Prévision de la demande et IA

La prévision de la demande est une estimation du nombre d'unités de chaque produit qui seront achetées sur une période future (une semaine, un mois, une saison). Elle sert à commander auprès des fournisseurs ce qui se vendra : ne pas laisser les rayons vides et ne pas immobiliser d'argent dans des stocks excédentaires. L'IA (apprentissage automatique) peut améliorer une prévision, mais elle ne dispense ni de données propres ni d'une politique d'achat raisonnée.

En termes simples

La prévision la plus simple est « ce que nous avons vendu la dernière fois sur la même période ». Les méthodes plus complexes tiennent compte de la saisonnalité, des promotions, du prix, de la météo, des tendances et des lancements de nouveaux produits. L'apprentissage automatique apprend à partir de l'historique des ventes et repère des régularités difficiles à voir dans un tableur.

Ce que disent les études

• Modèles modernes contre modèles simples. Dans une comparaison de modèles modernes de prévision des ventes au détail (Hobor et al., prépublication de juin 2025, mise à jour en mars 2026 ; données de magasins d'Europe du Sud-Est), XGBoost, une méthode à base d'arbres, a obtenu l'erreur RMSE la plus faible. Les réseaux de neurones avec comblement des lacunes se sont améliorés sur les données agrégées, mais sont restés derrière les méthodes d'ensemble. Les auteurs concluent qu'un modèle doit être choisi selon les caractéristiques du problème, et non selon sa complexité (arXiv, 2025-2026).
• Une prévision précise ne signifie pas toujours des coûts plus bas. Une étude de Theodorou, Spiliotis et Assimakopoulos (European Journal of Operational Research, 2025) sur les données de la compétition M5 a montré que le lien entre la précision des prévisions et les résultats en matière de stocks peut être faible : la précision compte davantage lorsque les coûts de détention sont comparables ou supérieurs aux ventes perdues. Quand les ventes perdues coûtent plus cher, la meilleure méthode n'est pas forcément la plus précise. L'effet est le plus marqué pour les cycles de commande courts et les produits à demande irrégulière (IDEAS/RePEc, 2025). Il vaut donc la peine d'associer la question « la prévision est-elle précise » à « que se passe-t-il si je me trompe trop haut ou trop bas ».

Les deux études portent sur des données de ventes classiques, et non sur de petites boutiques.

De quoi dépend la qualité d'une prévision

• L'historique. Pour un nouveau produit et une petite boutique, les données sont rares : la prévision est approximative par nature.
• Des données propres. Les ventes pendant une rupture de stock sont sous-estimées : le produit n'était pas là, ce n'est pas que « les gens n'en voulaient pas ». Si on n'en tient pas compte, le modèle apprend à sous-estimer la demande. Les doublons et les commandes de test ont aussi un effet.
• Les promotions et les prix. Sans indicateur de promotion, le modèle prend un pic pour la demande ordinaire.
• Le type de produit. Un produit régulier (consommables) est plus facile à prévoir qu'un produit irrégulier (articles rares et chers, mode).

Exemple (fictif)

Une boutique vend des filtres à eau. Les ventes moyennes sont de 120 unités par mois, et novembre est habituellement à +30 %. Une estimation saisonnière simple pour novembre donne 156 unités. Si une promotion est prévue cette année, la prévision est ajustée à partir du résultat de la promotion précédente. L'objectif n'est pas de deviner le chiffre mais de définir une fourchette (par exemple 140-180) et de décider quel stock garder compte tenu du délai d'approvisionnement : voir Stock, ruptures et surstock.

Que faire

1. Commencer simplement : une prévision saisonnière fondée sur l'an dernier et le rythme mensuel.
2. Conserver les données sur les ruptures de stock et les promotions.
3. Répartir les produits en groupes selon leur importance (analyse ABC/XYZ) et ne prévoir plus précisément que les principaux.
4. Comparer la prévision au réel et noter les écarts.
5. Faire appel à des outils d'IA quand la méthode simple ne suffit plus et que vous avez les données, et les comparer à la méthode simple sur vos propres données.

Erreurs fréquentes

• Prévoir à partir des ventes sans tenir compte des périodes où le produit n'était pas disponible.
• Juger un modèle sur un seul chiffre de précision sans lien avec les coûts.
• Croire une « précision de 95 % » issue de la publicité d'un service sans la tester sur ses propres données.
• Oublier le délai d'approvisionnement : la prévision est nécessaire pour la période allant de la commande à l'arrivée des marchandises.

FAQ

Qu'est-ce que la prévision de la demande ? Une estimation des ventes futures de produits pour planifier les achats.

L'IA est-elle nécessaire pour une prévision ? Pas toujours. Dans l'étude de Hobor et al., les méthodes d'ensemble ont battu les réseaux de neurones ; commencez donc par une méthode simple et comparez.

Comment prévoir un nouveau produit ? Prenez pour repère des produits similaires et achetez prudemment un petit lot. Il n'existe pas de méthode fiable pour les nouveaux produits sans historique.

Quelle prévision est la plus précise ? Celle qui donne un meilleur résultat sur vos données et vos coûts. Les études ne désignent pas de gagnant global.

Termes associés

• Niveaux de stock, ruptures et surstock
• Analyse ABC/XYZ de votre gamme de produits
• Merchandising dans une boutique en ligne
• OMS et WMS
• L'IA pour analyser les données de la boutique : ce qu'on peut lui confier

Sources

• Hobor L. et al., Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting (arXiv, 06.2025, v2 03.2026) — arxiv.org/abs/2506.05941
• Theodorou E., Spiliotis E., Assimakopoulos V., Forecast accuracy and inventory performance: Insights on their relationship from the M5 competition data, European Journal of Operational Research 322(2), 2025 — ideas.repec.org/a/eee/ejores/v322y2025i2p414-426.html