FAQ : Granularité des données et définition des indicateurs

Les clients doivent définir des indicateurs de prévision distincts dans les cas où la structure des données de gestion ou l’utilisation requise de la prévision nécessite un niveau élevé de détail.

Scénario	Exemple de fractionnement	Justification
Détails obligatoires pour le cas d'utilisation opérationnelle	Fractionner les ventes par service ou par catégorie de produits.	Prévoir les besoins en main-d’œuvre ou les stocks à un niveau granulaire. Par exemple, un magasin a besoin de prévisions distinctes pour le service de production de produits renouvelés et le service de l’informatique, afin de doter avec précision ces régions ou de gérer les actions permisables.
Structures de données/plans incohérents	Le fractionnement des indicateurs pour différentes unités organisationnelles.	Si les organisations ont des jours de début de la semaine différents pour leurs rapports opérationnels, un indicateur distinct est nécessaire. Étant donné que les indicateurs hebdomadaires ne peuvent avoir qu’un seul jour de début de la semaine, les organisations de planification des horaires ayant un jour de début de la semaine différent peuvent bénéficier d’un indicateur distinct pour harmoniser les prévisions avec leur calendrier de production de rapports.

Les critères de recommandation d’un fractionnement se concentrent sur le besoin de détails et la qualité des données résultantes.

Disponibilité et stabilité des données
Agrégation pour la stabilité : De façon générale, l’agrégation de données donne généralement des résultats plus efficaces que le fractionnement des données, car la combinaison d’ensembles de données plus petits élimine le cloisonnement, les erreurs aberrantes et les fluctuations aléatoires, ce qui conduit à des prévisions globales plus robustes et fiables.
La granularité exige des conditions riches : des indicateurs distincts et granulaires (comme le fractionnement des indicateurs au niveau du magasin pour qu’ils soient propres à un service) ne sont utiles que si ces segments disposent de leurs propres sources de données riches pour s’assurer que des quantités adéquates de données sont disponibles pour effectuer des prévisions fiables. Si le jeu de données pour le fractionnement granulaire est trop petit ou faible (par exemple, une catégorie de produits à faible volume), la prévision sera instable et potentiellement fiable.
Fonctionnalité d'action et utilitaire de gestion
Main-d’œuvre et stocks cibles : Des indicateurs distincts sont essentiels lorsque les prévisions doivent être exploitables directement à un niveau granulaire. Par exemple, fractionner les prévisions de ventes totales d’un magasin en prévisions pour des services distincts est plus utile pour cible les besoins de main-d’œuvre dans des services précis et optimiser la dotation en personnel là où elle en a le plus besoin.
Alignement avec la production de rapports/planification : Des fractionnements sont recommandés lorsque les segments fonctionnent dans des cycles de planification ou des structures de données considérablement différents. Par instance, un fractionnement est nécessaire si un segment utilise un jour différent comme jour de début de la semaine pour ses rapports opérationnels, ce qui permet d'assurer l'alignement des prévisions avec la réalité opérationnelle.

La liste ci-dessous représente un résumé des principaux compromis entre les approches prévisionnelles hautement granulaires et plus agrégées :

Fonctions	Prévision granulaire (exemple : 15 minutes)	Prévision agrégée (exemple : niveau quotidien)
Fonctionnalité d'action	Élevée : Entrée directe pour la commande, le stockage et la dotation en personnel pour des services ou des articles précis.	Faible : Nécessite une répartition manuelle sur toute la journée ou est fractionné en parts égales.
Information sur l'exactitude des prévisions (statistiques)	Stabilité faible : Les données sont souvent Par Level, volatiles et fragiles. Est plus sujet aux erreurs importantes et aléatoires.	résultat
Valeur de gestion	Grand utilitaire : Permet de saisir les facteurs de la demande uniques, locaux et propres à un segment.	À grande fiabilité : mieux adaptée à la planification et aux décisions à long terme.
Exigences relatives aux données	Élevé : Volumes en masse de données à haute résolution au niveau des rangées pour s’assurer qu’il y a suffisamment d’observations pour modéliser la volatilité des éléments ou des emplacements individuels.	Faible : Des volumes de données plus petits, car l’addition de points de données réduit le nombre d’enregistrements, ce qui nécessite seulement l’historique nécessaire pour déterminer les tendances saisonnières générales.

Notre recommandation générale pour des prévisions fiables est de disposer de trois années de données historiques pour l’indicateur en cours d’analyse. Cette période permet à nos modèles de saisir efficacement les cycles saisonniers annuels et les tendances à long terme.

Le nombre de points de données obligatoires varie en fonction de la fréquence (granularité) de vos données :

Granularité	Exemple d'intervalle	Exigence liée au point de données	Ratio
Densité élevée (horaire)	Chaque  heure	Trois ans sont suffisants.	Le modèle cumule rapidement un grand volume de points de données, faisant ainsi de trois ans un jeu de données robuste pour la détection des tendances.
Faible densité (journalière, hebdomadaire)	Une fois par jour ou par semaine	L’exigence minimale est de trois ans.	Cette période temporelle fournit suffisamment de points de données pour déterminer les tendances fondamentales et les variations saisonnières nécessaires pour générer une prévision stable.

Nous recommandons un minimum de trois ans d’historique des données pour garantir la performance optimale de nos modèles de prévision, quelle que soit la granularité des données.

Lorsque vous présentez des prévisions pour des contextes entièrement nouveaux (p. ex., un nouveau pays, une toute nouvelle gamme de produits ou un indicateur d’entreprise tout à jour), la quantité minimum de données historiques (p. ex. pour des périodes temporelles telles que mois/années) ou Nombre de points de données) généralement nécessaires pour que le modèle apprentissage automatique puisse générer des prédictions précieuses et suffisamment précises?

Lorsque vous présentez la prévision à un contexte véritablement nouveau, notre approche consiste à relier le nouveau scénario à des indicateurs existants entraînés pour générer rapidement des prédictions précieuses.

Remarque : Le nouvel emplacement doit effectuer le suivi d'un indicateur déjà entraîné (par exemple, un indicateur pour lequel un modèle existe déjà et fonctionne bien dans d'autres emplacements) pour utiliser cette fonctionnalité.

Prévision à l’aide d’un modèle apprentissage automatique pour de nouveaux emplacements (p. ex., un nouveau pays ou un magasin) : Pour les indicateurs formés et prévisionnels à l’aide du modèle apprentissage automatique , lorsque nous ouvrons de nouveaux emplacements, nous offre une approche axée sur notre organisation sœur ou les entités équivalentes afin de démarrer le processus de prévision. En tirant parti de notre fonction organisation interne, notre modèle peut formuler des hypothèses raisonnables sur le rendement du nouvel emplacement jusqu’à ce que le service ait accumulé au moins deux semaines de ses propres données. Après ce stade, le modèle peut s’appuyer sur l’historique de croissance du nouveau magasin pour obtenir des prédictions de plus en plus précises.

Prévision au moyen du modèle de prévision fondé sur des tendances pour les nouveaux emplacements (p. ex., un nouveau pays ou un magasin) : Pour les indicateurs formés au modèle de prévision fondé sur les tendances, les données de organisation sœur seront utilisées jusqu’à ce que le nouvel emplacement ait accumulé une année complète d’exercice. propres données pour permettre ces comparaisons historiques précises.