapport aux quantités prédites par notre méthodologie et les prévisions manuelles pour
l’horizon H3 à partir de novembre 2020, pour quelques produits de l’usine de Drancy.
124
8000
7000
6000
5000
4000
3000
2000
1000
0
D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 D15 D16 D17 D18 D19 D20 D21 D22 D23
Prévisions Approche Prévisions elm Ventes
Figure 33 : : Comparaisons des quantités prédites par rapport aux ventes réelles des produits de
Drancy pour l’horizon H3 de 2020/2021
Pour plusieurs produits ayant des quantités importantes, les quantités prédites par notre
méthode s’approchent plus des ventes réelles que les prévisions manuelles, notamment pour
les produits D1, D5 et D15. Pour le produit D6 par contre, la méthode manuelle était plus
proche des ventes réelles.
Dans le tableau 14, nous présentons les erreurs calculées pour chaque produit de l’usine de
Drancy ainsi que la MAE de notre approche et de la méthode manuelle pour l’horizon H3 et
H1 de la fin de l’année 2020 et début de l’année 2021.
H3 H1
Prod Erreur % par Erreur % par Erreur % par Erreur % par
uit Manuel rapport au Automati rapport au Manuel rapport au Automati rapport au
le total que total le total que total
D1 487 8,27% 378 7,81% 511 8,65% 396 8,51%
D2 5 0,08% 5 0,10% 6 0,10% 5 0,11%
D3 8 0,14% 12 0,25% 4 0,07% 12 0,26%
D4 39 0,66% 20 0,41% 37 0,63% 26 0,56%
D5 967 16,41% 831 17,17% 880 14,89% 632 13,59%
D6 1070 18,16% 598 12,36% 1138 19,26% 861 18,51%
D7 54 0,92% 44 0,91% 56 0,95% 45 0,97%
D8 18 0,31% 10 0,21% 17 0,29% 10 0,21%
125
D9 253 4,29% 394 8,14% 269 4,55% 175 3,76%
D10 166 2,82% 305 6,30% 174 2,94% 166 3,57%
D11 198 3,36% 68 1,41% 183 3,10% 76 1,63%
D12 475 8,06% 292 6,03% 428 7,24% 207 4,45%
D13 367 6,23% 7 0,14% 356 6,02% 9 0,19%
D14 43 0,73% 32 0,66% 51 0,86% 46 0,99%
D15 772 13,10% 408 8,43% 719 12,17% 490 10,53%
D16 3 0,05% 7 0,14% 3 0,05% 7 0,15%
D17 5 0,08% 11 0,23% 7 0,12% 12 0,26%
D18 144 2,44% 410 8,47% 278 4,70% 410 8,81%
D19 247 4,19% 103 2,13% 170 2,88% 209 4,49%
D20 398 6,75% 775 16,02% 457 7,73% 734 15,78%
D21 13 0,22% 16 0,33% 13 0,22% 17 0,37%
D22 5 0,08% 4 0,08% 5 0,08% 5 0,11%
D23 155 2,63% 109 2,25% 148 2,50% 102 2,19%
MAE 256,17 100% 210,39 100% 256,96 100% 202,26 100%
Tableau 14 : Erreurs de prévisions pour différents produits sur les horizons H1 et H3 de 2020/2021
selon la méthode employé (manuelle ou automatique)
D’après le tableau 14, nous remarquons que, pour la méthode manuelle ou pour notre
approche, il n’y a pas de règle générale qui peut s’appliquer en comparant les résultats pour
H1 et H3. Nous obtenons pour certains produits des prévisions plus précises sur le court terme
(H1) et pour d’autres produits la précision s’inverse. Nous constatons également que, pour la
plupart des produits, notre méthodologie donne de meilleurs résultats (erreurs plus faibles)
que ce soit pour le court terme ou le moyen terme (exemple pour les produits D1, D4, D6, D11
et D12).
Bien que la méthode manuelle ait donné de meilleurs résultats pour quelques produits
(comme D15, D18 et D20), nous constatons globalement que notre approche montre de
meilleurs résultats, illustré par une MAE de 210,39 pour H3 contre 256,17 pour la méthode
manuelle, et 202,26 pour H1 contre 256,96 pour la méthode classique. Nous obtenons ainsi
un taux d’amélioration d’environ 18 % pour le moyen terme et 21 % pour le court terme.
Comme expliqué ci-dessus, notre méthodologie s’appuie sur différents modèles de prédiction
des séries temporelles associés à chacun des références du catalogue produits. Nous
présentons, dans les tableaux suivants, les résultats d’entraînement des modèles pour les
produits de l’usine de Drancy. Les valeurs correspondent aux mesures d’erreurs (RMSE)
calculées lors de la phase d’entraînement des modèles pour choisir la meilleure structure.
126
Nous présentons également le meilleur modèle choisi pour chaque produit et les paramètres
associés à ce dernier.
Le tableau 15 montre les erreurs d’entraînement des modèles pour différents produits pour
un horizon H3 pour les prévisions du mois de novembre 2020. Les valeurs marquées en vert
méthodologie et donc la structure du modèle choisi pour chaque produit.
LISSAGE
PRODUIT ARIMA PROPHET SARIMA CHOIX PARAMETRES
EXP
D1 - 161 182 173 LE Triple ['add', False, 'add']
D2 4 4 4 - ARIMA [3, 0, 1]
D3 - 5 6 - LE Double ['add', True, None]
D4 29 16 25 19 LE Double [None, False, 'add']
D5 308 197 531 375 LE Triple ['add', False, 'mul']
D6 - 568 592 837 LE Triple ['add', True, 'mul']
D7 37 16 18 24 LE Double [None, False, 'mul']
D8 8 6 12 8 LE Double ['add', False, None]
D9 247 168 214 247 LE Double [None, False, 'mul']
D10 118 42 106 64 LE Triple ['add', True, 'add']
D11 94 134 146 108 ARIMA [3, 0, 0]
D12 88 106 197 88 ARIMA [3, 0, 0]
D13 - 2 0 - Prophet -
D14 1 2 7 - ARIMA [0, 1, 1]
D15 - 185 300 - LE Triple ['add', False, 'add']
D16 - 1 11 - LE Double ['add', False, None]
D17 4 4 48 4 ARIMA [2, 1, 0]
D18 - 87 227 - LE Double [None, False, 'mul']
D19 96 113 153 - ARIMA [3, 0, 0]
D20 - 152 131 - Prophet -
D21 8 5 11 6 LE Triple ['add', False, 'add']
D22 - 1 1 - Prophet -
D23 51 25 48 51 LE Triple ['add', True, 'add']
produit pour les prévisions du mois de novembre 2020
127
Le tableau 16 présente également les erreurs d’entraînement des différents modèles pour les
produits de l’usine de Drancy pour un horizon H1 pour les prévisions du mois de novembre
2020.
PRODUIT ARIMA LISSAGE EXP PROPHET SARIMA CHOIX PARAMETRES

D1 - 164 189 230 LE Triple ['add', False, 'add']
D2 3 4 4 - ARIMA [3, 0, 1]
D4 26 17 25 19 LE Triple ['add', True, 'mul']
D5 339 212 542 296 LE Triple ['add', False, 'mul']
D6 - 553 494 826 Prophet -
D8 9 6 11 9 LE Double ['add', False, None]
D10 155 65 143 94 LE Double [None, False, 'add']
D11 86 128 173 96 ARIMA [3, 0, 0]
D12 102 129 152 102 ARIMA [3, 0, 0]
D14 6 5 5 - Prophet -
D15 - 195 259 - LE Triple ['add', True, 'add']
D16 - 1 12 - LE Double [None, False, 'add']
D17 4 2 103 4 LE Double ['add', True, None]
D18 - 87 270 - LE Double [None, False, 'mul']
D19 69 114 47 - Prophet -
D20 - 99 64 - Prophet -
D21 - 7 11 6 SARIMA [(0, 0, 0), (1, 0, 1, 12)]
D22 1 1 1 1 ARIMA [1, 0, 0]
produit pour les prévisions du mois de janvier 2020
Dans ces deux tableaux, certains produits ont des valeurs manquantes. Cela peut être dû au
fait que la série temporelle soit trop courte pour entrainer un modèle SARIMA par exemple
ou que le modèle utilisé corresponde à un modèle éliminé comme présenté dans le
paragraphe II.4. Nous constatons également une domination de la famille des lissages
exponentiels (LE) grâce à leur variété de modèles selon leurs composantes ce qui donne un
128
large choix de techniques. Comme cela peut être observé, les erreurs d’entraînement varient
entre les modèles pour chaque produit. Ceci justifie notre choix de nous appuyer sur plusieurs
techniques de modélisation et d’associer le modèle le plus adapté à chaque produit.
VI. Conclusion
Ce chapitre a été dédié à la présentation d’une première contribution autour d’une
méthodologie employée pour la prévision des ventes de l’entreprise elm.leblanc, et basée sur
une compétition entre modèles. Nous avons détaillé également les différents modèles utilisés
dans cette approche ainsi que les hypothèses à prendre en considération lors de
l’implémentation.
Les expérimentations sur le large catalogue de produits de l’entreprise a permis d’analyser la

mise en application de cette approche. En effet, nous avons étudié les comportements et les
spécificités des produits modéliser par la même technique afin de mieux comprendre le choix
du modèle pour chaque série et identifier ses caractéristiques. Nous avons étudié également
les performances des modèles par horizon de prédiction et nous avons identifié ceux qui sont
plus adaptés au court terme et ceux qui sont plus performants sur le long et moyen terme de
prédiction.
Vue la diversité des modèles employés, nous avons proposé de généraliser notre
méthodologie pour d’autres champs d’étude et cadres d’applications. Le pseudo-algorithme
décrit ci-dessus permet de répondre à plusieurs autres problématiques de prévisions ayant
des séries temporelles univariées comme données. Nous avons souligné aussi quelques limites
de cette approche et des cas ne permettant pas sa mise en place.
Dans le chapitre suivant, nous allons proposer une seconde contribution s’appuyant sur la
proposition discutée en fin de ce chapitre, à savoir une extension des travaux actuels vers une
méthode hybride pour la prévision des ventes.
129
Chapitre 4 : Méthode d’hybridation : Approfondissement
I. Introduction
Comme nous l’avons évoqué dans le chapitre 2 (état de l’art), l’évolution des techniques
d’apprentissage automatique et d’apprentissage profond a permis de développer des
nouvelles approches pour les prévisions des ventes, selon quatre approches prépondérantes
dans la littérature : des modèles dédiés à la modélisation des séries chronologiques ; des
méthodologies employant des approches de Data Mining et d’apprentissage automatique ;
des approches basées sur l’apprentissage profond et enfin des méthodes de combinaison et
des approches d’hybridation des modèles.
Nous avons vu également, dans notre méthodologie employée dans le chapitre 3, que lors de
la mise en compétition des modèles pour identifier la meilleure structure liée à chaque
produit, nous nous retrouvons avec deux types de résultats. Pour plusieurs produits, il y a un
modèle qui se distingue des autres par des erreurs faibles et donc caractérise mieux le produit.
Pour d’autres références, que ça soit pour le court, le moyen ou le long terme, les modèles
étaient très proches en termes de performances. Le choix d’un modèle par rapport à un autre
peut alors être délicat voire affecter la qualité des prévisions réalisées selon la nature du
modèle choisi, notamment pour le moyen et le long terme.
Pour éviter ce biais identifié pour quelques produits, nous proposons de combiner les résultats
afin d’exploiter au mieux la puissance de chacun des modèles. Cette combinaison peut être
considérée comme une méthode d’hybridation de plusieurs modèles linéaires et non linéaires.
Dans ce chapitre, nous allons étudier et tester une approche de combinaison qui permettra
d’améliorer les résultats des prévisions dans plusieurs cas.
II. Contexte de l’approche d’hybridation

Comme évoqué lors du chapitre 2, les approches d’hybridation présentent plusieurs
avantages par rapport aux autres catégories présentées ci-dessus, comme l’amélioration des
prévisions grâce à une meilleure modélisation des motifs présents dans le « signal de vente »,
et la réduction du risque d’un mauvais choix de modèle grâce à la combinaison des résultats.
130
Lors de l’étude des résultats présentés au chapitre 3 (tableaux 5 et 6 P.92 ou tableaux 8 et 9
P.100), on remarque que malgré la nature différente des modèles utilisés dans la première
approche, les résultats de compétition étaient très proches. Cela peut remettre en question
le choix d’un seul modèle par produit notamment lorsque les modèles sont de différente
nature et donc ce choix peut impacter les prévisions surtout sur le moyen et le long terme.
Prenant l’exemple d’un modèle saisonnier et un autre non saisonnier qui sont très proches en
termes de performances bien qu’ils aient deux natures différentes, sur le moyen ou le long
terme l’usage de l’un ne donnera pas les mêmes résultats que l’autre modèle. Cet aspect a
poussé notre réflexion à combiner les résultats des modèles au lieu d’utiliser un seul dans le
but d’exploiter les particularités de chaque modèle. Il existe plusieurs approches et méthodes
utilisées dans la littérature pour la combinaison des modèles. Nous détaillons, dans le
paragraphe suivant, notre méthodologie proposée ainsi que les types de modèles et les
données utilisées.
III. Méthodologie
III.1. Description de l’approche
Nous voulons ici exploiter les spécificités de chacun des modèles pris indépendamment tout
en améliorant la qualité des prédictions. Ceci est possible en faisant des structures hybrides
en série (dont les sorties d’un modèle seront les entrées d’un autre), en parallèle (pour
combiner les résultats de plusieurs modèles avec une procédure donnée), ou encore avec une
structure en série-parallèle en séparant les parties linéaires et non linéaires des séries
temporelles. Pour la méthode en série, cette approche considère chaque série temporelle
séparément et nécessite une grande quantité de données pour pouvoir entraîner un modèle
à chaque fois. La méthode en série-parallèle permettra d’exploiter un nombre très limité de
modèles puisque la partie non linéaire est modélisée par un réseau de neurone et la partie
linéaire par un autre modèle, il sera ainsi nécessaire d’identifier quels modèles utiliser pour
chaque produit.
Dans la première approche proposée au chapitre 3, nous avons utilisé des modèles non
saisonniers comme ARIMA et certaines combinaisons de lissage exponentiel, et des modèles
saisonniers comme SARIMA, Prophet et d’autres combinaisons de lissage exponentiel. Pour
les produits du catalogue de l’entreprise, certains modèles ont excellé en fournissant de bons
résultats, tandis que d’autres étaient moins réussis. Notre méthode vise alors à unifier les
131
résultats des modèles et trouver le bon équilibre pour réduire encore les erreurs de prédiction
à l’échelle globale.
Dans cet objectif, nous avons employé une hybridation parallèle des modèles pour prendre
en considération les caractéristiques de chacun. Ces modèles employés correspondent aux
mêmes qui ont été présentés dans le chapitre 3 (paragraphe II.4), donnant ainsi la possibilité
d’exploiter différentes structures et des méthodes de différentes natures. La figure 34
présente notre méthodologie de combinaison des modèles.
Figure 34 : Approche de combinaison des modèles
Dans notre approche, nous allons utiliser les prédictions des différents modèles pour trouver
la meilleure fonction de combinaison linéaire ou non linéaire qui permettra de s’approcher au
maximum des ventes réelles. Nous proposons alors l’usage d’un réseau de neurones de type
Multilayer Percepteron (MLP) qui prendra en compte les possibles erreurs ou les réponses
divergentes des modèles pour en créer un meilleur. Ce MLP permettra de multiplier les
résultats des modèles par des coefficients spécifiques en donnant des poids plus ou moins
importants aux résultats de chaque modèle, et donc repérer les endroits où les résultats de
certains modèles sont moins intéressants pour les compenser par d’autres.
132
III.2. Description des données
Pour notre première approche de choix du meilleur modèle, nos données d’entrées étaient
l’ensemble des séries temporelles représentant les historiques des ventes des différents
produits. Nos données utilisées présentent des ventes mensuelles d’environ 6 ans
d’historiques pour les produits les plus anciens et de quelques mois pour les plus récents.
Étant donné la longueur des séries temporelles et leur nature, les modèles sont plus ou moins
performants dans leurs modélisations des comportements de ventes des produits. De manière
assez logique, certains ont été bien modélisés notamment ceux avec des longues séries
temporelles, et d’autres moins bien surtout les produits récemment lancés.
Les résultats de prévision de la première approche proposée correspondent à des valeurs

mensuelles selon l’horizon de prédiction introduit par l’utilisateur. L’idée de cette deuxième
approche est alors de combiner les résultats des modèles utilisés dans la première approche.
A partir des données brutes qui correspondent à l’historique des ventes mensuelles des
différents produits sous forme de séries temporelles, nous allons créer une base de données
pour l’entraînement et la validation de cette approche. Nous allons partager notre base de
départ en 3 parties. La première partie des données sera utilisée pour l’entraînement des
modèles séparément pour chacun des produits. La deuxième partie sera réservée pour
l’entraînement de la méthode de combinaison qui sera employée. Une dernière partie (base
de test) pour évaluer les résultats des prédictions du modèle de combinaison (MLP) par
rapport aux ventes réelles et donc tester sa convergence.
Comme nous pouvons le constater, les différents besoins en données pour l’entraînement à
la fois des modèles et de la méthode de combinaison ainsi que pour l’évaluation, nécessite
des séries temporelles de plus longue durée pour favoriser un bon apprentissage des modèles.
Ceci peut restreindre l’usage de cette approche aux anciens produits ayant suffisamment de
données historiques.
Vu la nécessité d’avoir des quantités de données importantes pour pouvoir entraîner les
modèles et le MLP pour ensuite tester leurs performances, nous allons restreindre l’usage de
cette approche aux produits éligibles c’est-à-dire ceux ayant plus de deux années d’historiques
pour être en capacité d’entraîner les modèles saisonniers et avoir suffisamment de données
pour tester le réseau de neurones.
133
III.3. Présentation du réseau MLP utilisée dans l’approche
Dans le domaine de l’apprentissage automatique, les perceptrons multicouches (MLP)
représentent un type de réseau de neurones largement utilisé. La puissance de ce réseau de
neurones vient de sa capacité à apprendre n’importe quel motif dans les données
d'entraînement et à le relier au mieux à la variable de sortie qu’on souhaite prédire.
Figure 35 : Exemple d’un réseau de neurones de type MLP
Dans notre méthodologie, nous avons testé plusieurs architectures de réseaux de neurones
(tableau 17) dans le but d’identifier celle qui modélise au mieux notre problématique de
prévisions.
Architectures
Description
testées
(13, 4, 1) 2 couches internes de 13 et 4 neurones et 1 couche de sortie
(13, 10, 5, 1) 3 couches internes de 13, 10 et 5 neurones et 1 couche de sortie
(13, 6, 3, 1) 3 couches internes de 13, 6 et 3 neurones et 1 couche de sortie
(13, 10, 6, 3, 1) 4 couches internes de 13, 10, 6 et 3 neurones et 1 couche de sortie
Tableau 17 : Description des architectures testées
Le diagramme de la figure 36 présente une des architectures testées dans notre

méthodologie.
134
Figure 36 : Exemples d’architecture de réseau de neurones (13, 6, 3,1) testée dans notre
méthodologie
Nous avons utilisé une couche d’entrée composée de 13 neurones qui correspondent aux
nombres des données d’entrée fournies au réseau. Ces données correspondent aux
prédictions des 13 modèles utilisées. Nous avons testé différentes architectures internes avec
une ou plusieurs couches cachées contenant chacune plusieurs neurones. La fonction
d’activation pour chaque neurone était de type ReLU (Rectified Linear Unit). La couche de
sortie est composée d’un seul neurone pour calculer les prédictions finales.
III.4. Processus d’apprentissage et de test

