Prévision de la demande

Distributeurs, retailers et fournisseurs d'énergie pilotent souvent leurs stocks et leur approvisionnement à l'instinct ou sur de simples moyennes. Résultat : ruptures qui font perdre des ventes et frustrent les clients, ou surstocks qui immobilisent la trésorerie et génèrent de la casse sur les produits périssables.

La difficulté tient à la structure hiérarchique de la demande — par produit, par magasin, par région — et à ses multiples facteurs : saisonnalité, promotions, jours fériés, météo, ruptures d'approvisionnement, événements locaux. Les prévisions doivent rester cohérentes entre les niveaux et suffisamment fines pour guider les décisions opérationnelles.

Shift met en place une prévision de la demande en séries temporelles hiérarchiques : nous produisons des prévisions à chaque niveau (référence, point de vente, région, national) et les réconcilions pour garantir leur cohérence, de sorte que la somme des prévisions magasin corresponde à la prévision globale.

Les modèles combinent des approches statistiques éprouvées et des méthodes d'apprentissage automatique — gradient boosting sur variables calendaires et exogènes, modèles de deep learning pour les motifs complexes. Nous intégrons explicitement les promotions, jours fériés, météo et effets de cannibalisation pour capturer les vrais moteurs de la demande.

Au-delà du point médian, nous produisons des prévisions probabilistes (quantiles) qui alimentent directement l'optimisation des stocks : niveaux de sécurité, points de commande et arbitrages coût de rupture / coût de possession, adaptés à chaque produit selon sa marge et sa criticité.