An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations

Cette étude propose AHSIV, un cadre de sélection de modèles adaptatif qui intègre la dégradation des métriques selon l'horizon de prévision et la classification de la demande intermittente pour optimiser la prise de décision opérationnelle dans des environnements commerciaux hétérogènes.

L'essentiel

🌧️ Le Problème : Prévoir la météo d'un monde qui change tout le temps

Imaginez que vous êtes le chef d'une grande chaîne de supermarchés. Votre travail consiste à deviner combien de produits (lait, chips, téléviseurs) les clients vont acheter la semaine prochaine, le mois prochain, ou même dans un an.

Le problème, c'est que la demande est capricieuse :

• Parfois, on achète tout le temps (comme le pain).
• Parfois, on n'achète que très rarement (comme un réfrigérateur de luxe).
• Et plus on essaie de prédire loin dans le futur, plus c'est difficile. C'est comme essayer de prédire la météo : on peut être assez sûr pour demain, mais pour le mois prochain, c'est du domaine de la chance.

Jusqu'à présent, les entreprises utilisaient des "recettes" (des modèles mathématiques) fixes pour faire ces prévisions. Elles disaient : "La recette A est la meilleure, utilisons-la pour tout le monde."

Mais les chercheurs ont découvert un secret : il n'existe pas de recette magique universelle. Ce qui fonctionne bien pour le lait ne fonctionne pas pour les téléviseurs. Et ce qui marche pour demain peut échouer complètement dans six mois. C'est comme si on essayait de conduire une voiture avec le même réglage de suspension, que ce soit sur une route de montagne ou sur une autoroute lisse : ça ne marche pas toujours.

🛠️ La Solution : Le "Chef Cuisinier Adaptatif" (AHSIV)

Les auteurs de l'article (Adolfo et Víctor) ont créé un nouveau système intelligent qu'ils appellent AHSIV.

Imaginez que vous avez un Chef Cuisinier Super-Intelligent dans votre cuisine. Au lieu d'utiliser toujours le même livre de recettes, ce chef fait trois choses magiques :

1. Il observe la nature de l'ingrédient (La Structure) :
   Avant de choisir la recette, il regarde si l'ingrédient est "régulier" (comme le pain, qu'on achète tous les jours) ou "sauvage" (comme les produits de luxe, qu'on achète rarement).

   • Si c'est régulier : Il utilise une stratégie complexe qui compare plusieurs recettes pour trouver la plus précise.
   • Si c'est sauvage : Il devient prudent et choisit la recette la plus simple et la plus sûre pour éviter les erreurs.

2. Il ajuste la vision du temps (La Dégradation) :
   C'est le point le plus important de l'article. Plus on regarde loin dans le futur, plus les prévisions deviennent floues (c'est ce qu'ils appellent la "dégradation").

   • L'analogie : Imaginez que vous regardez un paysage à travers une fenêtre. Si vous regardez juste devant vous, tout est net. Si vous regardez à 100 mètres, c'est un peu flou. Si vous regardez à 1 km, c'est très flou.
   • Le système AHSIV ne se contente pas de regarder la fenêtre de près. Il prévoit à quel point l'image va devenir floue à mesure qu'on s'éloigne. Il ajuste donc son choix de recette en fonction de la distance. Il ne choisit pas la même recette pour demain que pour dans un an.

3. Il vérifie l'équilibre (Le Biais) :
   Parfois, une recette est très précise en moyenne, mais elle a tendance à toujours dire "il va pleuvoir" alors qu'il fait beau (ou l'inverse). Le chef vérifie que la recette ne penche pas trop d'un côté, car cela pourrait vous faire acheter trop de parapluies ou pas assez.

🏆 Le Résultat : Qui gagne la course ?

Les chercheurs ont testé leur "Chef Cuisinier" (AHSIV) contre deux autres méthodes sur des milliers de produits (données de Walmart, etc.) :

• Méthode 1 : Une recette simple qui ne regarde qu'un seul indicateur (comme la moyenne des erreurs).
• Méthode 2 : Une méthode qui essaie de tout mélanger (un peu de tout).
• Méthode 3 : Le Chef AHSIV (leur création).

Le verdict :

• La Méthode 2 a souvent perdu. Elle était trop rigide et ne comprenait pas les nuances.
• La Méthode 1 et le Chef AHSIV étaient très proches en performance globale.
• MAIS, le Chef AHSIV a gagné là où ça compte le plus : il a choisi la meilleure recette exactement au bon moment, pour chaque horizon de temps.