Cette méthodologie d’hybridation comprend deux étapes. La première concerne
l’entraînement et l’usage des modèles utilisés lors de la première approche (chapitre 3) pour
préparer les données d’entrée du réseau. D’abord, l’historique des données de ventes
composé des séries temporelles représentant chacune un produit du catalogue, sont
partagées en trois parties pour l’entraînement des modèles de prédictions, entraînement du
réseau MLP et pour tester la validité des résultats obtenus. Le schéma de la figure 37 présente
la répartition des données dans notre méthodologie.
Entraînement des modèles (70%) Entraînement du MLP (20%) Test (10%)

Figure 37 : Répartition des données d’entraînement et de test
Les modèles sont entraînés sur 70% de l’ensemble des données disponibles. Ensuite, leurs
prédictions sont réalisées sur 20% des données. Ces dernières constituent, avec les données
réelles des ventes, les entrées du réseau de neurones (MLP) utilisées pour l’entraîner.
L’objectif est d’apprendre au réseau à exploiter les résultats des meilleurs modèles et donc à
compenser les faiblesses des autres. Ensuite, ses performances sont testées sur les 10% des
135
données restantes pour évaluer la qualité des prédictions obtenues. Dans cette approche,
nous sommes en train d’exploiter le réseau comme une fonction de régression qui apprend à
mapper les entrées (les prédictions des modèles) en sortie (les ventes réelles).
IV. Expérimentations
IV.1.Les données utilisées pour les expérimentations
Nous avons expérimenté l’efficacité de cette approche en utilisant des données de prédiction
d’un seul horizon à chaque fois, et aussi en utilisant les données de plusieurs horizons en
même temps pour construire un réseau multi horizon.
Les prédictions des modèles sont réalisées sur un ou plusieurs horizons de prédiction. Pour
générer les données d’entrée du MLP, nous allons entraîner chacun des modèles sur 70% des
données disponibles pour chaque produit, ensuite, nous allons réaliser des prédictions pour
les 30 % des données restantes. 20 % de ces données seront utilisées pour entraîner le réseau
et 10% pour évaluer ses performances. Dans le premier cas, les prédictions réalisées sont à un
seul horizon à chaque fois, et donc les données d’entrée d’un réseau seront les prédictions
des modèles à cet horizon. Ceci nous permettra de créer 6 modèles de réseaux de neurones
pour les 6 horizons de prédiction testés. Dans le deuxième cas, les prédictions réalisées à
plusieurs horizons seront les entrées d’un seul modèle de combinaison et donc nous allons
construire un modèle multi horizons.
Le tableau 18 présente un exemple des données d’entrée fournies au réseau avec les
prédictions de 13 modèles en entrée : Prophet, ARIMA, SARIMA, 10 modèles de lissage
exponentiel. Nous rappelons que, pour les modèles de lissage exponentiel, la première
composante représente la tendance avec une nature additive ou pas, le deuxième paramètre
indique si la tendance est amortie, et la dernière composante représente la saisonnalité avec
une nature additive, multiplicative ou l’absence de saisonnalité.
136
(None, (None, (None, (None, (add, (add, (add, (add, (add, (add,
Produits Prophet ARIMA SARIMA True, True, False, False, True, True, True, False, False, False, Ventes
add) mul) add) mul) None) add) mul) None) add) mul)
Produit 1 846 971 838 0 0 821 846 960 769 806 959 752 744 745
Produit 2 810 971 758 0 0 858 880 960 817 841 959 806 781 639
Produit 3 989 971 932 0 0 952 971 960 950 943 958 913 908 486
Produit 4 659 971 586 0 0 546 594 960 495 554 958 470 500 332
Produit 5 1011 971 1184 0 0 1102 1131 959 1100 1095 957 1050 1032 585
Tableau 18 : Exemples des données d’entrée du réseau avec 13 entrées
137
Chaque ligne du tableau constitue les valeurs prédites par chacun des modèles des produits,
et la dernière colonne correspond aux ventes réelles enregistrées.
Pour le cas où notre méthodologie est testée pour un seul horizon, nous allons effectuer les
prédictions à un seul horizon avec les différents modèles et ensuite les utiliser comme
données d’entrée pour le réseau. La figure 38 illustre cette implémentation.
Figure 38 : Exemple d’un modèle à un seul horizon H3
Dans le cas où notre méthodologie est testée en utilisant les données de prédiction des
modèles pour plusieurs horizons, nous allons introduire au réseau les prédictions des modèles
aux différents horizons en même temps. Ces données supplémentaires apporteront plus
d’informations au réseau, ce que constituera de ce dernier un modèle multi horizons. La figure
39 illustre cette implémentation.
138
Figure 39 : Exemple d’un modèle multi horizons
IV.2.Choix de configuration
Ce choix consiste en tester plusieurs configurations possibles en manipulant les paramètres
du réseau. Ceci peut être réalisé en modifiant le nombre des couches cachées, le nombre des
neurones dans chaque couche et les fonctions d’activation dans les neurones. Nous avons
testé dans notre méthodologie plusieurs configurations possibles dans le but d’identifier celle
qui fournit des meilleurs résultats finaux en termes de prédiction des ventes. Dans le tableau
19 nous présentons les configurations testées avec les mesures d’erreurs enregistrées pour
chaque configuration, en utilisant un modèle pour chaque horizon et un modèle multi-
horizons. Nous avons utilisé la fonction ReLU comme fonction d’activation dans chacun des
neurones et le RMSE comme mesure d’erreur. Le nombre d’epochs est fixé à 300 avec une
taille de batch égale à 5. Ce choix est justifié par différentes expérimentations réalisées pour
s’assurer de ne pas avoir un sous/sur entraînement du réseau, tout en gardant un temps
d’exécution raisonnable.
Modèle à un seul horizon Modèle

Architecture multi
H1 H2 H3 H4 H5 H6 horizons
(13, 4, 1) 304 295 297 310 335 316 278
139
(13, 6, 1) 297 294 291 309 332 309 250
(13, 13, 1) 304 303 289 319 351 325 275
(13, 10, 5, 1) 316 301 306 311 315 309 291
(13, 6, 3, 1) 303 300 321 316 344 306 284
(13, 10, 6, 3, 1) 295 308 300 309 340 315 292

Tableau 19 : Erreurs des architectures des réseaux testées selon l’horizon de prédiction
Les résultats d’erreur correspondent aux erreurs calculées sur les mêmes données de test
pour les différentes configurations testées. Le nombre d’epochs et la taille des batch
constituent également des paramètres sur lesquelles nous pouvons agir pour améliorer
l’efficacité d’entraînement du réseau utilisé, mais nous avons gardé les mêmes paramètres
pour toutes les architectures testées.
Au cours des expérimentations et comme nous pouvons le constater sur le tableau 19, le
modèle multi horizons permet de fournir des meilleurs résultats par rapport aux autres
modèles quelle que soit l’architecture utilisée (couleur verte). Cela s’explique par la quantité
des données plus importante fournie à ce modèle puisque nous lui avons fourni en entrée les
résultats des modèles pour tous les horizons de différents produits. Ceci lui fournira davantage
d’informations que les autres modèles. En plus, les modèles à un seul horizon nécessitent un
temps d’exécution important étant donnée la nécessité de construire un modèle pour chaque
horizon à prédire. D’après le tableau, les architectures utilisées fournissent des résultats
proches entre elles pour les différents horizons ainsi que pour le modèle multi-horizons. Nous
pouvons pourtant constater que l’architecture ayant deux couches cachées avec
respectivement 13 et 6 neurones avait de meilleurs résultats de prédictions par rapport aux
autres architectures, notamment pour le modèle multi-horizons (couleur bleue).
D’après ces résultats, nous avons retenu le modèle multi-horizons ainsi que l’architecture
ayant deux couches cachées de 13 et 6 neurones pour implémenter et analyser ses résultats.
La figure 40 présente l’architecture finale retenue pour le modèle multi horizons.
140
Figure 40 : Architecture retenue du réseau utilisée pour la combinaison (13, 6, 1)
Comme indiqué auparavant, la couche d’entrée reçoit les prédictions des modèles pour
plusieurs produits à différents horizons et les envoie vers la première couche cachée à 13
neurones. Les neurones des deux couches cachées du réseau ainsi que de la dernière couche
utilisent la fonction ReLU. Pour chaque ligne dans le tableau d’entrée, le réseau combine ces
données des différents modèles pour fournir une prévision finale, et donc pour chaque ligne
en entrée, nous aurons une prédiction en sortie.
IV.3.Résultats obtenus après implémentation

Dans le but de mesurer l’efficacité de la méthodologie développée, nous avons réalisé
plusieurs expérimentations de l’architecture choisie. Dans le tableau 19, nous avons évalué
les différentes configurations sur les mêmes données représentées par le dernier trimestre de
l’année de 2019. Les erreurs calculées sont par rapport aux ventes réelles réalisées durant
cette période. Pour cette dernière étape d’évaluation, nous allons tester l’architecture
retenue sur différentes données par validation croisée.
Dans ces expérimentations, nous avons utilisé 30% des données pour entraîner et tester cette
architecture. En utilisant la validation croisée avec différentes valeurs de K, nous avons évalué
notre méthodologie sur des ensembles de données différents à chaque fois, et par la suite sa
capacité de généralisation sur l’ensemble des données d’entrée. K désigne le paramètre de la
validation croisée c’est-à-dire, le nombre de partitions de données créées à chaque fois. Pour
le cas où k=5, les données sont partagées en 5 partitions et ensuite, à chaque fois le modèle
est entraîné sur 4 partitions et est testé sur la partie restante. Ceci est effectué 5 fois pour que
141
la méthode soit évaluée sur l’ensemble des données disponibles, et finalement l’erreur
moyenne est calculée pour ce modèle. Dans le tableau 20, nous présentons les erreurs
calculées pour différentes valeurs de k, et pour les différents modèles séparés ainsi que pour
le modèle de combinaison de l’architecture choisie.
Tableau 20 : Erreurs de prédictions des modèles par rapport à la combinaison
D’après le tableau 20, nous remarquons que les erreurs minimales correspondent aux erreurs
réalisées par l’approche de combinaison, en comparant avec les prédictions réalisées par les
modèles séparément pour les différentes valeurs de k testées. Les erreurs correspondent à la
moyenne de la RMSE calculée pour chaque partition pour chaque valeur de k. Les valeurs
marquées en vert représentent les erreurs minimales constatées. Les deux modèles n’ayant
pas une composante de tendance amortie présentent les erreurs les plus importantes. On
remarque aussi que plusieurs modèles se rapprochent beaucoup en termes d’erreurs malgré
leurs natures différentes ce qui renforce l’intérêt d’une combinaison de ces modèles.
Nous avons effectué également une analyse de sensibilité pour cette approche dans le but
d’identifier le ou les modèle(s) ayant le plus d’importance dans le calcul des prédictions finales
par le réseau. Cette étude de sensibilité est réalisée pour savoir quelle entrée du réseau i.e.
quel modèle utilisé est le plus important et qui affecte le plus le résultat final de prédiction.
142
Le processus se réalise en mélangeant les valeurs d’une seule variable d’entrée i.e. les données
de prédiction d’un modèle, à chaque fois et en calculant les erreurs des prédictions finales
après cette modification. Cette technique est répétée pour toutes les variables d’entrée du
réseau. Les erreurs maximales correspondent aux variables les plus importantes, c’est-à-dire
que leur modification affecte le plus les performances du modèle de combinaison final, et
donc les variables ayant des erreurs les plus importantes correspondent aux modèles i.e.
variables d’entrée les plus pertinents. Dans les deux graphes ci-dessous, nous présentons
l’importance de chacun des modèles utilisés en entrée du réseau dont ces résultats sont
présentés au tableau 20.
Figure 41 : Erreurs réalisées par le modèle final en modifiant à chaque une variable d’entrée
La figure 41 présente les erreurs (RMSE) constatées dans les résultats finaux en modifiant à
chaque fois les variables concernées. L’axe des ordonnées correspondent aux mesures
d’erreur et l’axe des abscisses aux modèles utilisées en entrée : 0 - Prophet, 1 - ARIMA, 2 -
SARIMA, 3 - (None, True, add), 4 - (None, True, mul), 5 - (None, False, add), 6 - (None, False,
mul), 7 - (add, True, None), 8 - (add, True, add), 9 - (add, True, mul), 10 - (add, False, None),
11 - (add, False, add), 12 - (add, False, mul). Les paramètres des modèles de lissage
exponentielle correspondent à la nature de la tendance et si elle est amortie, ainsi que la
nature de la saisonnalité. Les mêmes résultats peuvent être constatés dans la figure 42
également.
143
Figure 42 : Erreurs réalisées par le modèle final en modifiant à chaque fois une variable d’entrée
Nous remarquons que, pour ces résultats, le modèle de lissage exponentiel sans tendance et
avec une saisonnalité additive représente la variable d’entrée la plus importante du réseau et
sa modification a impliqué le plus d’erreurs pour les résultats finaux. Les trois modèles les plus
pertinents sont ensuite, un modèle de lissage exponentiel avec tendance additive et sans
composante saisonnière, un modèle de lissage exponentiel avec une tendance additive et une
saisonnalité multiplicative et le modèle ARIMA. On constate que les quatre premiers modèles
les plus importants sont de différente nature avec deux modèles saisonniers et deux modèles
non saisonniers. Ceci montre qu’un seul modèle n’est pas suffisant pour modéliser le
catalogue de produit de l’entreprise et que l’exploitation des spécificités de plusieurs modèles
par la combinaison peut améliorer les performances des prédictions.
V. Conclusion
Nous avons étudié dans ce chapitre une nouvelle approche qui permettra de surmonter
quelques limites constatées dans la première approche proposée au chapitre 3. La
méthodologie proposée consiste en la combinaison des prédictions des différents modèles
pour obtenir de meilleures prédictions en exploitant les caractéristiques de chaque modèle.
Les natures différentes des modèles utilisés permettent de mieux modéliser les
comportements de ventes des produits. L’usage de plusieurs modèles réduit le risque des
grandes erreurs surtout pour les prévisions au long et au moyen terme en se ne basant pas
que sur un seul modèle. En revanche, cette approche présente quelques limites notamment,
la nécessite de beaucoup de données pour assurer les étapes d’entraînement des modèles de
séries temporelles et du réseau de neurones, ce qui rend l’approche applicable plus aux
144
anciens produits. L’entraînement des modèles et du réseau est également couteux en termes
de temps d’exécution ce qui pourra limiter leur usage pour la préparation des prévisions
rapidement.
En comparaison avec la méthodologie présentée au chapitre 3 où nous sélectionnant le

meilleur modèle pour chaque produit, cette méthodologie de combinaison permet de réduire
le risque d’un mauvais choix de modèle mais en rajoutant une complexité supplémentaire qui
se traduit par une quantité de données importante et par l’usage d’un réseau de neurone.
Pour ces raisons, la première méthodologie demeure plus efficace pour modéliser le catalogue
produit de l’entreprise et pour répondre à ces besoins de prédiction des ventes. En plus, vu le
grand nombre de produits avec des courtes séries temporelles, la deuxième méthodologie ne
sera pas applicable pour calculer leurs prévisions. Pour conclure, le meilleur compromis sera
de mettre en place la première méthodologie proposée tout en gardant à l’esprit le risque qui
peut exister. Cette implémentation sera le sujet du chapitre 5.
145
Chapitre 5 : Industrialisation des travaux et mise en production
I. Introduction
Nous avons présenté tout au long du troisième chapitre la méthodologie proposée pour
améliorer les prévisions des ventes pour le catalogue de produits de l’entreprise elm.leblanc.
Cette méthodologie repose sur un ensemble de modèles de prédiction des séries temporelles
et permet de modéliser les produits avec la meilleure estimation possible en mettant en
compétition plusieurs modèles. Cette méthodologie a été développée pour répondre au
besoin de l’entreprise d’avoir un outil de prévision automatisé et plus précis que la méthode
actuelle employée. Cette solution doit être accessible aux différents acteurs concernés et sera
intégrée dans le processus S&OP pour faciliter la planification de la production selon la
demande. Le principal enjeu sera de rendre cet outil utilisable par les membres des équipes
avec une facilité et aisance grâce à une implémentation dans un environnement industriel de
production pour assurer son utilité, son accessibilité et sa pérennité.
Dans le cadre de cette thèse, les travaux exploratoires ont été développés et testés dans un
environnement Python en exploitant plusieurs librairies de ce langage, et implémentés sur
une machine locale au sein de l’entreprise. Néanmoins, plusieurs problématiques
interviennent lors de l’implémentation dans un environnement local. Les durées de vie
prévues des machines sont généralement courtes et peuvent être raccourcies suite à des
accidents ou des défauts matériels. Les données et les packages installés sont en risque
constant de perte ou de suppression accidentelles ou inattendues par l’utilisateur. En plus, les
packages installés sont toujours en amélioration continue suite à des mises à jour ce qui
augmente le risque de non compatibilité des versions des librairies et donc nécessite une
maintenance régulière.
Pour éviter ces risques et assurer la pérennité de la solution et le bon fonctionnement et

l’exploitation de cet outil, nous nous sommes dirigés vers l’implémentation des travaux sur un
service cloud vu les différents avantages que présente cet environnement par rapport à un
environnement physique local. Parmi ces avantages on peut citer :
• Haute disponibilité : les applications cloud peuvent fournir une expérience utilisateur
continue, en limitant les temps d’arrêt et d’indisponibilité en cas de problème.
146
• Scalabilité & Élasticité : les applications cloud peuvent être configurées pour utiliser la
mise à l’échelle automatique, ce qui garantit que les applications disposent toujours
des ressources dont elles ont besoin.
• Agilité : les ressources cloud peuvent être déployées et configurées rapidement, au fur
et à mesure que les besoins évoluent.
• Géodistribution : les applications et les données peuvent être déployées dans des
centres de données à travers le monde entier, garantissant ainsi toujours des
meilleures performances pour chaque site.
• Reprise d’activité après sinistre : grâce aux services de sauvegarde dans le cloud, à la
réplication des données et à la géodistribution, les applications déployées et les
données sont sécurisées en cas de sinistre.
Dans la première partie de ce chapitre, nous allons discuter de l’intégration de la solution dans
le processus S&OP et la planification des processus de la Supply Chain et de son rôle
d’équilibrage de l’offre et la demande. Ensuite, nous présentons la valeur ajoutée de cet outil
dans le processus de prévisions des ventes et comment il impacte des modifications dans le
processus S&OP existant. La deuxième partie sera consacrée à la présentation des services
cloud utilisés et nous décrivons les étapes d’implémentation des travaux réalisés sur une de
ces plateformes. Dans la dernière partie de ce chapitre, nous présentons la mise en production
de l’outil développé et son intégration dans les processus de l’entreprise, ainsi que son
exploitation par les collaborateurs.
II. Intégration de l’outil dans le processus S&OP

