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 obligatoire de la prévision exige un niveau de détail élevé.

Scénario	Exemple de ventilation	Justification
Détail obligatoire pour le cas d'utilisation opérationnel	Ventilant les ventes par service ou catégorie de produit.	Prévoir les besoins en main-d'œuvre ou les stocks à un niveau détaillé. Par exemple, un magasin a besoin de prévisions distinctes pour le service des produits alimentaires et celui pour l'emploi électronique afin de pourvoir avec précision ces domaines ou gérer les stocks consommables.
Structures de données/planifications incohérentes	Des métriques de répartition entre différentes unités organisationnelles.	Si les organisations ont différents jours de début de la semaine pour leur reporting opérationnel, un indicateur/une métrique distincte est nécessaire. Dans la mesure où les indicateurs hebdomadaires ne peuvent avoir qu'un seul jour de début de semaine, les organisations de planification ayant un jour de début de semaine différent peuvent bénéficier d'un indicateur distinct pour aligner les prévisions sur leur calendrier de reporting .

Les critères de recommandation d'une ventilation en fonction de la nécessité de détailler et de la qualité des données obtenues.

Disponibilité et stabilité des données
Agrégation pour la stabilité : de manière générale, les données agrégées génèrent généralement de meilleurs résultats que de fractionner les données, car la combinaison de jeux de données plus petits permet de réduire les ultérieures, d'erreurs aberrantes et de fluctuations aléatoires, ce qui permet d'obtenir une prévision globale plus solide et fiable.
Granularité nécessaire : métriques détaillées distinctes (comme les métriques de répartition au niveau magasin pour un service spécifique) ne sont utiles que si ces segments ont leurs propres sources de données pour garantir que les quantités de données nécessaires sont disponibles pour effectuer des prévisions fiables. Si le jeu de données pour la ventilation granulaire est trop petit ou trop restreint (par exemple, une catégorie de produit à faible volume), la prévision sera instable et potentiellement fiable.
Fonctionnalité d'action et utilitaire de gestion
Main-d'œuvre/stock ciblé(e) : des métriques distinctes sont essentielles lorsque les prévisions obtenues doivent être directement exploitables à un niveau détaillé. Par exemple, fractionner les prévisions totales d'un magasin en plusieurs prévisions de service s'avère particulièrement utile pour cible les besoins de main-d'œuvre dans des services spécifiques et optimiser affectation de personnel là où ils sont le plus nécessaires.
Alignement avec le reporting/la planification : les ventilations sont recommandées lorsque les segments opèrent sur des cycles de planification ou des structures de données fondamentalement différents. Par instance, une ventilation est nécessaire si un segment utilise un jour différent comme jour de début de la semaine pour son reporting, ce qui garantit la correspondance entre la prévision et la réalité opérationnelle.

Voici un récapitulatif des principaux compromis entre une approche prévisionnelle très précise et une approche plus agrégée :

Fonctionnalité	Prévision granulaire (exemple : niveau 15 minutes)	Prévision agrégée (exemple : niveau journalier)
Fonctionnalité d'action	Élevé : saisie directe pour la commande, le stockage et affectation de personnel /éléments spécifiques.	Faible : nécessite une répartition manuelle sur toute la journée ou est divisée en parts égales.
Précision des prévisions (statistiques)	Stabilité inférieure : les données sont souvent parsaires, volatiles et saturées. Plus sensible aux erreurs aléatoires importantes.	Stabilité élevée : enregistrer lesuns, les valeurs aberrantes et les erreurs aléatoires, ce qui permet d'obtenir un résultat plus robuste.
Valeur de l'entreprise	Utilitaire élevé : permet de mieux saisir les facteurs de demande uniques, locaux et spécifiques à un segment.	Fiabilité élevée : meilleure pour la planification et les décisions à long terme.
Exigences de données	Élevé : volumes importants de données à haute résolution au niveau des lignes pour s'assurer qu'il y a suffisamment d'observations pour modéliser la volatilité des éléments ou des emplacements.	Faible : volumes de données plus petits, car l'action de cumuler les points de données réduit de manière naturel le nombre d'enregistrements, ce qui nécessite suffisamment d'historique pour identifier les tendances saisonnières générales.

Notre recommandation générale pour des prévisions fiables consiste à disposer d'un historique des données de 3 ans pour l'indicateur/la métrique analysé(e). 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 obligatoire varie en fonction de la fréquence (granularité) de vos données :

Granularité	Exemple d'intervalle	Exigence de point de données	Rationel
Haute densité (horaire)	Chaque heure	Trois ans suffisent.	Le modèle cumule rapidement un grand volume de points de données, faisant de trois ans un jeu de données solide pour la détection des motifs.
Faible densité (quotidienne, hebdomadaire)	Une fois par jour ou semaine	Trois ans constituent le critère minimum.	Cette période fournit suffisamment de points de données pour identifier les tendances principales et les variations saisonnières nécessaires pour générer des prévisions stables.

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

Lorsque vous introduisez des prévisions pour de tout nouveaux contextes (p. ex., un nouveau pays, une nouvelle ligne de produit ou un tout nouvel indicateur), quel est le volume minimum de données historiques (p. ex., en termes de périodes comme les mois/années, ou Nombre de points de données généralement obligatoire pour que le modèle de Machine Learning puisse générer des prédictions précieuses et raisonnablement précises ?

Lorsque vous introduisez des prévisions dans un tout nouveau contexte, notre approche consiste à connecter ce nouveau scénario à des indicateurs existants et entraînés afin de générer rapidement des prédictions précieuses.

Remarque : pour pouvoir utiliser cette fonctionnalité, le nouveau site doit suivre un indicateur/une métrique déjà entraîné(e) (par exemple, un indicateur pour lequel un modèle existe déjà et s'il est performant sur d'autres sites).

Prévisions à l'aide d'un modèle de Machine Learning pour les nouveaux sites (par exemple, un nouveau pays ou un magasin) : pour les métriques entraînées et prévisionnelles à l'aide du modèle de Machine Learning, lorsque nous ouvrant de nouveaux sites, nous offre d'utiliser notre organisation ou une approche d'entités similaires pour démarrer le processus de prévision. En s'appuyant sur notre fonctionnalité organisation interne, notre modèle peut faire des hypothèses raisonnables sur la performance du nouveau site jusqu'à ce qu'il ait cumulé au moins deux semaines de ses propres données. Ensuite, le modèle peut s'appuyer sur l'historique en pleine croissance du nouvel magasin pour obtenir des prédictions de plus en plus précises.

Prévisions utilisant un modèle de prévision basé sur les tendances pour les nouveaux sites (par exemple, un nouveau pays ou un nouveau magasin) : pour les indicateurs entraînés à l'aide du modèle de prévision basé sur les tendances, les données de organisation sœur seront utilisées jusqu'à ce que le nouveau site puisse collecter un an complet propres données pour permettre ces comparaisons historiques spécifiques.