💡 Pourquoi c'est important pour vous ?

Dans le monde réel, cela signifie que les entreprises peuvent :

• Économiser de l'argent : En évitant d'avoir trop de stock (qui coûte cher à entretenir) ou pas assez (ce qui fait perdre des clients).
• Être plus réactives : Comprendre que ce qui fonctionne aujourd'hui ne fonctionnera pas nécessairement dans six mois.
• Prendre de meilleures décisions : Au lieu de deviner, ils utilisent un système qui s'adapte à la réalité changeante du marché.

En résumé :
Cette recherche nous dit qu'il faut arrêter d'utiliser une "clé universelle" pour tout ouvrir. Pour gérer des prévisions complexes, il faut un système intelligent, adaptable et conscient du temps, qui sait quand utiliser une approche fine et quand rester simple, tout en sachant que l'avenir devient plus flou à mesure qu'on s'en éloigne. C'est passer d'une vision statique à une vision dynamique de la prévision.

Résumé technique

1. Problématique

L'article aborde le défi complexe de la sélection de modèles de prévision de la demande dans des environnements commerciaux caractérisés par une intermittence structurelle, une forte variabilité et des horizons de planification multi-étapes.

Les auteurs identifient trois limitations majeures dans la littérature et la pratique actuelles :

• Absence de modèle universel : Aucun modèle de prévision ne domine systématiquement tous les autres sur tous les types de séries temporelles, régimes de demande ou horizons de prévision.
• Incohérence des métriques : Les classements des modèles varient considérablement selon la métrique d'erreur utilisée (MAE, RMSE, RMSSE, etc.), créant une ambiguïté décisionnelle.
• Dégradation induite par l'horizon (Horizon-Induced Degradation) : La précision des prévisions se dégrade à mesure que l'horizon de prévision s'allonge. Les évaluations basées sur un horizon de test fixe (souvent court) peuvent donner des résultats trop optimistes et ne pas refléter la performance réelle sur des horizons opérationnels plus longs. De plus, les classements de modèles changent souvent en fonction de la longueur de l'horizon, rendant les approches de sélection statiques inadaptées.

2. Méthodologie

Pour répondre à ces défis, les auteurs proposent un cadre de sélection de modèles dynamique et adaptatif. La méthodologie repose sur les piliers suivants :

A. Procédure de Dégradation des Métriques par Horizon de Prévision (MDFH)

C'est une contribution centrale. Le MDFH projette les métriques d'erreur hors échantillon (calculées sur un horizon de test) vers des horizons de décision futurs plus longs.

• Principe : L'erreur de prévision augmente généralement avec l'horizon selon une loi de puissance.
• Conditionnement structurel : La dégradation n'est appliquée que si le processus est diagnostiqué comme « stable » (faible variabilité des incréments, absence de biais systématique ou de comportement explosif). Si le régime est instable, la métrique n'est pas extrapolée pour éviter des conclusions erronées.
• Formule : $E_m(h_{future}) \approx E_m(h_{test}) \times (\frac{h_{future}}{h_{test}})^{\alpha}$, où $\alpha$ est un paramètre de dégradation estimé empiriquement ou fixé théoriquement (0,5 pour un bruit aléatoire).

B. Le Sélecteur Hybride Adaptatif pour l'Intermittence et la Variabilité (AHSIV)

L'AHSIV est un mécanisme de sélection multicritère qui adapte sa logique de décision au régime structurel de la série de demande :

1. Classification du régime : Chaque série est classée selon sa fréquence de demande ($p$) et sa variabilité relative ($c$) en deux catégories :
   • Régime stable/régulier : Fréquence élevée et variabilité faible.
   • Régime intermittent/variable : Fréquence faible ou variabilité élevée.
2. Logique de sélection :
   • Pour les régimes stables : Utilisation d'une approche multi-objectifs basée sur la dominance de Pareto entre les erreurs absolues (MAE) et les erreurs mises à l'échelle (RMSSE), ajustées par MDFH. Une raffinement hiérarchique minimise ensuite le biais (BIAS) et l'erreur relative (sMAPE).
   • Pour les régimes intermittents/variables : Adoption d'une stratégie conservatrice en sélectionnant directement le modèle minimisant l'erreur mise à l'échelle (RMSSE) ajustée, évitant ainsi l'instabilité des combinaisons multi-objectifs sur des données bruyantes.