Comme présenté dans le premier chapitre, le processus S&OP est considéré comme un
processus pilote pour la planification de la Supply Chain. En ayant comme but l’équilibrage de
l’offre et la demande, ce processus repose généralement sur cinq étapes permettant la mise
en place et la cohérence des différents plans de la demande, de production et de
réapprovisionnement de la matière première (voir figure 1 dans le chapitre 1).
Les travaux réalisés sur l’amélioration des prévisions des ventes s’intègrent dans la première
étape et vise à fournir une base solide pour le reste des étapes du processus. L’outil développé
vise à fournir un plan de prévision pour l’ensemble des références de produits du catalogue
147
de l’entreprise constituant ainsi le sujet de validation lors de la deuxième étape.
Concrètement, l’outil développé doit être utilisé en début de chaque mois pour calculer des
prévisions à court terme et à moyen terme pour chaque produit. Ensuite, ces prévisions sont
discutées et validées par les différents responsables des départements de vente, de
production, de marketing et de logistique durant la deuxième réunion de la planification de la
demande comme le montre la figure 43.
Figure 43 : Nouveau processus de prévisions des ventes
Ces discussions peuvent apporter des nouveaux éléments qui ne sont pas pris en
considération par les modèles lors de calcul des prévisions comme l’arrêt de certains produits
ou la mise en place des campagnes publicitaires sur certaines gammes, ou encore l’obtention
d’un ou plusieurs marchés de type chantier nécessitant ainsi des quantités supplémentaires
des produits. Cette réunion permet également de prendre en considération les retours du
terrain à travers les informations renvoyées par les directeurs commerciaux régionaux qui
sont en contact direct avec les clients et les distributeurs. Tous ces éléments sont assimilés
pour rectifier si besoin le plan de prévision déjà préparé par l’outil, d’où l’importance
d’intégrer les meilleures structures de modèles dans le cadre de ce processus S&OP. Une fois
le plan de la demande est validé, il sera renvoyé au service de production pour poursuivre le
cycle du processus.
L’importance de l’outil s’avère non seulement en préparant des prévisions plus précises,
rapidement et d’une façon automatique, mais aussi en traitant un grand nombre de
références de produits. En effet, les discussions menées lors de la réunion de plan de la
demande concernent plus les familles de produits et les références les plus vendues qui
subissent des changements, et donc beaucoup de produits avec des faibles quantités ne sont
discutés qu’à l’échelle de leur famille et par la suite les prédictions des produits individuels
peuvent être moins précises. Cette capacité qu’a l’outil développé de permettre de calculer
148
des prévisions pour tout type de référence, quel que soit le volume de vente réalisé,
représente dans ce contexte un apport significatif. De fait, cet outil joue un rôle important
pour renforcer et améliorer les prévisions de ventes et soutenir le processus S&OP dans
l’entreprise, en ayant un impact indirect sur le reste des étapes.
Dans le paragraphe suivant, nous présentons le cloud computing et ses spécificités, quelques
solutions disponibles sur le marché ainsi que la solution choisie et sur laquelle nos travaux ont
été implémentés, en détaillant plusieurs éléments importants liés à une intégration dans cet
environnement ainsi que l’architecture mise en œuvre pour l’implémentation.
III. Le Cloud Computing

Le cloud computing est le terme qui désigne l’ensemble des services informatiques fournis sur
internet par plusieurs entreprises du marché, et qui incluent des services de calcul et de
stockages de données, des logiciels, des outils analytiques et d’intelligence artificielle, etc…
Dans le cloud computing, il existe trois différents modèles de service cloud, connus sous les
noms « Infrastructure As A Service (IaaS) », « Platform As A Service (PaaS) » et « Software As
A Service (SaaS) ». Ces modèles définissent les différents niveaux de responsabilité partagée
entre un fournisseur et un locataire du Cloud.
Figure 44 : Modèles des services Cloud
Infrastructure As A Service : Ce modèle de service cloud est le plus proche de la gestion de

serveurs physiques : un fournisseur de cloud maintient le matériel à jour, mais la maintenance
du système d’exploitation et la configuration du réseau sont laissées au locataire du cloud.
Platform As A Service : Ce modèle de service cloud est un environnement d’hébergement

managé, où le fournisseur de cloud gère les machines virtuelles et les ressources réseau et
149
dans lequel le locataire du cloud déploie ses applications dans l’environnement
d’hébergement managé.
Software As A Service : Dans ce modèle de service cloud, le fournisseur de cloud gère tous les
aspects de l’environnement d’application (machines virtuelles, ressources réseau, stockage
des données, applications, etc.), et le locataire du cloud doit seulement fournir ses données à
l’application gérée par le fournisseur.
Pour un service cloud, il existe trois types de déploiement possibles : cloud public, cloud
privé et cloud hybride. Chaque modèle de déploiement a différents aspects à prendre en
compte lors d’une migration vers le cloud.
• Cloud public : Les services sont fournis via internet et sont accessibles à toutes
personnes physiques et morales. Les ressources cloud, comme les serveurs et l’espace
de stockage, sont détenues et gérées par un fournisseur de services cloud tiers et sont
mises à disposition via Internet.
• Cloud privé : Un cloud privé se compose de ressources de calcul utilisées
exclusivement par des utilisateurs d’une entreprise ou d’une organisation. Un cloud
privé peut être situé physiquement dans le centre de données sur site (local), ou être
hébergé par un fournisseur de services tiers.
• Cloud hybride : Un cloud hybride est un environnement de calcul qui combine un cloud
public et un cloud privé en autorisant le partage de données et d’applications entre
ceux-ci.
Dans le cas de l’entreprise elm.leblanc et du groupe Bosch, un type hybride est employé
permettant ainsi de garder le fonctionnement de quelques applications et le stockage des
données sur des serveurs locaux, tout en bénéficiant de certaines fonctionnalités et services
du cloud public.
Pour bénéficier des services du cloud computing, il existe sur le marché plusieurs solutions
appartenant à différents fournisseurs. Parmi les environnements dominants et les plus connus
et utilisés, on distingue Amazon Web Services (AWS) (Services et Produits de Cloud Amazon |
AWS, 2021), Google Cloud Platform (GCP) (Premiers Pas – Google Cloud Platform, 2021) et
Microsoft Azure (Services de Cloud Computing | Microsoft Azure, 2021). Ces solutions
contiennent différents services d’hébergement des applications, de stockage et gestion des
150
données, d’intelligence artificielle, des ressources de calcul, etc…. Ces trois géants proposent
des services très similaires mais se distinguent entre eux en termes de maturité sur le marché
et des coûts d’exploitation. GCP s’avère la solution la moins chère entre eux, néanmoins, AWS
est la plus mature et propose le plus large éventail de produits. Quant à Microsoft Azure, il
propose une large gamme de services également et est plus demandé au sein des organismes
qui s’appuient déjà sur d’autres solutions Microsoft. C’est dans ce dernier cas que l’entreprise
elm.leblanc se situe. En effet, l’entreprise emploie plusieurs technologies de Microsoft pour
le développement de ses applications, d’où le choix d’Azure comme solution de cloud
computing pour l’implémentation de l’outil de prévision des ventes.
III.1. Microsoft Azure

Microsoft Azure est une plateforme du cloud computing qui fournit un ensemble de services
aux entreprises pour les aider à créer des solutions couvrant une large variété d’objectifs. Les
services Azure sont très divers, de l’ordre de 200. La figure 45 ci-dessous présente les
principaux services proposés par Azure :
Figure 45 : Exemples des services Cloud d’Azure
Ils vont de simples services web utilisés pour héberger les activités dans le cloud, à des
serveurs entièrement virtualisés sur lesquels les solutions logicielles personnalisées sont
exécutées. Azure fournit plusieurs services cloud, parmi lesquels le stockage étendu,
l’hébergement de bases de données, la gestion centralisée des comptes et l’accès à des
nouvelles fonctionnalités liées au calcul, à l’apprentissage automatique et l’intelligence
151
artificielle et l’Internet des objets (IoT). Azure permet de créer, de gérer et de déployer des
applications sur un réseau de dimension mondiale reposant sur une infrastructure
massivement distribuée.
Pour assurer le bon fonctionnement de l’outil de prévisions, nous employons principalement

deux services de Microsoft Azure à savoir le Blob Storage (Introduction Au Stockage (d’objets)
Blob - Azure Storage | Microsoft Docs, 2021) et Azure Machine Learning (Qu’est-Ce Que Azure
Machine Learning ? - Azure Machine Learning | Microsoft Docs, 2021) comme étant des
services PaaS. Le premier sera consacré au stockage des données d’entrée et de sortie de
l’outil, tandis que le deuxième a pour objectif d’implémenter et de faire apprendre les
modèles de prédiction ainsi que les différentes fonctions de nettoyage et de préparation des
données. Nous présentons dans les deux paragraphes suivants ces deux services ainsi que ses
différents composants.
III.2. Présentation du Blob Storage

Le Blob Storage Azure est un service qui permet de stocker des quantités massives de données
structurées et non structurées, ou objets blob, dans le cloud. Le Blob Storage peut gérer des
milliers de chargements simultanés, des quantités énormes de données vidéo, des fichiers
journaux à croissance constante, et est accessible depuis n’importe quel emplacement
disposant d’une connexion Internet.
Les bases de données qui correspondent aux historiques des ventes, des références des
produits à prédire, des références de remplacement des anciens produits et l’ensemble des
fonctions Python développées en local, sont placées sur la solution Blob Storage d’Azure pour
les connecter directement à Azure ML. Les résultats des prévisions ainsi que les données de
ventes brutes téléchargées chaque mois, sont stockées dans le Blob Storage pour être
consommé par l’outil de prévision.
III.3. Azure Machine Learning

Microsoft Azure fournit le service Azure Machine Learning qui correspond à une plateforme
cloud qui permet de créer, gérer et publier des modèles d’apprentissage automatique. Elle
permet la création des projets end-to-end d’apprentissage automatique. La figure 46 ci-
dessous présente les étapes de déroulement d’un projet ML sur cette plateforme.
152
Figure 46 : Etapes de création d’un projet ML sur Azure ML
Azure Machine Learning offre les fonctionnalités et capacités suivantes :
• Machine Learning automatisée : Cette fonctionnalité permet de tester plusieurs

modèles de Machine Learning présélectionnés selon le cas d’usage.
• Concepteur Azure Machine Learning : Une interface graphique permet le
développement avec et sans code de solutions Machine Learning.
• Gestion des données et des calculs : Un stockage de données dans le cloud et des
ressources de calcul que les utilisateurs peuvent employer pour exécuter du code
d’expérimentations à grande échelle.
• Pipelines : Une fonctionnalité qui permet aux utilisateurs de définir un ensemble
d’étapes pour orchestrer les tâches d’entraînement, de déploiement et de gestion des
modèles à travers des Kits de développement logiciel (SDK) en langage Python et R.
L’outil concepteur d’Azure ML (Qu’est-Ce Que Le Studio Azure Machine Learning ? - Azure
Machine Learning | Microsoft Docs, 2021) permet de créer et d’exécuter des pipelines en
utilisant une interface visuelle glisser-déposer pour connecter des modules qui définissent les
étapes et le flux de données du pipeline. Il est également possible d’utiliser des « blocs » de
code qui permettent le développement des fonctionnalités spécifiques à la problématique
étudiée à travers le langage Python ou R. Il est possible aussi d’installer des packages qui
n’existent pas par défaut sur Azure ML, ou importer des blocs de code pour les utiliser
directement dans le pipeline. La figure 47 ci-dessous illustre un exemple d’implémentation
d’un pipeline dans le concepteur d’Azure ML.
153
Figure 47 : Exemple d’un pipeline sur Azure ML
Dans le cadre de la mise en application des travaux réalisés, nous avons employé cet outil pour
la création d’un pipeline personnalisé pour le traitement des données de l’entreprise
elm.leblanc, l’entraînement des modèles de prédiction et la préparation des prévisions des
ventes. Dans le paragraphe suivant, nous présentons les différentes étapes du pipeline conçu
dans le concepteur d’Azure ML.
IV. Description du pipeline retenu pour le portage de la solution

Dans le cadre de l’implémentation de nos travaux dans l’environnement Azure ML et dans le
but de faciliter l’usage des modèles développés pour la prévision des ventes aux services
concernés, nous avons utilisé le concepteur d’Azure ML pour mettre en place tout le processus
depuis le nettoyage et la préparation des données, jusqu’à la visualisation des résultats de
prédiction à l’utilisateur en passant par l’entraînement des modèles.
Ce processus peut être partagé en deux phases : la première concerne la préparation et le

nettoyage des données, tandis que la deuxième vise à la construction et l’entraînement des
modèles, et le calcul des prévisions selon la méthodologie proposée dans ces travaux.
IV.1.Etapes du pipeline
Le pipeline ou encore le processus de stockage et de traitement des données, d’entraînement
et de prédiction, est constitué de deux phases faisant l’objet de cet outil. Pour la phase de
154
préparation des données, la première étape consiste en la lecture et le nettoyage des données
brutes historiques des ventes à partir du Blob Storage, avec une mise à jour des données
téléchargées du mois écoulé. Un travail de suppression des aléas, des valeurs invalides et de
sélection des données pertinentes est effectué durant cette étape. La deuxième étape
concerne la sélection des produits éligibles selon les conditions discutées au chapitre 3
(paragraphe II.2). Ensuite, il convient d’ajouter une étape de vérification s’il y a un changement
au niveau des références de produits pour ajouter de nouvelles références ou supprimer des
anciennes. Cette première phase vise à construire une base de données propre et complète
des historiques des ventes de l’ensemble des produits qu’on souhaite prédire.
La deuxième phase de ce pipeline vise à préparer les prévisions et les enregistrer dans le Blob
Storage. D’abord, l’ensemble des fonctions développées en machine locale auparavant sont
importées depuis le Blob. Ces fonctions représentent une implémentation de la méthodologie
présentée dans le chapitre 3. En utilisant les données préparées à l’issue de la première phase,
le processus d’entraînement et de validation des modèles est initié dans Azure ML. La dernière
étape consiste à calculer les prévisions des ventes de chaque produit selon l’horizon souhaité
par l’utilisateur. L’horizon de choix constitue une entrée par l’utilisateur et est pris en
considération dans l’étape de calcul des prédictions. Les résultats finaux sont exportés vers le
Blob Storage pour être téléchargés et exploités par la suite.
Dans le paragraphe suivant, nous décrivons l’implémentation de ces étapes sur le concepteur
d’Azure ML et les liaisons entre les différentes étapes du pipeline.
IV.2.Implémentation
Dans le concepteur d’Azure ML, les différentes étapes décrites dans le paragraphe précédent
sont représentées par un ou plusieurs blocs de code. Chaque bloc prend en entrées des bases
de données, des blocs de code ou encore les résultats d’autres blocs. La figure ci-dessous
présente l’implémentation du pipeline de l’outil de prévision des ventes. Nous décrivons dans
cette partie les différents blocs du pipeline ainsi que les liaisons entre ces derniers et les
données employées dans cet outil. La figure 48 ci-dessous présente le pipeline implémenté
sur Azure ML pour les prévisions des ventes.
155
1 2
Blocs liés au Blob Storage
Blocs liés à Azure ML
3 4
6
5
8
7
10
9 11
12
13
Figure 48 : Capture du pipeline implémenté sur Azure ML pour la prédiction des ventes
156
En partant du haut à gauche, les deux premiers blocs correspondent aux données historiques
des ventes entre 2015 et 2018 et entre 2019 et 2020. Cette répartition sur deux fichiers est
due au fait qu’on ne dispose pas des mêmes colonnes de données suite à un changement de
format en 2019, et donc ces deux fichiers sont traités et nettoyés puis concaténés ensemble
pour former la première sortie du bloc 3. Le bloc 4 représente les données de ventes de
l’année 2021 mises à jour à chaque mois écoulé, et importées depuis le Blob Storage. Il
constitue avec le résultat du bloc 3, les entrées pour le bloc 5 nécessaire pour consolider les
données et les remettre au même format pour toutes les années. Le bloc 6 représente la liste
des nouveaux produits qui remplacent les anciens, et donc ces données sont croisées avec les
historiques des ventes dans le bloc 7 pour créer une base de données à jour (sortie du bloc 7).
A cette étape, nous avons construit une base de données propre de l’ensemble des produits
vendus dans l’entreprise avec un historique complet depuis 2015. Le bloc 8 correspond à la
liste des références de produits que l’utilisateur souhaite prédire et qui est importée du Blob
Storage avec la possibilité de la mettre à jour régulièrement. Ce bloc 8 constitue avec la sortie
du bloc 7 les entrées du bloc 9 qui sera consacré à la sélection des produits éligibles à la
prédiction en respectant les conditions discutées lors de l’explication de la méthodologie au
chapitre 3 (paragraphe I.2). A la sortie du bloc 9, nos données sont prêtes pour être exploitées
et utilisées par les structures de modèles dont l’estimation et la mise à jour se font sur Azure
ML. Le bloc 11 correspond aux fonctions développées en machine locale avec quelques
adaptations nécessaires, et qui sont téléchargés sous format zip dans le Blob Storage et
ensuite importés au pipeline. Dans le bloc 12, nous faisons appel aux différentes fonctions
développés (bloc 11), pour l’estimation et la mise à jour des structures des modèles en
utilisant les données à la sortie du bloc 9. Après leur entraînement, les modèles sont mis en
compétition selon notre méthodologie développée, et ensuite, le calcul des prédictions de
chaque produit est réalisé selon le modèle choisi et selon l’horizon souhaité par l’utilisateur
introduit par l’intermédiaire du bloc 10. Les sorties du bloc 12 correspondent alors à des
prévisions des ventes pour les produits demandés, exportées ensuite au Blob Storage sous
format csv pour être exploitées et téléchargées.
Ces blocs de code sont exécutés grâce à des ressources de calcul qui sont choisies selon la
puissance souhaitée par l’utilisateur selon son abonnement. L’offre d’Azure ML permet de
mettre en veille automatiquement les ressources lorsqu’elles ne sont pas utilisées et donc ne
157
pas engendrer des coûts supplémentaires à l’utilisateur. Grâce à une autre fonctionnalité
intéressante d’Azure ML, les blocs délivrant les mêmes résultats à chaque lancement comme
le bloc 3, ne seront pas dans l’obligation de réexécuter le code contenu dans ces blocs et vont
exploiter directement les résultats sauvegardés en cache depuis le dernier lancement. Cet
aspect accélère l’exécution de l’ensemble du pipeline et réduit la consommation des
ressources de calcul et donc réduit les coûts d’exploitation.
Dans le paragraphe suivant, nous présentons les résultats d’implémentation des travaux
présentés auparavant sur Azure ML et son usage au sein de l’entreprise.
V. Mise en œuvre et Résultats

Après le déploiement de l’approche proposée dans le chapitre 3 sur Azure ML, cet outil est
désormais employé dans l’entreprise pour préparer les prévisions des ventes. L’outil est
fonctionnel depuis le début de l’année de 2021 et est utilisé régulièrement chaque mois.
L’outil est intégré dans un processus S&OP pour préparer les prévisions de ventes des produits
avant la réunion de la planification de la demande. Le responsable des prévisions se sert de
cet outil chaque début de mois pour lancer les calculs la nuit et retrouver les résultats le
lendemain. La prise en main de l’outil s’est réalisée à travers une démonstration de l’usage de
l’outil pour les personnes concernées des différents départements. Ensuite, un guide
d’utilisation a été réalisé pour servir d’assistance en cas de besoin. Les premières utilisations
de l’outil étaient accompagnées pour assurer la bonne maîtrise des différentes étapes de la
mise en marche, et avoir les retours d’expériences des utilisateurs. Ensuite, les utilisations ont
été réalisées en toute autonomie renvoyant ainsi une satisfaction des utilisateurs concernant
la facilité d’usage et l’ergonomie de la solution.
Nous présentons dans le tableau 21 ci-dessous les résultats de prévisions de l’outil par rapport
aux ventes réelles de quelques produits sur le premier semestre 2021.
Janvier-21 Février-21 Mars-21 Avril-21 Mai-21 Juin-21

Prod
Vent Prévisi Vent Prévisi Vent Prévisi Vent Prévisi Vent Prévisi Vent Prévisi
uit
es ons es ons es ons es ons es ons es ons
X2 64 61 47 51 75 54 100 32 81 62 74 65
X3 32 18 35 24 60 28 10 44 45 28 50 32
X4 1103 935 887 752 864 810 966 800 700 928 1099 863
X5 593 538 503 491 734 411 588 756 712 585 814 677
X6 9 29 53 21 43 34 10 37 339 26 208 148
158
X7 222 224 213 304 202 259 221 222 199 202 169 189
X8 1034 1071 671 1050 330 897 950 358 1052 589 1036 887
X9 149 351 514 146 328 341 505 361 217 327 216 304
X10 477 506 245 450 306 281 103 374 238 170 179 222
X11 573 1097 933 682 1110 682 788 632 815 510 271 823
X12 1156 1133 1451 1002 1077 1053 827 934 524 599 877 787
X13 8 17 12 27 18 42 0 0 2 15 10 34
X14 100 189 119 78 223 178 113 159 132 84 228 98
X15 24 249 12 132 7 68 21 75 10 72 28 65
X16 0 0 1 2 2 1 0 0 2 1 2 1
X17 195 111 49 138 79 5 59 79 14 59 27 14
X18 77 162 119 118 114 107 97 127 88 135 46 78
X46 307 321 311 274 119 298 221 196 225 224 438 235
X19 27 20 28 20 10 17 28 15 14 16 16 16
X20 79 74 79 74 57 73 57 70 80 68 83 68
X21 66 20 32 18 23 38 20 16 24 30 47 34
X22 47 26 29 29 16 32 21 22 17 20 30 28
X23 43 34 38 35 33 35 20 32 53 28 40 28
X24 52 26 24 37 33 31 19 31 27 26 48 26
X30 48 17 45 40 41 43 22 40 30 27 69 22
X37 73 84 79 83 41 82 74 80 74 79 56 79
X38 8 14 8 12 25 5 1 20 17 1 31 17
X39 24 15 2 22 22 14 2 10 2 6 2 4
X40 7 13 90 9 11 34 6 23 9 31 5 16
X41 2 4 3 3 8 1 0 0 4 2 8 3
X42 2 2 2 2 5 2 3 2 3 4 4 2
X43 203 188 158 119 110 154 80 129 180 115 229 119
X44 110 90 119 68 130 97 101 99 130 113 195 116
X45 966 1139 907 724 1372 930 878 1119 1872 1015 1602 1535
Tableau 21 : Ventes et prévisions réalisées sur le S1 2021
Ces prévisions sont ensuite discutées durant la première réunion du processus S&OP qui est
la planification de la demande pour les ajuster en intégrant les avis d’experts et les
informations externes qui peuvent influencer ces prévisions.
Nous présentons dans la figure ci-dessous les erreurs absolues des prévisions fournies par
l’outil par rapport aux ventes réalisées pour chaque mois du premier semestre de 2021.
159
Erreur Absolue pour chaque mois
700
600
500
Quantité
400
300
200
100
0
janvier-21 février-21 mars-21 avril-21 mai-21 juin-21
Mois
X2 X3 X5 X6 X7 X8 X12 X13 X14 X18 X21 X40 X43 X44
Figure 49 : Exemples pour quelques produits des erreurs absolues enregistrées pour chaque mois
On remarque que notre approche était assez proche de la réalité des ventes sur la plupart des
produits, néanmoins pour certains produits comme le X8, notre méthode a fourni des erreurs
élevées. Ceci peut être justifié par le fait que ce produit a subi une rupture de stock sur certains
composants pour le mois de février et mars, et ensuite une augmentation brusque sur les mois
d’après pour compenser les ventes non honorées sur les mois précédents. Ces effets sont pris
en considération dans la réunion de préparation du plan de la demande lors du processus
S&OP dans l’entreprise, ce qui permet de réduire l’impact de ces causes sur la précision des
prévisions. On remarque également que pour le produit X12, nous avons une erreur
importante sur le mois de février qui n’apparaît pas sur les autres mois. Ceci peut être expliqué
par la validation d’un chantier et donc une demande importante brusque notée sur ce produit
pour ce mois. Pour des produits comme le X5 le X6, les erreurs constatées restent modérées
et non élevées par rapport aux autres produits puisqu’il s’agit plutôt des produits réguliers ne
subissant pas de perturbation particulière. Dans le tableau 22 suivant, nous présentons ces
résultats pour un plus grand nombre de produits.
Référence Janvier-21 Février-21 Mars-21 Avril-21 Mai-21 Juin-21

X2 2 4 20 67 18 8
X3 13 10 31 34 16 17
X4 167 134 53 165 228 235
X5 54 11 322 168 126 136
X6 20 31 8 27 312 59
X7 2 91 57 1 3 20
160
X8 37 379 567 591 462 148
X9 202 367 13 143 110 88
X10 29 205 24 271 67 43
X11 524 250 427 155 304 552
X12 22 448 23 107 75 89
X13 9 15 24 0 13 24
X14 89 40 44 46 47 129
X15 225 120 61 54 62 37
X16 0 1 0 0 0 0
X17 83 89 73 20 45 13
X18 85 0 6 30 47 32
X46 14 36 179 24 0 202
X19 6 7 7 12 2 0
X20 4 4 16 13 11 14
X21 45 13 15 3 6 12
X22 20 0 16 1 3 1
X23 8 2 2 12 24 11
X24 25 13 1 12 0 21
X30 31 4 2 18 2 46
X37 11 4 41 6 5 23
X38 6 4 19 19 15 13
X39 8 20 7 8 4 2
X40 6 80 23 17 22 11
X41 2 0 6 0 1 4
X42 0 0 2 0 1 1
X43 14 38 44 49 64 109
X44 19 50 32 1 16 78
X45 173 182 441 241 856 66
Tableau 22 : Erreurs absolues enregistrées sur le premier semestre de 2021
Comme nous pouvons le constater à partir du tableau 22, pour plusieurs produits notre
approche a fourni des bons résultats en termes de précision. Nous rappelons que l’ensemble
des prédictions sont ajustées lors de la réunion de préparation du plan de la demande pour
prendre en considération les facteurs externes liés à la nature de l’activité de l’entreprise
comme les promotions, les compagnies publicitaires ou encore les chantiers.
VI. Conclusion
Ce dernier chapitre a été consacré pour la phase d’industrialisation et la mise en place de
l’outil développé dans un environnement d’application réel. Pour assurer cet objectif, nous
avons employé la plateforme Cloud de Microsoft Azure Machine Learning qui permet le
développement et le déploiement rapide des applications en ML. Azure Blob Storage était
161
utilisé pour télécharger et sauvegarder les bases de données. La mise en place de l’outil passe
à travers l’implémentation d’un pipeline permettant la préparation des données ainsi que
l’entraînement des modèles et le calcul des prévisions.
Ce travail est aujourd’hui mis en œuvre au sein du département des ventes dans l’entreprise
et est exploité pour préparer les prévisions des ventes dans un cycle mensuel du processus
S&OP. Cet outil constitue le livrable demandé par l’entreprise au début de ces travaux, et
consiste en une solution clé en main pour le service des ventes dans un environnement
industriel. L’implémentation sur un service cloud comme Azure ML permet une pérennité de
la solution évitant ainsi les inconvénients liés à l’infrastructure locale. Cette solution offre
également une automatisation de calcul des prévisions remplaçant ainsi la méthode manuelle
utilisée auparavant chez l’entreprise. Cet aspect facilite l’usage de la solution et est le sujet
d’appréciation des collaborateurs qui utilisent cet outil. L’intégration de l’application dans les
processus de l’entreprise s’est effectuée progressivement, en formant d’abord les
collaborateurs concernés à son utilisation, ensuite, un usage avec accompagnement pour
avoir les retours des utilisateurs et identifier les difficultés rencontrées, et puis un usage
autonome complété par un guide d’utilisation en cas de besoin. Les retours des collaborateurs
sont plutôt positifs autant pour l’aisance d’usage que pour les résultats de prédictions fournis
par l’outil. Cette appréciation est justifiée par l’utilisation de la solution jusqu’au aujourd’hui
en toute autonomie au sein de l’entreprise, tout en permettant des améliorations futures,
tant sur la mise à jour des modèles utilisés, l’introduction de nouvelles fonctionnalités ou
l’évolution du catalogue produits elm.leblanc.
162
Conclusion Générale
L’objectif global pour chaque entreprise est de maximiser ses gains et réduire ses coûts en
améliorant ses processus et sa Supply Chain. Dans ce manuscrit, nous avons traité une
problématique visant à atteindre cet objectif à travers la mise en place d’un outil d’aide à la
décision pour l’amélioration du processus de planification de la demande. Les travaux menés
dans cette thèse ont deux objectifs : d’un point de vue recherche, proposer une nouvelle
méthodologie scientifique pour la prévision des ventes des produits de différentes natures, et
d’un point de vue industriel, mettre en place un outil pour aider les entreprises à mieux
planifier leur plan de demande. L’entreprise elm.leblanc était le cadre d’application
industrielle de ces travaux en utilisant ses données pour réaliser les différentes
expérimentations.
Dans ce projet, nous avons essayé de mettre en application les travaux de recherche réalisés
dans un contexte industriel. L’évaluation de l’état existant de l’entreprise nous a révélé
plusieurs points d’amélioration. En se basant sur les étapes du processus S&OP et en évaluant
le besoin de l’entreprise, nous nous sommes focalisés sur l’amélioration du processus de
prévision des ventes. Cette problématique représente la première étape de planification de la
Supply Chain et son amélioration affecte les étapes suivantes telles que la planification de la
production et le réapprovisionnement des matières premières, d’où l’intérêt accordé par
l’entreprise pour l’améliorer. Nous nous sommes focalisés alors sur l’étude des techniques
existantes dans la littérature, dans le but de proposer une méthodologie qui à la fois répond
à ce besoin, et contribue au progrès scientifique de ce domaine d’étude.
Nos recherches se sont concentrées sur les méthodes utilisées dans différents domaines
d’applications pour faire les prévisions des ventes. Cette étude s’avère intéressante pour
comprendre comment les spécificités et les particularités de chaque domaine influent le choix
des méthodes de prévisions. Elle révèle que plusieurs facteurs entrent en jeu et doivent être
pris en considération pour chaque application. L’approche utilisée doit correspondre aux
données existantes et à la nature de l’activité de chaque entreprise.
Dans cette étude bibliographique, nous nous sommes intéressés aussi à la description
mathématique des approches et modèles de la littérature. Nous avons étudié les principales
163
techniques utilisées pour les prévisions des ventes et nous avons identifié quatre catégories
principales. Nous trouvons tout d’abord des techniques traitant cette problématique par une
approche de séries temporelles uniquement, employant ainsi des modèles dédiés pour leur
modélisation. D’autres approches considèrent davantage de dépendances statistiques des
variables et des facteurs externes et donc emploient des techniques d’apprentissage
automatique. Une autre catégorie emploie des techniques plus avancées d’apprentissage
profond, notamment en utilisant les réseaux de neurones. Enfin, des méthodologies
présentent des méthodes hybrides et de combinaison, utilisant plusieurs types de modèles en
même temps. Cette investigation nous a permis de construire une connaissance sur les
méthodes et les approches adéquates pour chaque cas d’étude, et nous a aidé à développer
notre méthodologie appropriée à notre problématique.
Etant donnée la variété et la diversité du catalogue des produits de l’entreprise elm.leblanc,