C. Expérimentation

• Données : Utilisation de quatre jeux de données reconnus (Walmart, M3, M4, M5) couvrant des fréquences quotidiennes, hebdomadaires et mensuelles.
• Modèles : Comparaison d'une large gamme de modèles (statistiques, apprentissage automatique, réseaux de neurones profonds comme LSTM, GRU, Transformers).
• Évaluation : Validation hors échantillon (backtesting) avec des horizons de prévision allant de 1 à 12 cycles. Trois schémas de partitionnement (91:9, 80:20, 70:30) ont été testés pour vérifier la robustesse.
• Métrique de performance stratégique : Introduction de la Global Relative Accuracy (GRA) pour évaluer la cohérence entre le volume total prévisionnel et le volume réel, reflétant l'impact opérationnel (gestion des stocks).

3. Contributions Clés

1. Formalisation du MDFH : Une procédure rigoureuse pour ajuster les métriques d'erreur en fonction de l'horizon de prévision, garantissant des comparaisons cohérentes sans nécessiter de réalisations futures inconnues.
2. Développement de l'AHSIV : Un sélecteur de modèles qui intègre la classification structurelle de la demande, l'optimisation multi-objectifs et le contrôle du biais, permettant une sélection adaptative selon le régime de la série.
3. Preuve de l'instabilité des classements : L'étude démontre empiriquement que le choix du « meilleur » modèle dépend fortement de l'horizon de prévision, invalidant les approches de sélection statique.
4. Lien entre précision statistique et stratégie d'entreprise : En utilisant la GRA, l'article relie la performance des modèles aux décisions d'inventaire et d'allocation de ressources.

4. Résultats

Les résultats expérimentaux, validés par des tests statistiques non paramétriques (Kruskal-Wallis et Dunn), montrent que :

• Performance globale : Le sélecteur AHSIV atteint une équivalence statistique avec le meilleur sélecteur monocritère de base (RMSSE ajusté par horizon) en termes de performance agrégée (GRA).
• Supériorité fonctionnelle : Bien que les moyennes globales soient similaires, AHSIV sélectionne plus fréquemment le modèle optimal pour des horizons spécifiques par rapport aux autres méthodes. Il est plus sensible aux variations induites par l'horizon.
• Comparaison avec ERA : Le sélecteur d'agrégation d'équilibre (ERA), qui combine plusieurs métriques de manière statique, a systématiquement montré des performances inférieures et une plus grande variabilité.
• Robustesse : Les résultats sont cohérents sur tous les jeux de données (Walmart, M3, M4, M5) et tous les schémas de partitionnement des données, confirmant que la compétitivité de l'AHSIV ne dépend pas d'une allocation spécifique des données d'entraînement/test.
• Dynamique d'horizon : Les cartes de chaleur de fréquence de sélection montrent que le modèle optimal change radicalement selon l'horizon, justifiant pleinement l'approche adaptative de l'AHSIV.

5. Signification et Implications

Cette recherche a des implications majeures pour la gestion de la chaîne d'approvisionnement et la stratégie d'entreprise :

• Fin des approches statiques : Elle démontre qu'il est erroné de sélectionner un modèle de prévision une fois pour toutes. La sélection doit être un processus dynamique, conditionné par l'horizon de décision et la structure de la demande.
• Optimisation des stocks : En améliorant la cohérence entre les volumes prévisionnels et réels (via la GRA), l'AHSIV aide à réduire les coûts de stockage (sur-stockage) et les ruptures de stock (sous-estimation), impactant directement le capital de travail.
• Cadre opérationnel : L'intégration de la dégradation des métriques (MDFH) permet aux planificateurs d'avoir une vision réaliste de la performance future des modèles, évitant l'optimisme excessif basé sur des tests à court terme.
• Adaptabilité : Le cadre proposé offre une solution reproductible et fondée sur des principes pour gérer la complexité des environnements multi-SKU (Stock Keeping Units) hétérogènes, où les régimes de demande varient considérablement d'un produit à l'autre.

En conclusion, l'article propose un changement de paradigme : passer d'une sélection de modèles basée sur une métrique unique et un horizon fixe à une sélection adaptative, consciente de l'horizon et sensible au régime structurel, offrant ainsi une base plus solide pour la prise de décision stratégique et opérationnelle.