nous avons proposé dans ces travaux une première méthodologie pour fournir des meilleurs
prévisions. Notre approche repose sur une structure multi-modèle qui permet d’identifier
celui le plus adéquat pour chaque produit du catalogue et l’utiliser pour calculer les prévisions
à différents horizons. Nous avons employé plusieurs types de modèles pour couvrir l’ensemble
des produits de l’entreprise. Cette méthodologie a été évaluée sur des données réelles de
l’entreprise pour valider son efficacité. Nous nous sommes intéressés également à la
répartition des produits par type de modèle utilisé dans le but de mieux comprendre le
comportement des ventes de ces produits et justifier le choix des modèles employés. Comme
nous avons étudié plusieurs domaines d’application des techniques de prévisions des ventes,
nous avons généralisé notre approche pour qu’elle soit adaptable à d’autres domaines. Ainsi,
elle peut être appliquée dans d’autres cas d’études. Nous avons également testé notre
approche sur des données réelles irrégulières, notamment pour la prédiction des ventes pour
la période post-COVID, où nous avons eu des résultats satisfaisants malgré l’impact de la
situation sanitaire sur les entreprises.
Comme pour toute méthodologie, il n’existe pas d’approche parfaite et chacune peut avoir un
biais. Notre méthode ne fait pas l’exception, et pour faire face au biais identifié, nous avons
proposé une extension de cette approche. L’aspect compétitif de la première méthodologie
sera remplacé par un aspect collaboratif. Nous avons donc proposé de combiner les résultats
des différents modèles utilisés auparavant dans le but d’améliorer les prévisions finales. Cette
164
combinaison est réalisée à travers un réseau de neurones qui prendra la décision après avoir
affecté des poids à chaque modèle. La nécessité d’une quantité importante de données pour
l’entraînement des modèles et l’usage du réseau, rend cette approche applicable d’avantage
aux produits ayant suffisamment de données d’historique de ventes. Cette deuxième
méthodologie a été évaluée également sur les données d’elm.leblanc, montrant ainsi des
résultats satisfaisants.
Comme le succès d’un projet industriel est conditionné par une mise en place réussite ainsi
qu’une facilité d’usage, les travaux menés durant la thèse étaient l’objet d’une
implémentation et mise en œuvre dans l’entreprise elm.leblanc. Nous avons réussi à
implémenter cette approche de prédiction sur la plateforme Cloud de Microsoft Azure ML.
Cette mise en œuvre permet la création d’un outil d’aide à la décision pour la prévision des
ventes du catalogue des produits de l’entreprise, et qui est utilisé aujourd’hui avec aisance par
le département des ventes. D’après ce constat, il nous semble que ce projet est couronné de
succès et que l’objectif fixé au départ a été atteint.
Comme chaque méthodologie développée dans la littérature, il existe toujours des limites et
des conditions d’utilisation. Pour notre première approche proposée, nous avons spécifié
quelques critères de choix des produits qui peuvent être prédits. Le choix des modèles utilisés
peut être reconsidéré avec l’apparition des nouveaux modèles plus précis, ou avec le cumul
d’une grande quantité de données, et donc l’emploi d’autres approches d’apprentissage
profond. Avec l’intervention des facteurs externes influant les ventes comme le changement
des réglementations ou encore la rupture d’approvisionnement, notre approche actuelle ne
pourra pas prévoir la baisse ou l’augmentation des ventes puisqu’elle ne prend pas en compte
ces facteurs. Cette limite est levée aujourd’hui par le processus S&OP où les prévisions sont
ajustées dans l’étape de planification de la demande pour prendre en considération ces
aspects. Néanmoins, elle peut être éliminée aussi avec l’usage des modèles qui permettent de
prendre en considération ces facteurs.
Grâce aux différentes natures des modèles utilisés dans la méthodologie, cette dernière peut
s’adapter au fur et à mesure aux évolutions des comportements de ventes des produits. Le
choix du modèle utilisé pour chaque produit n’est pas fixe et peut être mis à jour. Néanmoins,
notre approche présente une autre limite caractérisée par les prévisions des nouveaux
produits ou les produits récemment lancés. En effet, avec l’absence des données historiques,
165
notre méthodologie ne peut être appliquée puisque les modèles ne peuvent pas être
entraînés. Une dernière limite constatée sur notre approche concerne le choix du meilleur
modèle. En effet, pour certains produits les modèles peuvent présenter des performances très
proches même en étant de natures différentes, et donc ceci peut impacter les prévisions
surtout au long et moyen terme.
Cette dernière limite constitue l’origine de la deuxième approche proposée, visant à combiner
les prédictions des différents modèles, et donc réduire le risque des grandes erreurs. Bien que
cette méthodologie puisse être une solution à cet aspect, elle ne peut pas être appliquée à
tous les produits vu la quantité des données importantes nécessaires pour la mettre en place.
Le temps d’exécution de cette deuxième approche peut être constaté comme limite aussi,
étant donnée la durée d’entraînement nécessaire pour les modèles de prédictions pour tous
les produits et le réseau de neurones utilisé, notamment pour le modèle multi-horizons.
La mise en place de l’outil de prévisions des ventes sur la plateforme d’Azure ML permet une
pérennité d’usage même avec l’évolution des environnements de développement. Le critère
automatique ou semi-automatique de cet outil donne une aisance d’usage sans besoin de
maintenance régulière. L’exécution de l’outil est faite en temps caché (la nuit) ce qui évite des
temps d’attente pour l’obtention des résultats.
L’outil proposé dans ces travaux peut représenter l’objet de plusieurs améliorations futures.
L’usage des nouveaux modèles ayant la capacité de prendre en considération des facteurs
externes influant les ventes est une piste intéressante de recherche, permettant ainsi
d’atteindre une certaine autonomie sans avoir recours au processus S&OP pour l’ajustement
des prévisions. Nous pouvons intégrer également des méthodes d’intelligence artificielle,
comme l’apprentissage par transfert, qui permettent de faire les prévisions pour les nouveaux
produits en se basant sur les produits similaires du catalogue. Cette piste permettra de
dépasser la limite constatée auparavant.
Etant donnée la nature des modèles utilisés, cet outil peut être aussi employé dans d’autres
applications indépendamment des prévisions des ventes, puisqu’il peut gérer les données de
plusieurs séries temporelles. Ceci peut être appliqué pour le calcul des prévisions d’achat des
produits non fabriqués sur site, ou encore pour la prédiction des appels des clients pour le
service après-vente.
166
D’un point de vue industriel, l’automatisation des flux des données d’entrée à travers les
systèmes d’informations de l’entreprise permettra d’automatiser le lancement de l’outil et
donc la préparation des prévisions sans avoir besoin d’intervention humain. Une fois couplé
avec un outil de planification de la production, l’ensemble sera un système efficace capable
de préparer les plans de la demande, de la production, de réapprovisionnement et de gestion
des stocks d’une façon automatique. Cet outil peut aussi faire l’objet d’une application web
dédié à la prévision pour faciliter encore plus l’envoi et la récupération des données sans avoir
besoin de passer par la plateforme d’Azure ML.
167
Références
Abdellatief, M., Shaaban, E. M., & Abu-Raya, K. A. (2019). Egyptian Case Study-Sales
forecasting model for automotive section. 2019 International Conference on Smart
Applications, Communications and Networking, SmartNets 2019.
https://doi.org/10.1109/SMARTNETS48225.2019.9069751
Adithya Ganesan, V., Divi, S., Moudhgalya, N. B., Sriharsha, U., & Vijayaraghavan, V. (2019).
Forecasting Food Sales in a Multiplex Using Dynamic Artificial Neural Networks. Advances
in Intelligent Systems and Computing, 944, 69–80. https://doi.org/10.1007/978-3-030-
17798-0_8
Aghabozorgi, S., Seyed Shirkhorshidi, A., & Ying Wah, T. (2015). Time-series clustering – A
decade review. Information Systems, 53, 16–38.
https://doi.org/10.1016/J.IS.2015.04.007
Ahmad, T., Chen, H., Guo, Y., & Wang, J. (2018). A comprehensive overview on the data driven
and large scale based approaches for forecasting of building energy demand: A review.
In Energy and Buildings (Vol. 165, pp. 301–320). Elsevier Ltd.
https://doi.org/10.1016/j.enbuild.2018.01.017
Al-Musaylh, M. S., Deo, R. C., Adamowski, J. F., & Li, Y. (2018). Short-term electricity demand
forecasting with MARS, SVR and ARIMA models using aggregated demand data in
Queensland, Australia. Advanced Engineering Informatics, 35, 1–16.
https://doi.org/10.1016/j.aei.2017.11.002
Armando, E., & Craparotta, G. (2017). A Meta-Model for Fashion Retail Category Sales
Forecasting. Lecture Notes in Electrical Engineering, 525, 79–93.
https://doi.org/10.1007/978-3-319-98038-6_7
Arunraj, N. S., & Ahrens, D. (2015). A hybrid seasonal autoregressive integrated moving
average and quantile regression for daily food sales forecasting. International Journal of
Production Economics, 170, 321–335. https://doi.org/10.1016/j.ijpe.2015.09.039
Aye, G. C., Balcilar, M., Gupta, R., & Majumdar, A. (2015). Forecasting aggregate retail sales:
The case of South Africa. International Journal of Production Economics, 160, 66–79.
https://doi.org/10.1016/j.ijpe.2014.09.033
Baecke, P., De Baets, S., & Vanderheyden, K. (2017). Investigating the added value of
integrating human judgement into statistical demand forecasting systems. International
Journal of Production Economics, 191, 85–96. https://doi.org/10.1016/j.ijpe.2017.05.016
Bandara, K., Shi, P., Bergmeir, C., Hewamalage, H., Tran, Q., & Seaman, B. (2019). Sales
demand forecast in E-commerce using a long short-term memory neural network
methodology. Lecture Notes in Computer Science (Including Subseries Lecture Notes in
Artificial Intelligence and Lecture Notes in Bioinformatics), 11955 LNCS, 462–474.
https://doi.org/10.1007/978-3-030-36718-3_39
Bee Dagum, E., & Bianconcini, S. (2016). Seasonal Adjustment Methods and Real Time Trend-
Cycle Estimation. Springer International Publishing. https://doi.org/10.1007/978-3-319-
31822-6
168
Behera, G., & Nain, N. (Eds.). (2019). A Comparative Study of Big Mart Sales Prediction. In 4th
International Conference on Computer Vision and Image Processing.
https://www.researchgate.net/publication/336530068_A_Comparative_Study_of_Big_
Mart_Sales_Prediction
Beheshti-Kashi, S., Karimi, H. R., Thoben, K.-D., Lütjen, M., & Teucke, M. (2015). A survey on
retail sales forecasting and prediction in fashion markets. Systems Science & Control
Engineering, 3(1), 154–161. https://doi.org/10.1080/21642583.2014.999389
Ben Taieb, S., Bontempi, G., Atiya, A. F., & Sorjamaa, A. (2012). A review and comparison of
strategies for multi-step ahead time series forecasting based on the NN5 forecasting
competition. Expert Systems with Applications, 39(8), 7067–7083.
https://doi.org/10.1016/j.eswa.2012.01.039
Bourdeau, M., Zhai, X. qiang, Nefzaoui, E., Guo, X., & Chatellier, P. (2019). Modeling and
forecasting building energy consumption: A review of data-driven techniques. In
Sustainable Cities and Society (Vol. 48, p. 101533). Elsevier Ltd.
https://doi.org/10.1016/j.scs.2019.101533
Cadavid, J. P. U., Lamouri, S., & Grabot, B. (2018). Trends in Machine Learning Applied to
Demand & Sales Forecasting: A Review.
Cao, G., & Wu, L. (2016). Support vector regression with fruit fly optimization algorithm for
seasonal electricity consumption forecasting. Energy, 115, 734–745.
https://doi.org/10.1016/J.ENERGY.2016.09.065
CATAL, C., ECE, K., ARSLAN, B., & AKBULUT, A. (2019). Benchmarking of Regression Algorithms
and Time Series Analysis Techniques for Sales Forecasting. Balkan Journal of Electrical
and Computer Engineering, 7(1), 20–26. https://doi.org/10.17694/BAJECE.494920
Cecere, L., Barrett, J., & Mooraj, H. (2009). Sales and Operations Planning : Transformation
From Tradition. AMR Research, May.
Chen, C. Y., Lee, W. I., Kuo, H. M., Chen, C. W., & Chen, K. H. (2010). The study of a forecasting
sales model for fresh food. Expert Systems with Applications, 37(12), 7696–7702.
Chen, F. L., & Ou, T. Y. (2009). Gray relation analysis and multilayer functional link network
sales forecasting model for perishable food in convenience store. Expert Systems with
Applications, 36(3 PART 2), 7054–7063. https://doi.org/10.1016/j.eswa.2008.08.034
Chen, R., & Liu, J. (2017). A Novel Framework for Online Sales Burst Prediction. Lecture Notes
in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and
Lecture Notes in Bioinformatics), 10536 LNAI, 3–14. https://doi.org/10.1007/978-3-319-
71273-4_1
Cheriyan, S., Ibrahim, S., Mohanan, S., & Treesa, S. (2019). Intelligent Sales Prediction Using
Machine Learning Techniques. Proceedings - 2018 International Conference on
Computing, Electronics and Communications Engineering, ICCECE 2018, 53–58.
https://doi.org/10.1109/iCCECOME.2018.8659115
Ching-Chin, C., Ka Ieng, A. I., Ling-Ling, W., & Ling-Chieh, K. (2010). Designing a decision-
support system for new product sales forecasting. Expert Systems with Applications,
169
37(2), 1654–1665. https://doi.org/10.1016/j.eswa.2009.06.087
Choi, T. M., Hui, C. L., Ng, S. F., & Yu, Y. (2012). Color trend forecasting of fashionable products
with very few historical data. IEEE Transactions on Systems, Man and Cybernetics Part C:
Applications and Reviews, 42(6), 1003–1010.
https://doi.org/10.1109/TSMCC.2011.2176725
Christopher Martin. (2011). LOGISTICS & SUPPLY CHAIN MANAGEMENT (PEARSON
EDUCATION LIMITED (Ed.); FOURTH EDI).
https://www.icesi.edu.co/blogs/supplychain0714/files/2014/07/Martin_Christopher_L
ogistics_and_Supply_Chain_Management_4th_Edition____2011-1.pdf
Craparotta, G., Thomassey, S., & Biolatti, A. (2019). A Siamese Neural Network Application for
Sales Forecasting of New Fashion Products Using Heterogeneous Data. International
Journal of Computational Intelligence Systems, 12(2), 1537–1546.
https://doi.org/10.2991/IJCIS.D.191122.002
Da Veiga, C. P., Da Veiga, C. R. P., Puchalski, W., Coelho, L. dos S., & Tortato, U. (2016). Demand
forecasting based on natural computing approaches applied to the foodstuff retail
segment. Journal of Retailing and Consumer Services, 31, 174–181.
https://doi.org/10.1016/j.jretconser.2016.03.008
Dai, W., Chuang, Y. Y., & Lu, C. J. (2015). A Clustering-based Sales Forecasting Scheme Using
Support Vector Regression for Computer Server. Procedia Manufacturing, 2, 82–86.
https://doi.org/10.1016/j.promfg.2015.07.014
De Gooijer, J. G., & Hyndman, R. J. (2006). 25 years of time series forecasting. International
Journal of Forecasting, 22(3), 443–473.
https://doi.org/10.1016/J.IJFORECAST.2006.01.001
Deb, C., Zhang, F., Yang, J., Lee, S. E., & Shah, K. W. (2017). A review on time series forecasting
techniques for building energy consumption. In Renewable and Sustainable Energy
Reviews (Vol. 74, pp. 902–924). Elsevier Ltd. https://doi.org/10.1016/j.rser.2017.02.085
Doganis, P., Alexandridis, A., Patrinos, P., & Sarimveis, H. (2006). Time series sales forecasting
for short shelf-life food products based on artificial neural networks and evolutionary
computing. Journal of Food Engineering, 75(2), 196–204.
https://doi.org/10.1016/J.JFOODENG.2005.03.056
Dwivedi, A., Niranjan, M., Computer, K. S.-I. J. of, & 2013, U. (2013). A business intelligence
technique for forecasting the automobile sales using Adaptive Intelligent Systems (ANFIS
and ANN). Academia.Edu.
http://www.academia.edu/download/46663697/pxc3889383.pdf
Elamin, N., & Fukushige, M. (2018). Modeling and forecasting hourly electricity demand by
SARIMAX with interactions. Energy, 165, 257–268.
https://doi.org/10.1016/j.energy.2018.09.157
Elmasdotter, A., & Nyströmer, C. (2018). A comparative study between LSTM and ARIMA for
sales forecasting in retail. DEGREE PROJECT TECHNOLOGY.
http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-229747
Fan, S., & Hyndman, R. J. (2012). Short-term load forecasting based on a semi-parametric
170
additive model. IEEE Transactions on Power Systems, 27(1), 134–141.
https://doi.org/10.1109/TPWRS.2011.2162082
Fan, Z. P., Che, Y. J., & Chen, Z. Y. (2017). Product sales forecasting using online reviews and
historical sales data: A method combining the Bass model and sentiment analysis. Journal
of Business Research, 74, 90–100. https://doi.org/10.1016/j.jbusres.2017.01.010
Franses, P. H., & Legerstee, R. (2013). Do statistical forecasting models for SKU-level data
benefit from including past expert knowledge? International Journal of Forecasting,
29(1), 80–87. https://doi.org/10.1016/j.ijforecast.2012.05.008
Gao, J., Xie, Y., Cui, X., Yu, H., & Gu, F. (2018). Chinese automobile sales forecasting using
economic indicators and typical domestic brand automobile sales data: A method based
on econometric model. Advances in Mechanical Engineering, 10(2), 168781401774932.
https://doi.org/10.1177/1687814017749325
Grimson, J. A., & Pyke, D. F. (2007). Sales and operations planning : an exploratory study and
framework. The International Journal of Logistics Management.
https://doi.org/10.1108/09574090710835093
Gurnani, M., Korke, Y., Shah, P., Udmale, S., Sambhe, V., & Bhirud, S. (2017). Forecasting of
sales by using fusion of machine learning techniques. 2017 International Conference on
Data Management, Analytics and Innovation, ICDMAI 2017, 93–101.
https://doi.org/10.1109/ICDMAI.2017.8073492
Hajirahimi, Z., & Khashei, M. (2019). Hybrid structures in time series modeling and forecasting:
A review. Engineering Applications of Artificial Intelligence, 86, 83–106.
https://doi.org/10.1016/j.engappai.2019.08.018
Hastie, T., & Tibshirani, R. (1987). Generalized additive models: Some applications. Journal of
the American Statistical Association, 82(398), 371–386.
https://doi.org/10.1080/01621459.1987.10478440
Hazen, B. T., Boone, C. A., Ezell, J. D., & Jones-Farmer, L. A. (2014). Data quality for data
science, predictive analytics, and big data in supply chain management: An introduction
to the problem and suggestions for research and applications. International Journal of
Production Economics, 154, 72–80. https://doi.org/10.1016/J.IJPE.2014.04.018
Hsu, D. (2017). Time Series Forecasting Based on Augmented Long Short-Term Memory.
Undefined.
Huang, T., Fildes, R., & Soopramanien, D. (2014). The value of competitive information in
forecasting FMCG retail product sales and the variable selection problem. European
Journal of Operational Research, 237(2), 738–748.
https://doi.org/10.1016/j.ejor.2014.02.022
Hyndman, R.J. Athanasopoulos, G. (2019). Forecasting: principles and practice, 3rd edition.
OTexts: Melbourne, Australia. https://otexts.com/fpp3/
Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: The forecast
package for R. Journal of Statistical Software, 27(3), 1–22.
https://doi.org/10.18637/jss.v027.i03
171
Hyndman, R. J., & Kostenko, A. V. (2007). Minimum sample size requirements for seasonal
forecasting models. https://robjhyndman.com/publications/minimum-sample-size-
requirements-for-seasonal-forecasting-models/
Introduction au Stockage (d’objets) Blob - Azure Storage | Microsoft Docs. (2021).
https://docs.microsoft.com/fr-fr/azure/storage/blobs/storage-blobs-introduction
Jeong, D.-B. (2017). Prediction of Sales on Some Large-Scale Retailing Types in South Korea.
Asian Journal of Business Environment, 7(4), 35–41.
https://doi.org/10.13106/EAJBM.2017.VOL7.NO4.35
Ji, S., Wang, X., Zhao, W., & Guo, D. (2019). An application of a three-stage XGboost-based
model to sales forecasting of a cross-border e-commerce enterprise. Mathematical
Problems in Engineering, 2019. https://doi.org/10.1155/2019/8503252
Ju-Long, D. (1982). Control problems of grey systems. Systems and Control Letters, 1(5), 288–
294. https://doi.org/10.1016/S0167-6911(82)80025-X
Kache, F., Seuring, S., Kache, F., & Seuring, S. (2017). Challenges and opportunities of digital
information at the intersection of Big Data Analytics and supply chain management.
International Journal of Operations & Production Management.
https://doi.org/10.1108/IJOPM-02-2015-0078
Kathuria, R., Joshi, M. P., & Porth, S. J. (2007). Organizational alignment and performance:
Past, present and future. Management Decision, 45(3), 503–517.
https://doi.org/10.1108/00251740710745106
Kong, J. H. L., & Martin, G. P. M. D. (1995). Backpropagation neural network for sales
forecasting. IEEE International Conference on Neural Networks - Conference Proceedings,
2, 1007–1012. https://doi.org/10.1109/icnn.1995.487558
Krishna, A., Akhilesh, V., Aich, A., & Hegde, C. (2018). Sales-forecasting of Retail Stores using
Machine Learning Techniques. Proceedings 2018 3rd International Conference on
Computational Systems and Information Technology for Sustainable Solutions, CSITSS
2018, 160–166. https://doi.org/10.1109/CSITSS.2018.8768765
Kristensen, J., & Jonsson, P. (2018). Context-based sales and operations planning (S&OP)
research : A literature review and future agenda. International Journal of Physical
Distribution & Logistics Management. https://doi.org/10.1108/IJPDLM-11-2017-0352
Lapide, B. L. (2004a). SALES AND OPERATIONS PLANNING. The Journal of Business Forecasting,
17–19.
Lapide, B. L. (2004b). SALES AND OPERATIONS PLANNING PART II : TECHNOLOGY
ARCHITECTURE. The Journal of Business Forecasting, 8–10.
Lapide, B. L. (2005). SALES AND OPERATIONS PLANNING. The Journal of Business Forecasting,
13–16.
Lapide, L. (2011). S&OP: The Linchpin Planning Process. Supply Chain Management Review.
www.scmr.com
LARSEN, K. (2015). GAM: The Predictive Modeling Silver Bullet.
https://multithreaded.stitchfix.com/blog/2015/07/30/gam/
172
Li, K., Li, J., Tang, J., Chen, S., Wu, J., Xie, Y., & Xiao, K. (2020). Electricity Sales Forecasting
Based on Model Fusion and Prophet Model. Lecture Notes in Computer Science (Including
Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics),
12653 LNCS, 299–315. https://doi.org/10.1007/978-3-030-73671-2_26
Li, M., Ji, S., & Liu, G. (2018). Forecasting of Chinese E-Commerce Sales: An Empirical
Comparison of ARIMA, Nonlinear Autoregressive Neural Network, and a Combined
ARIMA-NARNN Model. Mathematical Problems in Engineering, 2018, 1–12.
https://doi.org/10.1155/2018/6924960
Liu, N., Ren, S., Choi, T. M., Hui, C. L., & Ng, S. F. (2013). Sales forecasting for fashion retailing
service industry: A review. In Mathematical Problems in Engineering (Vol. 2013).
https://doi.org/10.1155/2013/738675
Liu, T., Tan, Z., Xu, C., Chen, H., & Li, Z. (2020). Study on deep reinforcement learning
techniques for building energy consumption forecasting. Energy and Buildings, 208,
109675. https://doi.org/10.1016/j.enbuild.2019.109675
Liu, X., & Ichise, R. (2017). Food Sales Prediction with Meteorological Data — A Case Study of
a Japanese Chain Supermarket (pp. 93–104). Springer, Cham.
https://doi.org/10.1007/978-3-319-61845-6_10
Loureiro, A. L. D., Miguéis, V. L., & da Silva, L. F. M. (2018). Exploring the use of deep neural
networks for sales forecasting in fashion retail. Decision Support Systems, 114, 81–93.
https://doi.org/10.1016/j.dss.2018.08.010
Marino, D. L., Amarasinghe, K., & Manic, M. (2016). Building energy load forecasting using
Deep Neural Networks. IECON Proceedings (Industrial Electronics Conference), 7046–
7051. https://doi.org/10.1109/IECON.2016.7793413
Mccarthy, T. M., Davis, D. F., Golicic, S. L., & Mentzer, J. T. (2006). The evolution of sales
forecasting management: A 20-year longitudinal study of forecasting practices. Journal
of Forecasting, 25(5), 303–324. https://doi.org/10.1002/for.989
Nagbe, K., Cugliari, J., & Jacques, J. (2018). Short-Term Electricity Demand Forecasting Using a
Functional State Space Model. Energies, 11(5), 1120.
https://doi.org/10.3390/en11051120
Panigrahi, S., & Behera, H. S. (2017). A hybrid ETS–ANN model for time series forecasting.
Engineering Applications of Artificial Intelligence, 66, 49–59.
https://doi.org/10.1016/j.engappai.2017.07.007
Pankaj Malhotra, Lovekesh Vig, Gautam Shroff, & Puneet Agarwal. (2015). Long Short Term
Memory Networks for Anomaly Detection in Time Series. European Symposium on
Artificial Neural Networks. http://www.i6doc.com/en/
Pankratz, A. (1991). Forecasting with Dynamic Regression Models. John Wiley & Sons, Inc.
https://doi.org/10.1002/9781118150528
Pavlyshenko, B. (2019). Machine-Learning Models for Sales Time Series Forecasting. Data,
4(1), 15. https://doi.org/10.3390/data4010015
Pinho, J. M., Oliveira, J. M., & Ramos, P. (2016). Sales forecasting in retail industry based on
173
dynamic regression models. Advances in Transdisciplinary Engineering, 3, 483–488.
https://doi.org/10.3233/978-1-61499-668-2-483
Polikar, R. (2012). Ensemble Learning. In Ensemble Machine Learning (pp. 1–34). Springer US.
https://doi.org/10.1007/978-1-4419-9326-7_1
Pongdatu, G. A. N., & Putra, Y. H. (2018). Seasonal Time Series Forecasting using SARIMA and
Holt Winter’s Exponential Smoothing. IOP Conference Series: Materials Science and
Engineering, 407(1), 012153. https://doi.org/10.1088/1757-899X/407/1/012153
Premiers pas – Google Cloud Platform. (2021). https://console.cloud.google.com/getting-
started?hl=fr&pli=1
Punam, K., Pamula, R., & Jain, P. K. (2019). A two-level statistical model for big mart sales
prediction. 2018 International Conference on Computing, Power and Communication
Technologies, GUCON 2018, 617–620. https://doi.org/10.1109/GUCON.2018.8675060
Qi, Y., Li, C., Deng, H., Cai, M., Qi, Y., & Deng, Y. (2019). A deep neural framework for sales
forecasting in e-commerce. International Conference on Information and Knowledge
Management, Proceedings, 299–308. https://doi.org/10.1145/3357384.3357883
Qu’est-ce que Azure Machine Learning ? - Azure Machine Learning | Microsoft Docs. (2021).
https://docs.microsoft.com/fr-fr/azure/machine-learning/overview-what-is-azure-
machine-learning
Qu’est-ce que le studio Azure Machine Learning ? - Azure Machine Learning | Microsoft Docs.
(2021). https://docs.microsoft.com/fr-fr/azure/machine-learning/overview-what-is-
machine-learning-studio
Ramos, P., Santos, N., & Rebelo, R. (2015). Performance of state space and ARIMA models for
consumer retail sales forecasting. Robotics and Computer-Integrated Manufacturing, 34,
151–163. https://doi.org/10.1016/j.rcim.2014.12.015
Ratnayaka, R. M. K. T., Seneviratne, D. M. K. N., Jianguo, W., & Arumawadu, H. I. (2015). A
hybrid statistical approach for stock market forecasting based on Artificial Neural
Network and ARIMA time series models. 2015 International Conference on Behavioral,
Economic and Socio-Cultural Computing, BESC 2015, 54–60.
https://doi.org/10.1109/BESC.2015.7365958
Robin Hyndman, Anne B. Koehler, J. Keith Ord, & Ralph D. Snyder. (2008). Forecasting with
Exponential Smoothing - The State Space Approach (1st ed.). Springer-Verlag Berlin
Heidelberg. https://www.springer.com/gp/book/9783540719168
Sa-Ngasoongsong, A., Bukkapatnam, S. T. S., Kim, J., Iyer, P. S., & Suresh, R. P. (2012). Multi-
step sales forecasting in automotive industry based on structural relationship
identification. International Journal of Production Economics, 140(2), 875–887.
Salinas, D., Flunkert, V., Gasthaus, J., & Januschowski, T. (2020). DeepAR: Probabilistic
forecasting with autoregressive recurrent networks. International Journal of Forecasting,
36(3), 1181–1191. https://doi.org/10.1016/j.ijforecast.2019.07.001
Schoenherr, T., & Speier-pero, C. (2015). Data Science , Predictive Analytics , and Big Data in
174
Supply Chain Management : Current State and Future Potential. Journal of Business
Logistics, 1–13. https://doi.org/10.1111/jbl.12082
Services de cloud computing | Microsoft Azure. (2021). https://azure.microsoft.com/fr-fr/
Services et produits de cloud Amazon | AWS. (2021). https://aws.amazon.com/fr/
Shahabuddin, S. (2009). Forecasting automobile sales. Management Research News, 32(7),
670–682. https://doi.org/10.1108/01409170910965260
Shao, Y., & Tsai, Y.-S. (2018). Electricity Sales Forecasting Using Hybrid Autoregressive
Integrated Moving Average and Soft Computing Approaches in the Absence of
Explanatory Variables. Energies, 11(7), 1848. https://doi.org/10.3390/en11071848
Sharma, S. K., Chakraborti, S., & Jha, T. (2019). Analysis of book sales prediction at Amazon
marketplace in India: a machine learning approach. Information Systems and E-Business
Management 2019 17:2, 17(2), 261–284. https://doi.org/10.1007/S10257-019-00438-3
Singh, P. K., Gupta, Y., Jha, N., & Rajan, A. (2019). Fashion Retail: Forecasting Demand for New
Items. ArXiv. http://arxiv.org/abs/1907.01960
Somu, N., M R, G. R., & Ramamritham, K. (2020). A hybrid model for building energy
consumption forecasting using long short term memory networks. Applied Energy, 261,
114131. https://doi.org/10.1016/j.apenergy.2019.114131
Subrmanian, K., Othman, M. Bin, Sokkalingam, R., Thangarasu, G., & Subramanian, K. (2020).
A Hybrid Model of Holt-Winter and Neural Network Methods for Automobile Sales
Forecasting. 242–245. https://doi.org/10.1109/icci51257.2020.9247838
Sun, Z. L., Choi, T. M., Au, K. F., & Yu, Y. (2008). Sales forecasting using extreme learning
machine with applications in fashion retailing. Decision Support Systems, 46(1), 411–419.
Tanaka, K. (2010). A sales forecasting model for new-released and nonlinear sales trend
products. Expert Systems with Applications, 37(11), 7387–7393.
Taylor, S. J., & Letham, B. (2018). Forecasting at Scale. American Statistician, 72(1), 37–45.
https://doi.org/10.1080/00031305.2017.1380080
Thomassey, S., & Fiordaliso, A. (2006). A hybrid sales forecasting system based on clustering
and decision trees. Decision Support Systems, 42(1), 408–421.
Thome, A. M. T., Scavarda, L. F., Fernandez, N. S., & Scavarda, A. J. (2012a). Sales and
operations planning : A research synthesis. Int . J . Production Economics, 138, 1–13.
Thome, A. M. T., Scavarda, L. F., Fernandez, N. S., & Scavarda, A. J. (2012b). Sales and
operations planning and the firm performance. International Journal of Productivity and
Performance Management. https://doi.org/10.1108/17410401211212643
Thouvenot, V., Pichavant, A., Goude, Y., Antoniadis, A., & Poggi, J. M. (2016). Electricity
forecasting using multi-stage estimators of nonlinear additive models. IEEE Transactions
175
on Power Systems, 31(5), 3665–3673. https://doi.org/10.1109/TPWRS.2015.2504921
Tiwari, S., Wee, H. M., & Daryanto, Y. (2018). Big data analytics in supply chain management
between 2010 and 2016 : Insights to industries. Computers & Industrial Engineering,
115(October 2017), 319–330. https://doi.org/10.1016/j.cie.2017.11.017
Tuomikangas, N., & Kaipia, R. (2014). A coordination framework for sales and operations
planning ( S & OP ): Synthesis from the literature. Intern. Journal of Production Economics,
154, 243–262. https://doi.org/10.1016/j.ijpe.2014.04.026
Vahabi, A., Seyyedi, S., & Alborzi, M. (2016). A Sales Forecasting Model in Automotive Industry
using Adaptive Neuro-Fuzzy Inference System(Anfis) and Genetic Algorithm(GA).
International Journal of Advanced Computer Science and Applications, 7(11).
https://doi.org/10.14569/IJACSA.2016.071104
Vandeput, N. (2018). Data Science for Supply Chain Forecast (1st editio).
https://www.amazon.fr/Data-Science-Supply-Chain-Forecast/dp/1730969437
Wagner, S. M., Ullrich, K. K. R., & Transchel, S. (2014). The game plan for aligning the
organization. Business Horizons, 57(2), 189–201.
https://doi.org/10.1016/j.bushor.2013.11.002
Wallace, B. T., & Stahl, B. (2008). The Demand Planning Process in Executive S&OP. The Journal
of Business Forecasting, 19–24.
Waller, M. A., & Fawcett, S. E. (2013). Data Science , Predictive Analytics , and Big Data : A
Revolution That Will Transform Supply Chain Design and Management. Journal of
Business Logistics, 34(2), 77–84.
Wang, G., Gunasekaran, A., Ngai, E. W. T., & Papadopoulos, T. (2016). Big data analytics in
logistics and supply chain management : Certain investigations for research and
applications. Intern. Journal of Production Economics, 176, 98–110.
Wang, L., Wang, Z., Qu, H., & Liu, S. (2018). Optimal Forecast Combination Based on Neural
Networks for Time Series Forecasting. Applied Soft Computing, 66, 1–17.
https://doi.org/10.1016/J.ASOC.2018.02.004
Weng, T., Liu, W., & Xiao, J. (2019). Supply chain sales forecasting based on lightGBM and
LSTM combination model. Industrial Management and Data Systems, 120(2), 265–279.
https://doi.org/10.1108/IMDS-03-2019-0170
Xu, S., Chan, H. K., & Zhang, T. (2019). Forecasting the demand of the aviation industry using
hybrid time series SARIMA-SVR approach. Transportation Research Part E: Logistics and
Transportation Review, 122, 169–180. https://doi.org/10.1016/j.tre.2018.12.005
Zhang, C., Tian, Y. X., Fan, Z. P., Liu, Y., & Fan, L. W. (2020). Product sales forecasting using
macroeconomic indicators and online reviews: a method combining prospect theory and
sentiment analysis. Soft Computing, 24(9), 6213–6226. https://doi.org/10.1007/s00500-
018-03742-1
Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model.
Neurocomputing, 50, 159–175. https://doi.org/10.1016/S0925-2312(01)00702-0
176
Zhao, J., Tang, W., Fang, X., Wang, J., Liu, J., Ouyang, H., Fang, H., Liu, Y., Wang, S., Lu, Y., &
Qiang, J. (2015). A novel electricity sales forecasting method based on clustering,
regression and time-series analysis. Proceedings of Science, 12-13-Sept, 015.
https://doi.org/10.22323/1.259.0015
Zunic, E., Korjenic, K., Hodzic, K., & Donko, D. (2020). Application of Facebook’s Prophet
Algorithm for Successful Sales Forecasting Based on Real-world Data. ArXiv, 12(2).
https://doi.org/10.5121/ijcsit.2020.12203
177
Annexe A : Secteur de la vente au détail
Une description plus détaillée de quelques travaux de la littérature pour le secteur de la vente
au détail est donnée dans les paragraphes suivants.
Dans leur article, (Aye et al., 2015) étudient le problème de la prévision des ventes au détail
du marché Sud-Africain. Leurs travaux visent à améliorer la capacité des investisseurs à prévoir
les mouvements des cours des actions des chaînes de ventes au détail. Pour cela, les
chercheurs exploitent un historique des données de ventes mensuelles sur une période de 42
ans pour entraîner et évaluer leurs approches. Ces données sont caractérisées par une
tendance globale croissante et d’une saisonnalité identifiable chaque année avec une hausse
des ventes en décembre et une baisse importante en janvier. Ceci est expliqué par les achats
intensifs durant la période de la fin d’année grâce aux fêtes de Noël et du Nouvel An et aux
primes de fin d’année. Ces dépenses sont moins importantes en janvier étant donné que les
gens ont repris leurs activités productives (travail, étude…), et aussi pour économiser ou
rembourser des emprunts suite à d’importantes dépenses en décembre. Les données
présentent également quelques volatilités et des pics plus ou moins importants. Pour
répondre à cette problématique de prévision, les auteurs mettent en compétition 23 modèles
ainsi que 3 méthodes de combinaison pour différents horizons de prédiction. Les résultats
montrent qu’il n’y a pas un modèle qui performe le mieux dans toutes les situations et que les
méthodes de combinaison ont tendance à donner des résultats plus précis.
(Krishna et al., 2018) étudient la problématique de prévision des ventes au détail pour 10
différents magasins ayant une offre très diversifiée. L’objectif est de créer un modèle de
prédiction capable de déterminer les quantités de vente pour chaque produit référencé. Les
auteurs se basent sur les historiques de vente mais aussi sur les caractéristiques de chaque
produit et des magasins. Ces produits sont marqués par leur diversité avec 16 catégories
présentes dans les données. Un processus de préparation des données a été employé pour
identifier les variables d’entrée les plus importantes et les consolider avant l’implémentation
des modèles (en prenant au final 12 variables en entrée). Les auteurs emploient 4 techniques
de régression et 2 techniques de « Boosting » pour identifier l’approche la plus intéressante à
utiliser. Les résultats montrent que les algorithmes de « Boosting », notamment le
178
« GradientBoost », performent mieux au niveau des différentes métriques d’erreur utilisées
pour la comparaison des méthodes.
D’autres travaux comme (Ramos et al., 2015) traitent aussi la problématique de prévision des
ventes au détail pour une entreprise portugaise spécialisée dans la fabrication des chaussures
ayant à peu près 70 magasins de ventes. Cette activité est fortement influencée par les saisons
notamment hivernale et estivale. Les travaux s’intéressent à la prédiction des ventes
mensuelles de 5 catégories de chaussures en se basant sur un historique de ventes de 5 ans.
Certains produits sont vendus plus en hiver tandis que d’autres plutôt en été avec des
tendances parfois croissante, décroissante et constante selon la catégorie du produit. Les
auteurs emploient 80 % des données pour l’entraînement des approches et 20 % des données
pour leur évaluation. Ils comparent l’usage des techniques de Lissage Exponentiel et des
modèles ARIMA pour le calcul des prévisions. Leurs résultats montrent que l’usage de ces deux
techniques donne des résultats similaires pour le court terme (un mois) et le long terme
(plusieurs mois) de prédiction selon différentes mesures d’erreurs utilisées.
179
Annexe B : Secteur de la mode
techniques utilisées pour le secteur de la mode est donnée dans les paragraphes suivants.
Les travaux de (Loureiro et al., 2018) étudient la problématique de prévision des ventes d’une
entreprise dans le domaine de ventes des produits de mode, dans le but d’adapter leurs
stratégies pour satisfaire les préférences et les attentes des consommateurs. Ces produits
correspondent à 684 types des sacs pour les femmes, vendus principalement sur le marché
espagnol et portugais. Ils sont caractérisés généralement par un cycle de vie court mais ils
diffèrent dans leurs propriétés physiques. Les auteurs proposent une approche basée sur les
réseaux de neurones profonds pour calculer les prévisions. Les variables d’entrée considérées
dans cette étude sont les caractéristiques physiques des produits (couleur, famille, prix, taille,
etc.) avec leurs historiques des ventes ainsi que les avis des experts du domaine. Dans cette
étude, les auteurs comparent les performances de leur approche par rapport à d’autres
techniques comme les arbres de décision, forêts aléatoires, Machine à vecteurs de support
(SVM), la Régression linéaire et un simple réseau de neurones (figure 50).
Figure 50 : Méthodologie proposée par (Loureiro et al., 2018)
180
L’évaluation est faite sur 5 métriques d’erreur. Leur approche présente de meilleurs résultats
par rapport aux autres techniques pour deux des métriques employées. Les résultats
montrent également que le modèle de forêts aléatoires présente de bons résultats
notamment pour les trois autres métriques de comparaison utilisées.
Les travaux de (Singh et al., 2019) constituent un cas d’étude de la prévision des ventes pour
une entreprise indienne dans le but de déterminer les quantités à prévoir pour de nouveaux
articles lancés sur le marché. Ces nouveaux produits présentent un risque de ne pas être à la
hauteur des attentes des consommateurs et donc le risque de rester en stock invendu posant
ainsi des pertes financières pour l’entreprise. Les données utilisées dans cette étude
correspondent à un historique de ventes hebdomadaires variant de 12 à 182 observations
pour 5 types d’articles, ainsi que des caractéristiques physiques des produits en question. Les
ventes de ce type de produits sont influencées par les évènements nationaux et religieux, et
par les promotions proposées par les magasins. Pour répondre à la problématique de
prévision, les auteurs entrainent et évaluent différentes techniques basées sur les arbres de
décision et sur les réseaux de neurones. Leurs résultats montrent que, après une
transformation des données, le modèle « XGBoost » donne de meilleurs résultats pour la
prédiction des nouveaux produits.
(Sun et al., 2008) étudient la problématique de prévisions des ventes pour une entreprise de
ventes au détail des articles de la mode basée à Hong Kong. Les données utilisées dans les
expérimentations correspondent aux facteurs affectant les ventes d’un article ainsi que son
historique de ventes. Ils proposent l’usage d’une technique basée sur les réseaux de neurones
à propagation du type « Extreme Learning Machine » (ELM). Avant d’utiliser leur approche,
les données d’entrée sont normalisées et ensuite dénormalisées pour retrouver les quantités
prédites. L’application de leur approche sur des données réelles montre de meilleures
performances par rapport à d’autres techniques basées sur les architectures classiques de
réseaux de neurones à rétropropagation.
Les travaux de (Beheshti-Kashi et al., 2015) représentent une enquête sur les méthodes
utilisées dans l’état de l’art pour les prévisions des ventes dans plusieurs domaines avec un
focus sur les techniques employées dans le secteur de la mode, et surtout pour les produits
récemment lancés. D’après leur étude, les méthodes traditionnelles rencontrent des
difficultés à produire des prévisions précises pour les articles récemment lancés sur le marché
181
et les produits orientés par les goûts des consommateurs, notamment, lorsque la demande
est incertaine avec une grande variabilité des ventes et lorsque quelques données historiques
sont manquantes. Les approches les plus récentes, notamment les techniques hybrides
combinant des modèles linéaires et non linéaires donnent des résultats plus précis.
182
Annexe C : Secteur de l’agroalimentaire
techniques utilisées pour le secteur de l’agroalimentaire est donnée dans les paragraphes
suivants.
(F. L. Chen & Ou, 2009) étudient une chaîne logistique « froide » destinée à la distribution des
produits alimentaires frais nécessitant des conditions de stockage spécifique. Ce type de
Supply Chain nécessite de prendre en considération des précautions nécessaires pour
maintenir la qualité et la stabilité des produits pour permettre aux consommateurs de les
recevoir avec une fraicheur garantie. Ces précautions constituent des coûts supplémentaires
pour l’entreprise qu’il faut réduire à travers une connaissance au préalable de la demande des
consommateurs. Dans cete optique, les auteurs exploitent les données historiques des ventes
journalières d’un magasin alimentaire à Taiwan et de ses magasins voisins ainsi que des
données métrologiques pour calculer ses prévisions de ventes de lait frais. Ils reposent sur les
données de 11 mois de ventes. Les auteurs appliquent d’abord une méthode d’identification
des facteurs influenceurs des ventes appelée « Gray Relation Analysis (GRA) » (Ju-Long, 1982),
ensuite entraînent et évaluent différents modèles de séries temporelles pour choisir le
meilleur. Ils proposent une approche de séries temporelles basée sur les réseaux de neurones
appelée « Multilayer Function Link Network (MFLN) » pour la prévision des ventes (voir figure
51).
183
Figure 51 : Approche proposée par (F. L. Chen & Ou, 2009)
Ils mettent en compétition les modèles Moving Average (MA), ARIMAX, Réseau de neurones
à rétropropagation multivarié (Multivariate BPN) et leur modèle MFLN. L’application de ces
modèles sur des données des kiosques dépanneurs montre l’efficacité de leur approche et
donne des meilleures prévisions que les autres techniques employées.
Les travaux (Arunraj & Ahrens, 2015) étudient le problème de prévision des ventes dans le
cadre de prédiction des quantités de ventes journalières des bananes pour une entreprise
allemande. L’objectif est de préserver le gaspillage et de réduire les ruptures de stocks des
produits périssables comme les bananes, caractérisés par des ventes volatiles. Les auteurs
proposent d’abord une taxonomie des techniques employées dans la littérature en les
décomposant en trois types : des méthodes qualitatives basées sur les jugements et les avis
des experts employés généralement lorsqu’on ne dispose pas des données suffisantes, des
méthodes quantitatives et la combinaison des deux. Les méthodes quantitatives consistent au
développement des modèles mathématiques avec les variables qui influencent les ventes, ou
par l’extrapolation des données historiques des ventes à travers les modèles des séries
temporelles, ou encore des modèles hybrides qui combinent les deux approches. Dans leurs
travaux, les auteurs développent deux approches basées sur le modèle SARIMA avec des
variables externes (les facteurs qui influent les ventes), à savoir SARIMA avec le modèle
« Multiple Linear Regression » (SARIMA-MLR) et SARIMA avec le modèle « Quantile
Regression » (SARIMA-QR). Les résultats montrent que ces techniques donnent de meilleurs
184
résultats comparant avec d’autres modèles comme SARIMA classique et le « Multilayer
Perceptron (MLP) ».
Les travaux de (Doganis et al., 2006) constituent un cadre d’application des techniques de
prédiction pour une entreprise opérant dans l’industrie laitière. Les données utilisées
correspondent seulement à l’historique des volumes des ventes journalières du lait frais. Dans
le but de réduire les produits invendus et retournés, ils proposent une approche non linéaire
de prédiction, pour les séries temporelles avec un cycle de vie court, basée sur les réseaux de
neurones avec un algorithme génétique spécifique. La comparaison des résultats avec des
techniques classiques et récentes montre que leur méthodologie présente des meilleures
performances et a été employée avec succès.
(C. Y. Chen et al., 2010) adressent le problème de management des commandes et des stocks
des produits alimentaires chez les petites épiceries en prenant en considération les spécificités
des lieux urbains, semi-urbains et montagneux. Dans le but de mieux gérer les stocks et éviter
les gaspillages, les auteurs exploitent les données de vente des épiceries pour 35 jours de 10
types de produits périssables. Leur approche propose l’usage d’un réseau de neurones à
rétropropagation qui donne des résultats meilleurs qu’une régression logistique ou encore la
moyenne mobile.
Les travaux de (Da Veiga et al., 2016) étudient l’impact de la précision des prédictions des
ventes d’une entreprise opérant dans l’industrie laitière, sur le taux de satisfaction des
demandes clients ainsi que sur la totalité de l’activité de l’entreprise. Ils comparent les
résultats de deux modèles de prédiction linéaires (ARIMA et Holt-Winters) avec les résultats
de deux autres modèles non linéaires (Réseaux de neurones à ondelettes et Takagi-Sugeno
Fuzzy System). Ces techniques sont employées sur les données de trois groupes de produits
périssables mesurées entre 2005 et 2013. Leurs résultats montrent que les réseaux de
neurones à ondelettes (WNN) performent beaucoup mieux que d’autres modèles et le taux
de satisfaction de demande s’approche des 100 % pour les trois types de produits. Leur
approche répond alors mieux au cas d’étude pour tous les groupes de produits à prédire et
donc, leur proposition permet de faire des prévisions précises en employant un seul modèle
à différents produits. Néanmoins, la mise en place de cette technique nécessite un temps de
calcul relativement important et une grande expertise pour déterminer les paramètres du
réseau.
185
Comme les secteurs étudiés précédemment, les approches de prédiction pour ce domaine
d’activités reposent sur les modèles classiques tels que SARIMA et Lissage Exponentiel mais
aussi sur des techniques basées sur les réseaux de neurones lorsqu’on dispose de
suffisamment de données.
186
Annexe D : Secteur de la vente en ligne
techniques utilisées pour le secteur de la vente en ligne est donnée dans les paragraphes
suivants.
Les travaux de (Qi et al., 2019) proposent un modèle de prédiction des séries temporelles
prenant en considération les compagnies des promotions faites sur différents produits. Leur
modèle appelé « Deep Sales Forecasting Framework (DSF) » est basé sur un type spécifique
de réseau de neurones récurrent appelé « Gated Recurrent Unit (GRU) » permettant
l’apprentissage de la dépendance à long terme. Cette approche propose de faire les
prédictions en deux parties : des ventes basiques sont estimées par le modèle selon
l’historique récent, et en deuxième partie les prévisions de ventes sont ajustées prenant en
compte les promotions affectant des produits concurrents ou similaires. Ces travaux ont été
appliqués à deux bases de données de ventes de la plateforme Taobao (site de vente en ligne
en Chine), et les résultats montrent de meilleures performances comparant avec des modèles
de séries temporelles classiques tels que ARIMA et d’autres modèles d’apprentissage profond.
(Ji et al., 2019) étudient la problématique des prévisions des ventes dans le cadre d’une
application au sein de l’entreprise Jollychic spécialisée dans le e-commerce. Cette entreprise
vise à améliorer son service logistique et à optimiser le management de ses entrepôts à travers
l’amélioration de ses prévisions de vente. La préparation des données à utiliser passe d’abord
par un nettoyage, un clustering et une sélection des variables les plus intéressantes, vu la
grande variété des données disponibles, de leurs sources et de leurs formats (texte, audio,
vidéo, tweet, fichiers de logs, …). Cet aspect de grande variété et un volume exceptionnel des
données caractérisent surtout ce secteur de ventes en ligne. Les données employées dans
cette étude correspondent à des données journalières collectées. Les auteurs proposent une
méthodologie basée sur le modèle « XGBoost » à 3 niveaux permettant de faire la prédiction
des ventes de cette plateforme de ventes en ligne (voir figure 52).
187
Figure 52 : Approche proposée par(Ji et al., 2019)
Le premier niveau consiste à regrouper les séries de données grâce un algorithme de

clustering à 2 étapes afin de préparer les variables d’entrée, ensuite des prédictions sont
calculées par un modèle XGBoost. Le deuxième niveau consiste à modéliser la tendance dans
les données par un modèle hybride d’ARIMA pour la partie linéaire et de XGBoost pour la
partie non linéaire et finalement, les résultats des deux premiers niveaux sont combinés en
accordant des poids à chacun pour obtenir les prévisions finales. Les expérimentations
montrent que le modèle final résultant de cette combinaison « C-A-XGBoost » donne des
meilleurs résultats que les modèles séparés.
Dans les travaux de (M. Li et al., 2018), les auteurs étudient la problématique des prévisions
des ventes de la plateforme de ventes en ligne Jingdong en Chine visant la mise en place des
stratégies d’achat et de stockage reposant sur les prévisions des ventes. Les produits vendus
sur la plateforme sont de différentes natures (bricolage, jouets, vêtements, aliments, …)
subissant parfois des promotions et des changements des prix. Les données employées dans
cette étude correspondent à des historiques de ventes hebdomadaires de 60 types de
produits différents se présentant sous la forme de séries temporelles de 167 observations
couvrant le période entre janvier 2014 et mars 2017. Les auteurs proposent des modèles
hybrides d’ARIMA avec des modèles non linéaires comme le réseau de neurones autorégressif
non linéaire (NARNN). La figure 53 présente l’approche proposée par (M. Li et al., 2018).
188
Figure 53 : Approche d’hybridation proposée par(M. Li et al., 2018)
Cette approche est appliquée aux 60 produits en question. Cette technique considère que les
prévisions finales seront la somme des prédictions du modèle ARIMA et les prédictions du
réseau de neurones. Les données sont d’abord modélisées par ARIMA pour identifier la partie
linéaire de la série, ensuite, les résidus seront les entrées pour les réseaux de neurones qui
modéliseront la partie non linéaire de la série. Pour entraîner et évaluer cette approche, ils
utilisent une répartition de 85 % et 15 % respectivement pour l’entraînement et le test. Les
résultats montrent que cette méthodologie d’hybridation donne de meilleurs résultats que
l’usage des modèles séparément.
189
Annexe E : Secteur automobile
techniques utilisées pour le secteur automobile est donnée dans les paragraphes suivants.
Les travaux de (Subrmanian et al., 2020) étudient la problématique de prévisions des ventes
dans le cadre de l’industrie d’automobile indienne. Cette tâche facilite la prise de décision
concernant la planification de la production et de la logistique en fournissant un guide
stratégique à long terme. Les données utilisées dans cette étude correspondent aux données
de ventes de 20 constructeurs automobiles indiens entre 2010 et 2019. Les auteurs proposent
un modèle hybride composé d’un modèle « Adaptive Holt-Winters (AHW) » et un réseau de
neurones à rétropropagation (BPNNs) comme le montre la figure 54.
Figure 54 : Méthodologie proposée par (Subrmanian et al., 2020)
Le lissage exponentiel modélise la partie linéaire de la série temporelle, ensuite, ces

prédictions seront des inputs pour un réseau de neurones (BPNN) avec la partie non linéaire
de la série. Un algorithme de descente de gradient est employé pour calculer les biais dans le
réseau de neurones. Le BPNN combine toutes les entrées et calcule les prédictions finales.
Cette approche montre des résultats suffisants sur les données de test par rapport aux
méthodologies existantes.
190
Les travaux de (Sa-Ngasoongsong et al., 2012) et (Gao et al., 2018) constituent deux cadres
d’application de la problématique de prévision des ventes employant des variables
économiques externes pour les calculer dans le secteur de l’industrie automobile. L’objectif
étant d’améliorer les prévisions sur un long horizon (6 – 24 mois), permettant ainsi d’être plus
compétitif sur ce marché. Les données employées dans les travaux de (Sa-Ngasoongsong et
al., 2012) correspondent au marché américain en exploitant les historiques mensuels de
ventes entre 1975 et 2010, ainsi que d’autres facteurs économiques externes tels que le prix
de l’essence, l’indice du prix du consommateur et le taux de chômage dans le pays. Dans la
même idée, (Gao et al., 2018) emploient les données de ventes de l’entreprise d’automobile
chinoise Chery entre 2007 et 2016, avec des facteurs externes tels que le taux de production
de l’acier, l’indice de confiance du consommateur et le prix de l’essence. Vu les différentes
variables économiques qui peuvent influencer le marché, ces deux travaux emploient une
méthodologie d'identification des relations structurelles basée sur plusieurs tests statistiques
(Unit Root Test, Weak Exogeneity Test, Granger-causality Test, Cointegration Test) pour
identifier les relations entre l’évolution des ventes et les indicateurs économiques, et les
exploiter ensuite à travers des modèles de prédiction des séries temporelles. La figure 55
présente les différentes étapes de leur méthodologie.
Figure 55 : Approche proposée par (Sa-Ngasoongsong et al., 2012)
Selon le résultat de chaque test, les prédictions vont être déterminées soit par un modèle
Vector Autoregressive (VAR) ou Vector Autoregressive eXogenous (VARX), soit par un modèle
Vector Error Correction Model (VECM) ou Vector Error Correction Model With eXogenous
Variables (VECMX). Dans les deux cas d’études (Gao et al., 2018; Sa-Ngasoongsong et al.,
191
2012), les résultats montrent de meilleurs performances de cette approche en comparaison
avec d’autres techniques classiques de modélisation des séries temporelles.
Les travaux de (Z. P. Fan et al., 2017) étudient la problématique de prévision des ventes dans
le secteur automobile en exploitant les avis des utilisateurs en ligne. Vu que ces derniers
fournissent des informations riches pour les consommateurs lors de leurs achats, ces travaux
exploitent leur influence pour améliorer les prévisions des ventes du modèle de voiture
« Elantra » de la marque Hyundai en Chine. Les données correspondent aux historiques de
ventes mensuelles de 3 générations de ce modèle avec plusieurs avis des utilisateurs entre
juillet 2007 et mars 2015 collectés à partir de la plateforme Bitauto. Les auteurs emploient le
modèle Naïf Bayésien pour l’analyse des sentiments afin d’exploiter les informations des avis
des consommateurs. Ils proposent ensuite, l’usage d’un modèle Bass/Norton pour calculer les
prédictions. Les résultats montrent que leur approche obtient de meilleures performances par
rapport au modèle Bass/Norton standard et par rapport au modèle « Log-linear ».
De même, (C. Zhang et al., 2020) étudient les prévisions des ventes dans le secteur de
l’automobile en s’appuyant sur des indicateurs macroéconomiques et les avis des utilisateurs
pour améliorer les prédictions dans le secteur de l’automobile. Les données employées
correspondent à l’historique des ventes trimestrielles de 3 types de voitures collectées de la
part de l’entreprise Wind Client, les avis des consommateurs à partir du site Bitauto et 242
indicateurs macroéconomiques de la Chine sur la période entre 2008 et 2018. Les auteurs
proposent l’usage d’un modèle autorégressif logarithmique en lui fournissant comme entrées
les indicateurs macroéconomiques choisis par un algorithme de sélection, un indice de
sentiment calculé à travers les avis des consommateurs en ligne et les historiques des ventes.
Leur méthodologie réussit à fournir des prévisions plus précises que des modèles plus
classiques existants.
Les travaux de (Dwivedi et al., 2013) étudient les prévisions des ventes pour l’entreprise
Maruti Car dans le but de les améliorer et de renforcer sa compétitivité pour le marché indien.
Les données employées dans cette étude correspondent à des historiques de ventes
mensuelles entre 2008 et 2012. Ils développent une approche hybride basée sur un modèle
« Adaptive Neuro Fuzzy Inference System (ANFIS) ». La méthodologie consiste à faire des
prédictions par la méthode des moyennes mobiles (MA) et le Lissage Exponentiel, ensuite, les
résultats seront des inputs pour le modèle ANFIS. L’application de cette approche dans leur
192
cas d’étude, montre de meilleurs résultats par rapport à l’usage d’un réseau de neurones
classique (ANN) et la Régression Linéaire.
D’après les travaux présentés, on remarque l’usage des techniques basées sur des réseaux de
neurones ainsi que le modèle ANFIS pour surpasser les limites qui peuvent être rencontrées
avec les méthodes classiques (Lissage Exponentiel, Régression Linéaire, ARIMA), ainsi que
l’exploitation des données liées aux variables externes et pas seulement les historiques de
ventes.
193
Annexe F : Secteur automobile
techniques utilisées pour le secteur de l’énergie est donnée dans les paragraphes suivants.
(Al-Musaylh et al., 2018) traitent la problématique de prévisions des ventes dans le cadre de
l’étude de la consommation électrique dans la région de Queensland en Australie. Ceci est un
sujet critique puisqu’ils aident les ingénieurs en énergie renouvelable et conventionnelle, les
fournisseurs d'électricité, les utilisateurs finaux et les entités gouvernementales à relever les
défis de durabilité énergétique pour le marché national de l'électricité en Australie. Les
données employées sont collectées à partir de l’opérateur du marché australien
correspondant à la consommation entre janvier 2012 et décembre 2015 avec des
enregistrement chaque demi-heure donc 48 observations par jour. Dans cette étude, les
auteurs proposent l’usage des techniques de régression basées sur les modèles « Multivariate
Adaptive Regression Spline» (MARS), « Support Vector Regression »(SVR), et « Autoregressive
Integrated Moving Average » (ARIMA). Les résultats montrent que le modèle MARS présente
de meilleurs résultats sur les horizons 0,5 h et 1h, tandis que SVR était plus précis sur un
horizon de 24 h. Le modèle ARIMA était moins performant sur les différents horizons.
(Shao & Tsai, 2018) étudient différents modèles de prévision dans le cadre de l’absence des
variables explicatives pour prédire les ventes de l’électricité industrielle, résidentielle et
commerciale sur le marché taiwanais. Les données employées concernent les 3 types des
marchés cités avec des ventes mensuelles de 2006 à juillet 2016 et donc 127 observations
pour l’entraînement et le test des modèles. Les auteurs proposent l’usage des modèles
hybrides pour la prédiction des ventes de l’électricité comme présenté dans la figure 56.
194
Figure 56 : Approche proposée par (Shao & Tsai, 2018)
Pour commencer, un modèle ARIMA est employé pour préparer les variables explicatives qui
seront des entrées pour un réseau de neurones (ANN) et pour un modèle « Multivariate
Adaptive Regression Splines (MARS) ». Ces modèles hybrides (ARIMA-ANN et ARIMA-MARS)
sont employés pour prédire les trois types de marché (industriel, résidentiel et commercial).
Les résultats montrent que l’emploi des méthodes hybrides présente des améliorations
considérables par rapport à l’usage des modèles ANN et MARS séparément.
D’autres travaux proposent différentes techniques pour répondre à la problématique de la

prédiction de la demande de l’énergie électrique. (Nagbe et al., 2018) étudient cette
problématique dans le cadre d’une application sur les données des entreprises Enercoop et
RTE afin de répondre à la demande croissante de l’électricité. Ces données correspondent à la
consommation globale du marché de l’entreprise représentées par des séries temporelles de
janvier 2012 à décembre 2017 avec des observations toutes les 30 minutes et donc 48
observations par jour. Pour l’entreprise RTE, les données correspondent à des observations
chaque 15 minutes de 2012 jusqu’au 2018. Les auteurs proposent un modèle « Functional
State Space Model » (FSSM) qui prend en considération principalement les valeurs de
consommation passée pour prédire la future demande permettant ainsi de modéliser le
comportement dynamique de la série temporelle. Pour l’estimation des paramètres du
modèle, les auteurs emploient plusieurs techniques comme la maximisation de la
195
vraisemblance et le filtre de Kalman. La mise en application avec des données des entreprises
Enercoop permet la validation de leur approche, et leur méthodologie donne des meilleurs
résultats par rapport à la méthode de régression employée chez l’entreprise RTE.
Les travaux de (Elamin & Fukushige, 2018) sont développées dans le cadre de prédiction de la
demande horaire en électricité pour une région spécifique au Japon. Le but étant d’anticiper
la consommation de la région pour éviter les ruptures d’électricité. Les données employées
dans cette étude correspondent aux quantités horaires d’électricité générées entre janvier
2012 et décembre 2015 du distributeur d’électricité japonais TEPCO, ainsi que des facteurs
externes affectant la consommation tels que l’impact de la météo (température et humidité),
les différentes saisonnalités (journalière, hebdomadaire, annuelle) ainsi que d’autres variables
pouvant influencer la consommation. Les auteurs proposent l’usage d’un modèle SARIMA
avec variables exogènes (SARIMAX) pour répondre à cette problématique. Leurs résultats
montrent de meilleurs résultats par rapport à au modèle « Multiple Linear Regression » (MLR).
(Zhao et al., 2015) constituent un cadre de développement d’une méthodologie de prédiction

d’électricité pour le réseau de distribution en Chine, suite au développement d’un réseau de
distribution intelligent qui utilise la technologie des réseaux de communication pour détecter
et réagir aux changements locaux d'utilisation. Les auteurs utilisent les données historiques
mensuelles de consommation de 27 compagnies productrices d’électricité sous forme de
séries temporelles entre janvier 2010 et décembre 2014. Ils proposent une approche de
prédiction des ventes de l’électricité basée sur le clustering, la régression et les techniques
des séries temporelles. La figure 57 présente leur méthodologie.
196
Figure 57 : Approche proposée par (Zhao et al., 2015)
La première étape consiste à créer des groupes de séries temporelles à travers la technique
de clustering visuel selon différents critères comme la périodicité, la stabilité, la tendance, etc.
Ces critères seront des entrées pour les modèles de prédiction. La deuxième étape consiste à
calculer les prévisions pour chaque groupe selon le modèle approprié. Le choix de modèle à
utiliser est défini selon un tableau de correspondance qui affecte chaque technique selon les
critères de chaque cluster. Les données mises en application représentent les ventes entre
2010 et 2014 de ces compagnies. Les résultats des tests montrent que cette approche a un
taux de précision intéressant.
Les travaux de (Ahmad et al., 2018) proposent une revue des approches employées dans la
littérature pour prédire la demande d’énergie pour les bâtiments. Ils proposent quatre
catégories : des approches guidées par les données, les approches basées sur la physique, les
approches de prévisions énergétiques des bâtiments à grande échelle et des approches
hybrides. Leurs travaux se focalisent plutôt sur les approches guidées par les données et les
approches à grande échelle. Les techniques basées sur les données sont ainsi classées en
quatre groupes également avec des méthodes basées sur les réseaux de neurones
représentant plus que 40 % des applications dans la littérature, des méthodes statistiques et
d’apprentissage automatique avec plus de 25 % des applications, des méthodes basées sur la
technique de Machine à Vecteurs de Support (SVM) dans 12% des applications, et des
méthodes basées sur le regroupement (clustering).
197
Les travaux de (Bourdeau et al., 2019) présentent une revue des méthodes guidées par les
données proposées dans la littérature pour ce domaine. Ils se focalisent sur les
caractéristiques des données d’entrée et les méthodes de prétraitement de ces données. La
figure 58 présente un résumé des types des approches et des techniques appartenant à
chaque catégorie.
Figure 58 : Techniques par catégorie (Bourdeau et al., 2019)
D’autres revues dans la littérature se sont intéressées à ce sujet également. (Deb et al., 2017)
propose de s’intéresser principalement aux approches basées sur les techniques de
modélisation des séries temporelles pour la prédiction de la consommation de l’énergie des
bâtiments. Ils identifient 9 techniques principales à savoir le réseau de neurones (ANN),
ARIMA, Support Vector Machine (SVM), les méthodes floues, l’approche Grey, le lissage
exponentiel et la moyenne mobile, réseaux de neurones profonds, Case-Based Reasonning
(CBR) et les méthodes hybrides.
198
Résumé
Quelques soient le secteur d’activités des entreprises industrielles aujourd’hui, ces dernières
doivent faire face à plusieurs enjeux et challenges économiques pour garantir leur pérennité
et compétitivité sur leur marché. L’amélioration continue des processus de production et la
gestion efficiente de la Supply Chain sont des pistes incontournables pour une bonne maîtrise
des coûts et des risques associés à l’activité de chaque entreprise. Avec l’avancement
techniques et technologiques, plusieurs pistes à fort potentiel telle que l’intelligence
artificielle, se présentent comme des opportunités intéressantes et innovantes permettant de
répondre à des problématiques industrielles complexes. Parmi ces dernières, les tâches de
planification de la demande, de la production ou encore la gestion des stocks représentent
des éléments clés pour une bonne maîtrise de la Supply Chain. C’est dans ce cadre que les
travaux menés dans cette thèse s’intègrent, en ayant comme objectif de mettre en place un
outil d’aide à la décision permettant de fiabiliser, faciliter et automatiser la préparation des
prévisions des ventes. Nous proposons donc une approche guidée par les données permettant
de répondre à cette problématique dans un cadre d’application industrielle chez l’entreprise
elm.leblanc du groupe Bosch. Notre méthodologie proposée est complétée par une mise en
œuvre à travers un développement sur une plateforme de service cloud dans l’entreprise.
Abstract
Whatever the sector of activity of industrial companies today, they must face several
economic challenges to ensure their sustainability and competitiveness on their market. The
continuous improvement of the production processes and the efficient management of the
Supply Chain are essential tracks for a good control of the costs and the risks associated with
the activity of each company. With the advancement of techniques and technologies, several
high-potential avenues such as artificial intelligence, present themselves as interesting and
innovative opportunities to respond to complex industrial problems. Among these, the tasks
of demand planning, production or inventory management are key elements for a good
control of the Supply Chain. It is within this framework that the work carried out in this thesis
is integrated, with the objective of setting up a decision support tool allowing to make the
preparation of sales forecasts more reliable, easier and more automated. We therefore
propose a data-driven approach to address this issue in an industrial application framework
at the elm.leblanc company of the Bosch group. Our proposed methodology is completed by
an implementation through a development on a cloud service platform in the company.
199

These Belaid Mohamedsameh

Transféré par

Droits d'auteur :

Formats disponibles

These Belaid Mohamedsameh

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Belaid Mohamedsameh

Transféré par

Droits d'auteur :

Formats disponibles

Modélisation des processus de prévision de la chaîne

logistique pour l’amélioration des performances

To cite this version:

HAL Id: tel-03860429

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

Mohamed Sameh Belaid

Modélisation des processus de prévision de la chaîne

Président du jury & Rapporteur, Professeur (UNISTRA) Bertrand Rose

Rapporteur, Directeur de Recherche (UGE) Allou-Badara Samé

Examinatrice, Enseignante - Chercheuse (IMT Mines-Albi) Aurélie Montarnal

Examinateur, Professeur (EDHEC) Michel Philippart

Directeur de Thèse, Professeur (IMT Nord Europe) Stéphane Lecoeuche

Invité, Chef de projets IT (elm.leblanc) Yannick Grall

CERI Systèmes Numériques, IMT Nord Europe

Ecole doctorale 631 - Mathématiques, sciences du numérique et de leurs interactions (MADIS)

À tous ces intervenants, je présente mes hommages, mon respect et ma gratitude.

L’entreprise elm.leblanc est spécialisée dans la construction de chaudières et de chauffe-eaux

Une dimension importante du travail est sa réalisation dans un contexte de recherche

La réponse à la problématique identifiée passe d’abord par une recherche bibliographique,

Le troisième chapitre présente notre première contribution autour d’une nouvelle

Le quatrième chapitre présente une deuxième contribution scientifique permettant de

Le cinquième et dernier chapitre porte sur l’industrialisation des nouvelles méthodes

La digitalisation est désormais au cœur de la transformation de l’outil industriel d’elm.leblanc

II. Positionnement scientifique : Analyse prédictive et Supply Chain

II.1. Analyse prédictive de la Supply Chain

Pendant longtemps, la SCM a utilisé les statistiques et la recherche opérationnelle pour

Au-delà de disposer de données suffisantes et de qualité, l’amélioration de l’efficacité du SCM

II.2. Sales and Operations Planning (S&OP)

Le processus S&OP a un impact positif sur la performance de l'entreprise, permettant

II.3. L’analyse prédictive de la Supply Chain et le processus S&OP

III. Définition de la problématique associant Analyse prédictive et Supply Chain dans

Figure 2 : Gammes de produits d’elm leblanc pour les particuliers

Figure 3 : Étapes et acteurs de la Supply Chain d’elm.leblanc

III.3. Zoom sur le processus de prévisions des ventes

III.3.1. Le processus de prévision de ventes

Figure 4 : Processus autour de la méthode de prévision actuelle

III.3.2. Les données utilisées pour la prévision et les résultats actuels

Mois M Sep Mois M+2 (H2) Nov Mois M+4 (H4)

Figure 5 : Exemple des horizons de prédiction à partir du mois d’Août

Les références de produits

III.3.3. Potentiel d’amélioration

Ce constat permet de construire la problématique suivante qui guidera la suite de ce

Comment améliorer les performances de la Supply Chain de l’entreprise à travers

La première partie de ce chapitre sera consacrée à la présentation de quelques domaines

II. Problématique de la prévision des ventes

Plusieurs travaux se sont focalisés sur la combinaison des techniques qualitatives et

Dans la littérature, plusieurs techniques quantitatives traitent la problématique de prévision

III. Présentation de domaines d’application et de leur spécificité en termes de

III.1. Ventes au détail

III.2. Secteur de la mode

III.3. Secteur alimentaire

Les conditions de conservation d’autres produits notamment laitiers ou congelés sont

Prédire les ventes dans le e-commerce représente un véritable challenge vu la demande

Dans ce secteur d’activités, on remarque généralement l’emploi des techniques combinant

III.5. Industrie automobile

III.6. Secteur de l’énergie

La production et la vente de l’électricité représentent également un pilier important de ce

Avec l’augmentation du nombre des compteurs électriques connectés qui renvoient

- Grand public - Satisfaire les clients

- Répondre aux attentes